反应堆设置

使用圆柱形树脂玻璃反应器作为SBR，其工作体积为约3.6L（内径~6cm，总高度~164cm）。组合系统的示意图如图1所示  。通过预编程定时器（多功能，4-OUT），实施厌氧和需氧条件。使用循环泵将反应器内容物混合，并放置水族箱泵（Hailea ACO-9602，China）以通过位于反应器底部的多孔石材扩散器供应空气。用铝箔覆盖反应器以防止蒸发。溶解氧（DO）量保持在约2.5mg / L以上。粒状活性炭（GAC），表面积约900m 2 / g，密度1.3g / cm 3被添加到SBR。为了达到理想的加载速率（10000 <COD <30000mg / L），用蒸馏水稀释浸出液。该反应器已经接种了从Farabi处理厂，伊朗Kermanshah的废水处理厂获得的生物质的混合培养物。首先用300mL混合液接种SBR，用GAC（400mL）加入20％体积，并使用稀释的MLL加载1L其空体积，并且COD的初始浓度为约10000mg / L. 为了制备过量的生物GAC以获得更高的GAC填充率百分比35％和50％，用IAnA-BioGACSBR和bioGAC分别产生平行和相似的条件。在启动期间，厌氧和好氧反应器中的HRT在12小时时均匀设定。为了获得高细菌能力，使活性污泥适应45天。反应器按以下顺序操作; 填充（5分钟），厌氧搅拌（12小时），停药（10分钟），通气（12小时），停药（10分钟）和沉降（1小时）。在下一步中，为了确定最大COD去除的最佳HRT，系统在不同的厌氧 - 好氧接触时间下操作。该阶段如下进行：厌氧（24,48和72小时）和需氧（12,24和36小时）。

图1

集成的厌氧 - 好氧/生物颗粒活性炭序批式反应器（IAnA-BioGACSBR）的示意图。

实验设计和数学建模

该研究的主要部分是为了研究“GAC填充率”和“COD浓度”因素的影响。操作条件总结在表  3中。FFD和RSM用于数据分析和过程优化。FFD通过设计专家软件版本7建立。为了优化分析，在三个级别选择具有一定范围的独立有效变量，包括入口COD浓度（x 1）和体积填充率（x 2）。表4给出了编码和实际单位变量的范围和水平 。考虑了两个操作变量。根据响应测量或计算COD，BOD和TKN去除。获得的实验条件和结果显示在表  5中。通过方差分析（ANOVA）分析结果。从实验结果获得具有各自等高线图的三维图。

HRT的影响

HRT是可以对生物过程产生显着影响的重要变量之一，并且它在生物质/生物膜和基质材料21之间提供足够的反应时间。因此，确定用于降低治疗成本的最佳HRT以及用于在不同的厌氧 - 好氧单元中提高系统效率是重要的。图  3a和b显示了不同HRT在恒定加载速率下的效果。在此阶段，厌氧单元在24,48和72小时操作，而好氧单元在12,24和36小时操作。在作为操作时间的函数的厌氧条件下，COD去除分别在79.9±2.7,95.6±1.5和96.5±1.19％的范围内。在厌氧阶段，由于HRT（48和72小时）之间COD去除值的差异不显着，因此选择HRT~48 h作为原始负荷的最佳HRT。在相同的HRT（例如24小时）和高速率下（0.1-10千克COD / m 3）/天）厌氧过程如厌氧过滤器（AF），厌氧膨胀/流化床反应器，上流式厌氧污泥床（UASB）反应器，IAnA-BioGACSBR已被报道具有显着的结果（10kg COD / m 3的效率~80％）。 天）。在好氧区，获得的COD去除率分别为约95.74±1.5,93.46±1.34和96.7±0.9％。由于HRT在12小时与24小时和36小时之间的差异可以忽略不计，因此选择等于12小时的HRT作为HRT的最佳点。从好氧结果可以发现，相对于常规处理方法如活性污泥改性方法，相当大量的COD（95.74％）被降解。

图3

确定厌氧和好氧单位的最佳HRT。

方差分析和统计分析

在试验规模中进行了27次FFD以确定响应。作为x 1和x 2的函数，绘制了数学方程。表  5说明了基于实验数据获得的ANOVA和统计参数。为了指定拟合的准确性，使用ANOVA。通常，模型的充分性可以通过诊断图来评估，例如预测值与实际值的关系图。如图  4a-f所示，给出了预测值与实际值的对比。从最终编码的数学方程计算预测值。

在另一个窗口打开

图4

COD和BOD 5去除的响应面图; 厌氧（a，c）有氧（b，d）。

为了研究所考虑的变量对COD，BOD 5和TKN去除效率的影响，分析和建模这些响应对变量的依赖性。选择简化的二次和线性模型来描述COD，BOD和TKN的变异去除效率（表  6）。表  6总结了所得方程的统计参数。如表  6所示，两个因素（x 1：加载的COD和x 2：GAC填充率百分比）的主要影响是重要的模型术语。然而，x 2的影响比x 1的影响重要得多。这种效应对于厌氧过程而不是有氧过程更具特异性（参见x 1和x 2的数值系数））。与好氧过程相比，变量的有效性非常接近。从对所提供模型的全面概述可以看出，线性和二次模型符合实验数据。用多项式（二次）模型确定了厌氧和好氧过程的COD去除模型。这些发现表明COD的去除可能受到许多变量的影响。这些变量包括操作条件，HRT，COD去除机制（厌氧/好氧降解，吸附，沉降等），COD负载，填充率，COD / TKN比，颗粒成熟。另一方面，当同时除去可生物降解和抗性化合物时，可以获得二次方程。具有高确定系数的COD去除模型（R 2 对于厌氧区和好氧区，= 0.93）表明实验数据和模型之间存在理想的一致性。如在BOD去除模型中所见，线性模型指的是比其他模型具有显着效果的强有效参数或机制。关于BOD / COD的高比例（~0.7），可以得出结论，生物降解可能是通过好氧过程快速降解有机物的有效机制。此外，好氧过程中TKN的线性模型与BOD / TKN比例不正确（> 10）的过程限制有关。当BOD / TKN比> 4时，它提供有限的反硝化作用，在这种情况下硝化作用不会受到显着影响。然而，硝化副产物积累发生22。此时，TKN的去除仅限于异化。

图  5显示了三维图中响应的变化。根据图  5a和b，响应随着COD浓度和填充率百分比的增加而线性增加[在厌氧区（98.9％）和好氧区（99％）中的COD去除]。在厌氧和好氧区，BOD去除的最大值分别为98.54％和98％，分别为独立因子（30000 mg / L和50％）的最高值（图  5c和d）。在厌氧和好氧过程中可以看到COD和BOD 5的类似模式。这表明MLL很容易降解（BOD 5/ COD 0.7）和厌氧过程成功地去除了较高量的有机物质。如上所述，x 2（GAC填充率百分比）的影响比厌氧区中负载的COD浓度更有效。这些结果表明，当系统在高速条件下操作时，厌氧过程的效率随着填充率的增加而增加。所有响应的显着效率可与高表面积与体积比和孔隙率相关。因此，GAC的大吸附容量可以提供高的基板去除效率和高的工艺稳定性23。Loukidou和Zouboulis报道，使用GAC移动床生物膜SBR工艺能够去除最可生物降解的有机碳，以及COD 2的主要部分。Timur 等人研究了厌氧SBR 。24年轻的垃圾渗滤液，他们报道的约64-85％，COD去除率24。为了处理纺织品染料，使用了厌氧-好氧SBR和500毫克/升COD负荷获得了显著COD去除率（高于85％）25。Aziz 等人。15提出粉末状活性炭（PAC）-SBR能够处理垃圾渗滤液，与单SBR 15相比，PAC-SBR在去除效率方面表现出优异的性能。在最佳条件下，通气速率为1 L / min，接触时间为5.5 h，PAC-SBR提供了约64.1％的COD去除率15。如图  5e和f所示，填充率百分比的增加导致厌氧和好氧过程的去除效率的增加。在COD~10.000 mg / L时，TKN的最大去除率分别为77.2％和78.9％，填充率约为35％。由于BOD / TKN比率较高（4.7至12），因此假设硝化细菌在SBR反应器中没有显着培养22。显然，氮可能作为通过同化途径26合成新细胞的营养物而被消耗。该结果表明，TKN去除效率也可以通过吸附到GAC表面和多孔区域来完成，并且还转移到硝化副产物及其累积。根据图  5e和f可以断言，TKN去除率下降主要是由于厌氧和好氧单位中硝化和异养细菌之间的负相互作用。当碳氮比（C / N）不合适时会发生这种负面影响，因此，少量氮氧化细菌（如亚硝酸盐氧化细菌）可以起作用，从而积累亚硝酸盐和其他硝化副产物21。在TKN去除效率初始下降后，观察到上升的去除率，这可能是由于硝化和反硝化细菌在较高的COD加载速率下适当的适应性。在Sirianuntapiboon 等报道的类似研究中。27他们证明了GAC-SBR系统中的TKN和铵降低了亚硝酸盐的积累27。通过较高的GAC填充率，TKN去除而不是COD和BOD去除效率逐渐增加，并且COD和BOD去除效率迅速提高。Sirianuntapiboon 等人报道了类似的结果。图27显示有机物质和染料可以快速去除，效率更高27。他们提出这一事实与生物污泥（生长关联机制）的增长有关28。

图5

COD，BOD和TKN去除的预测值与实际值的关系曲线; 厌氧（a，c和e）需氧（b，d和f）。

优化

表  7列出了将MLL污水排放到城市污水中的选择标准以及相应的自变量值。在这方面，MLL流出物的质量必须符合日益严格的排放标准。很明显，高速率IAnA-BioGACSBR的性能可用于将MLL流出物排放到城市污水管网。基于COD在500-600mg / L范围内的响应和BOD在200-300mg / L范围内的响应获得最佳区域。图  6显示了实现的最佳区域。

图6

污水排放到城市污水收集网络的污水优化。