一种反硝化高效液体复合碳源配方的筛选方法及装置制造方法及图纸

本发明专利技术提供一种反硝化高效液体复合碳源配方的筛选方法及装置，将多种包含液体复合碳源配方的待选液体复合碳源配方样本空间划分为实验样本空间和待预测样本空间，对实验样本空间进行反硝化性能测试，利用反硝化性能预测模型对待预测样本空间进行反硝化性能预测，利用遗传算法基于反硝化性能测试结果和预测结果迭代，筛选出反硝化性能最优的待选液体复合碳源配方样本空间所对应的液体复合碳源配方。在本方案中，利用反硝化性能预测模型进行预测，利用遗传算法、反硝化性能的预测结果和测试结果进行高通量筛选，得到性能最优的液体复合碳源配方，实现了快速的从多样化的液体复合碳源配方中，高通量筛选出最优且普适性高的液体复合碳源配方的目的。体复合碳源配方的目的。体复合碳源配方的目的。

【技术实现步骤摘要】
一种反硝化高效液体复合碳源配方的筛选方法及装置


[0001]本专利技术涉及废水处理
，具体涉及一种反硝化高效液体复合碳源配方的筛选方法及装置。

技术介绍

[0002]反硝化作为污水处理过程中重要的脱氮技术，往往由于废水本身C/N比的不足而受到限制，为解决上述问题，近年来人们通过额外投加碳源的方式认为的提高C/N，进而实现更为优异的反硝化脱氮效果，提高污水处理能力。
[0003]目前，有机酸盐(甲酸钠、乙酸钠、丙酸钠、柠檬酸钠)、有机醇(甲醇、乙醇、甘油、正丁醇)以及糖类(蔗糖、葡萄糖、乳糖)作为外部碳源的投加具有一定的应用前景，根据液体复合碳源根据所涉及的单一碳源种类以及碳源比例的不同，可以得到大量的液体复合碳源配方结果，如何筛选具有兼具优异性能、低污泥产率及成本优势的碳源配方，对于污水处理经济高效运行至关重要。此外，碳源配比有效性与接种污泥微生物种类密切相关。基于以上考虑，制备出一种广谱性的液体复合碳源配方，意义重大。
[0004]现有技术中，多采用单一化学品作为液体碳源增强反硝化过程，而单一碳源性能及成本低于复合碳源。而传统的实验方法对所有可能的液体复合碳源的反硝化性能进行测试后，再筛选出最优的液体复合碳源配方，耗时过长且难以实现高通量的筛选，因此，如何快速地从多样化的液体复合碳源配方中，高通量筛选出最优的液体复合碳源配方，是目前急需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种反硝化高效液体复合碳源配方的筛选方法及装置，以实现快速地从多样化的液体复合碳源配方中筛选出最优的液体复合碳源配方的目的。
[0006]为实现上述目的，本专利技术实施例提供如下技术方案：
[0007]本专利技术实施例第一方面公开了一种反硝化高效液体复合碳源配方的筛选方法，包括：
[0008]基于液体复合碳源的选择空间和接种污泥的选择空间的组合，构建多种包含液体复合碳源配方的待选液体复合碳源配方样本空间，所述液体复合碳源的选择空间由多种单一液体碳源按照不同组合和比例确定，所述接种污泥的选择空间大于2种，每一种所述液体复合碳源配方对应一待选液体复合碳源配方样本空间；
[0009]从多种待选液体复合碳源配方样本空间中，随机抽取预设比例的待选液体复合碳源配方样本空间作为实验样本空间；
[0010]针对所述实验样本空间进行反硝化性能测试，得到每一所述实验样本空间对应的反硝化性能测试结果，所述反硝化性能测试结果包括：NO3‑
‑
N去除率及ΔOD
600
；
[0011]将其余未被抽取的待选液体复合碳源配方样本空间作为待预测样本空间，输入到
反硝化性能预测模型中进行反硝化性能预测，得到反硝化性能预测结果，所述反硝化性能预测模型预先基于回归算法和所述实验样本空间构建，所述反硝化性能预测结果包括：NO3‑
‑
N去除率及ΔOD
600
；
[0012]利用遗传算法，以及所述反硝化性能测试结果和反硝化性能预测结果进行迭代计算，得到在不同接种污泥的选择空间下反硝化性能最优、碳源得分最高的待选液体复合碳源配方样本空间所对应的液体复合碳源配方。
[0013]优选的，所述单一液体碳源包括：甲酸钠、乙酸钠、丙酸钠、柠檬酸钠、甲醇、乙醇、甘油、正丁醇、蔗糖、葡萄糖和乳糖中的一种。
[0014]优选的，所述液体复合碳源的选择空间包括种可能，所述待选液体复合碳源配方样本空间包括种可能；
[0015]其中，表示由11种单一液体碳源C中的两种单一液体碳源按照5种不同的组合比例组合而成的液体复合碳源的选择空间个数，表示由11种单一液体碳源C中的三种单一液体碳源按照10种不同的组合比例组合而成的液体复合碳源的选择空间个数，表示各个液体复合碳源的选择空间与3种接种污泥的选择空间组合，得到的待选液体复合碳源配方样本空间个数。
[0016]优选的，所述针对所述实验样本空间进行反硝化性能测试，得到每一所述实验样本空间对应的反硝化性能测试结果，包括：
[0017]针对每一实验样本空间，制备初始条件一致的初始溶液；
[0018]将所述初始溶液在氮气气氛下进行预设时长的除氧后，取预设体积的所述初始溶液置于96孔板中，并用石蜡油液封；
[0019]将所述96孔板在恒温箱中基于预设温度和预设培养时长进行培养，并在所述培养的过程中，使用酶标仪对所述初始溶液进行监测，得到并基于初始的OD
600
和最终的OD
600
计算得到ΔOD
600
；
[0020]检测并基于当前的初始溶液NO3
‑
‑
N浓度和未培养前的初始溶液NO3
‑
‑
N浓度，计算得到NO3‑
‑
N去除率。
[0021]优选的，所述初始溶液的初始条件，包括：化学需氧量浓度为300mg/L、NO3‑
‑
N浓度为50mg/L且污泥OD
600
＝0.04；
[0022]所述初始溶液在氮气气氛下进行除氧的预设时长，包括：15min至30min中的任一时长；
[0023]在将所述初始溶液在氮气气氛下进行预设时长的除氧后，所选取的置于96孔板中的初始溶液的体积包括：200μL；
[0024]在将所述初始溶液置于所述96孔板中之后，用于液封所述96孔板的石蜡油的体积包括：80μL；
[0025]所述96孔板在恒温箱中进行培养的预设温度包括：30℃；
[0026]所述96孔板在恒温箱中进行培养的预设培养时长包括：48h。
[0027]优选的，所述反硝化性能预测模型的构建过程，包括：
[0028]将实验样本空间按照预设比例划分为训练集和测试集；
[0029]利用拓扑结构描述符和官能团描述符对所述训练集和所述测试集进行编码；
[0030]构建待训练的反硝化性能预测模型；
[0031]将编码后的训练集输入到所述反硝化性能预测模型，利用回归算法进行训练，得到训练后的反硝化性能预测模型；所述回归算法包括：决策树算法、线性回归算法、支持向量回归算法、K近邻算法、随机森林算法、自适应提升算法、梯度提升算法、装袋回归算法、极限树算法和多层感知机算法；
[0032]将编码后的测试集输入到训练后的反硝化性能预测模型，基于输出的反硝化性能预测结果，判断训练后的反硝化性能预测模型的精度是否符合要求；
[0033]若是，确定得到精度符合要求的反硝化性能预测模型；
[0034]若否，继续将所述训练集输入到所述反硝化性能预测模型进行训练，直到确定训练后的反硝化性能预测模型的精度符合要求。
[0035]优选的，所述将所述测试集输入到训练后的反硝化性能预测模型，基于输出的反硝化性能的预测结果，判断训练后的反硝化性能预测模型的精度是否符合要求，包括：
[0036]将所述测试集输入到训练后的反硝化性能预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种反硝化高效液体复合碳源配方的筛选方法，其特征在于，包括：基于液体复合碳源的选择空间和接种污泥的选择空间的组合，构建多种包含液体复合碳源配方的待选液体复合碳源配方样本空间，所述液体复合碳源的选择空间由多种单一液体碳源按照不同组合和比例确定，所述接种污泥的选择空间大于2种，每一种所述液体复合碳源配方对应一待选液体复合碳源配方样本空间；从多种待选液体复合碳源配方样本空间中，随机抽取预设比例的待选液体复合碳源配方样本空间作为实验样本空间；针对所述实验样本空间进行反硝化性能测试，得到每一所述实验样本空间对应的反硝化性能测试结果，所述反硝化性能测试结果包括：NO3‑
‑
N去除率及ΔOD
600
；将其余未被抽取的待选液体复合碳源配方样本空间作为待预测样本空间，输入到反硝化性能预测模型中进行反硝化性能预测，得到反硝化性能预测结果，所述反硝化性能预测模型预先基于回归算法和所述实验样本空间构建，所述反硝化性能预测结果包括：NO3‑
‑
N去除率及ΔOD
600
；利用遗传算法，以及所述反硝化性能测试结果和反硝化性能预测结果进行迭代计算，得到在不同接种污泥的选择空间下反硝化性能最优、碳源得分最高的待选液体复合碳源配方样本空间所对应的液体复合碳源配方。2.根据权利要求1所述的方法，其特征在于，所述单一液体碳源包括：甲酸钠、乙酸钠、丙酸钠、柠檬酸钠、甲醇、乙醇、甘油、正丁醇、蔗糖、葡萄糖和乳糖中的一种。3.根据权利要求1或2所述的方法，其特征在于，所述液体复合碳源的选择空间包括种可能，所述待选液体复合碳源配方样本空间包括种可能；其中，表示由11种单一液体碳源C中的两种单一液体碳源按照5种不同的组合比例组合而成的液体复合碳源的选择空间个数，表示由11种单一液体碳源C中的三种单一液体碳源按照10种不同的组合比例组合而成的液体复合碳源的选择空间个数，表示各个液体复合碳源的选择空间与3种接种污泥的选择空间组合，得到的待选液体复合碳源配方样本空间个数。4.根据权利要求1所述的方法，其特征在于，所述针对所述实验样本空间进行反硝化性能测试，得到每一所述实验样本空间对应的反硝化性能测试结果，包括：针对每一实验样本空间，制备初始条件一致的初始溶液；将所述初始溶液在氮气气氛下进行预设时长的除氧后，取预设体积的所述初始溶液置于96孔板中，并用石蜡油液封；将所述96孔板在恒温箱中基于预设温度和预设培养时长进行培养，并在所述培养的过程中，使用酶标仪对所述初始溶液进行监测，得到并基于初始的OD
600
和最终的OD
600
计算得到ΔOD
600
；检测并基于当前的初始溶液NO3
‑
‑
N浓度和未培养前的初始溶液NO3
‑
‑
N浓度，计算得到NO3‑
‑
N去除率。5.根据权利要求4所述的方法，其特征在于，所述初始溶液的初始条件，包括：化学需氧
量浓度为300mg/L、NO3‑
‑
N浓度为50mg/L且污泥OD
600
＝0.04；所述初始溶液在氮气气氛下进行除氧的预设时长，包括：15min至30min中的任一时长；在将所述初始溶液在氮气气氛下进行预设时长的除氧后，所选取的置于96孔板中的初始溶液的体积包括：200μL；在将所述初始溶液置于所述96孔板中之后，用于液封所述96孔板的石蜡油的体积包括：80μL；所述96孔板在恒温箱中进行培养的预设温度包括：30℃；所述96孔板在恒温箱中进行培养的预设培养时长包括：48h。6.根据权利要求1所述的方法，其特征在于，所述反硝化性能预测模型的构建过程，包括：将实验样本空间按照预设比例划分为训练集和测试集；利用拓扑结构描述符和官能团描述符对所述训练集和所述测试集进行编码；构建待训练的反硝化性能预测模型；将编码后的训练集输入到所述反硝化性能预测模型，利用回归算法进行训练，得到训练后的反硝化性能预测模型；所述回归算法包括：决策树算法、线性回归算法、支持向量回归算法、K近邻算法、随机森林算法、自适应提升算法、梯度提升算法、装袋回归算法、极限树算法和多层感知机算法；将编码后的测试集输入到训练后的反硝化性能预测模型，基于输出的反硝化性能预测结果，判断训练后的反硝化性能预测模型的精度是否符合要求；若是，确定得到精度符合要求的反硝化性能预测模型；若否，...

【专利技术属性】
技术研发人员：俞汉青，潘元，花添伟，孙盟，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：