دوره 14، شماره 3: 1397 (شماره در حال تکمیل):347-355

تعیین مؤثرترین شاخص‌های راهبری لجن فعال و بررسی عملکرد فرایند در شرایط بارگذاری نامتعارف با استفاده از حل عددی ترکیبی مدل Benchmark Simulation Model No.1

حامد حسنلو, علی ترابیان, ناصر مهردادی, امیررضا کوثری, بهنوش امین‌زاده

DOI: 10.22122/jhsr.v14i3.3402

چکیده


مقدمه: هدف از کنترل تصفیه‌خانه‌های فاضلاب شهری، اتخاذ الگوریتمی است که در آن فرایند در شرایط عملیاتی مطلوبی کار کند و بدین منظور، به مدل ریاضی فرایند نیاز است. در مطالعه حاضر، پس از بیان مراحل ایجاد مدل Benchmark Simulation Model No.1 (1BSM) به صورت گام به گام، روش‌های عددی مناسب برای حل مدل شبیه‌سازی ارایه و مؤثرترین شاخص فرایند جهت ارایه راهبردهای کنترلی مشخص شد و در نهایت، رفتار فرایند در برابر شرایط آب و هوایی متفاوت مورد بررسی قرار گرفت.

روش‌ها: مقادیر اولیه درون رآکتورها و لایه‌های زلال‌ساز با حل معادلات حالت هر یک از رآکتورها محاسبه گردید. با استفاده از روش حل عددی ترکیبی Euler و
Runge Kutta، مدل شبیه‌ساز 1BSM در نرم‌افزار MATLAB ایجاد شد و با اعمال شرایط آب و هوایی مختلف، رفتار فرایندی تصفیه‌خانه مورد بررسی قرار گرفت.

یافته‌ها: به کارگیری بیش از یک نوع روش حل عددی برای حل مدل شبیه‌سازی، به طور چشمگیری از حجم محاسبات اضافی و زمان می‌کاهد که این امر در کنترل‌کننده‌های پیش‌بین بسیار حایز اهمیت است. با اعمال راهبردهای کنترلی مختلف، به طور قطع نمی‌توان کیفیت تمام شاخص‌های فرایند را به یک میزان بهبود بخشید.

نتیجه‌گیری: شاخص‌های نیتروژن‌دار فرایند و به خصوص غلظت نیتروژن آمونیاکی، مؤثرترین شاخص راهبری فرایند لجن فعال محسوب می‌شود. این فرایند در برابر شرایط نامتعارف، حدود تخلیه استاندارد 5-day Biological Oxygen Demand (BOD5)، Chemical Oxygen Demand (COD) و Total suspended solids (TSS) را با اختلاف معنی‌دار از حد تعیین شده رعایت می‌کند و تنها در شاخص نیتروژن تخطی وجود داشت. از مدل مفروض که برای نخستین بار در کشور ایجاد شده است، می‌توان برای مقاصد مختلف در زمینه‌های شناخت و راهبری فرایند بهره برد.


واژگان کلیدی


مدل شبیه‌ساز؛ فاضلاب؛ اغتشاش؛ راهبری؛ فرایند تصفیه

تمام متن:

PDF

مراجع


Pons MN, Spanjers H, Jeppsson U. Towards a benchmark for evaluating control strategies in wastewater treatment plants by simulation. Comput Chem Eng 1999; 23: S403-S406.

Alex J, Benedetti L, Copp J, Gernaey KV, Jeppsson U, Nopens I, et al. Benchmark Simulation Model no. 1 (BSM1) [Online]. [cited 2008]; Available from: URL: https://www.iea.lth.se/publications/Reports/LTH-IEA-7229.pdf

Henze M, Grady Jr L, Gujer W, Marais VR, Matsuo T. Activated sludge model No 1. 29 ed. London, UK: International Association on Water Pollution Research and Control (IAWPRC); 1987.

Takacs I, Patry GG, Nolasco D. A dynamic model of the clarification-thickening process. Water Res 1991; 25(10): 1263-71.

Copp JB. The COST Simulation benchmark: Description and simulator manual (a product of COST Action 624 & COST Action 682). Brussels, Belgium: European Cooperation in Science and Technology; 2002.

Urena F, Alfaro VM, Arrieta O, Vilanova R. MATLAB based graphical interface simulator for wastewater treatment plant control by using the benchmark BSM1. Proceedings of the IEEE Global Engineering Education Conference (EDUCON); 2011 Apr. 4-6; Amman, Jordan.

An A, Hao X. Study on Modeling and Simulation of BSM1 with Matlab. In: Qian Z, Cao L, Su W, Wang T, Yang H, Editors. Recent Advances in Computer Science and Information Engineering. Berline, Germany: Springer Science & Business Media; 2012. p. 861-6.

Gernaey KV, Jeppsson U, Vanrolleghem PA, Copp JB. Benchmarking of control strategies for wastewater treatment plants. London, UK: IWA Publishing; 2014.

International Water Association. IWA task group on benchmarking of control strategies for WWTPs [Online]. [cited 2002]; Available from: URL: http://apps.ensic.inpl-nancy.fr/benchmarkWWTP

MathWorks. MATLAB for deep learning [Online]. [cited 2018]; Available from: URL: https://www.mathworks.com

Rieger L, Alex J, Gujer W, Siegrist H. Modelling of aeration systems at wastewater treatment plants. Water Sci Technol 2006; 53(4-5): 439-47.

Santin I, Pedret C, Vilanova R, Meneses M. Removing violations of the effluent pollution in a wastewater treatment process. Chem Eng J 2015; 279: 207-19.

Vanrolleghem PA, Jeppsson V, Carstensen J, CarIssont B, OIsson G. Integration of wastewater treatment plant design and operation-a systematic using cost functions. War Sci Tech 1996; 34(3-4): 159-71.

Santin I, Barbu M, Pedret C, Vilanova R. Fuzzy logic for plant-wide control of biological wastewater treatment process including greenhouse gas emissions. ISA Trans 2018; 77: 146-66.

Qiao JF, Hou Y, Zhang L, Han HG. Adaptive fuzzy neural network control of wastewater treatment process with multiobjective operation. Neurocomputing 2018; 275: 383-93.




DOI: http://dx.doi.org/10.22122/jhsr.v14i3.3402

Creative Commons Attribution-NonCommercial 4.0

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 Unported License which allows users to read, copy, distribute and make derivative works for non-commercial purposes from the material, as long as the author of the original work is cited properly.