人工智能辅助紫外光芬顿处理废水工艺的优化OA

【目的】人工智能(AI)因其强大的数据处理能力,在污水处理过程控制和参数优化已有研究,在反应结果预测、参数模型构建、成本优化方面具有明显优势。将AI应用于紫外光芬顿(UV-Fenton)氧化体系以提升反应参数预测准确度和时效性,考察FeSO_(4)·7H_(2)O投加量、30%(质量分数)H_(2)O_(2)投加量、催化剂投加量、反应时间、pH和底物质量浓度6个因素对总有机碳(TOC)去除率和TOC含量/H_(2)O_(2)投加量的影响,确定最佳反应条件,减少氧化剂投加量的同时提高其利用率,使得反应保持较高的污染物去除率。【方法】对比人工神经网络(ANN)和响应面法(RSM)对不同工艺条件的TOC去除率和TOC含量/H_(2)O_(2)投加量的关系拟合结果,训练集中ANN的R^(2)(分别为0.9886和0.9527)高于RSM的R^(2)(分别为0.9130、0.8253),在6组测试集上ANN的均方误差(MSE)分别为27.11、149.22远小于RSM的124.45、450.44。【结果】在ANN训练好的TOC去除率模型中通过枚举法寻找最佳反应条件:FeSO_(4)·7H_(2)O投加量为20.94 mg/L,30%(质量分数)H_(2)O_(2)投加量为1.52 mL/L,催化剂投加量为0.16 g/L,反应时间为22.36 min,初始pH值为4.53,间甲酚底物质量浓度为83.75 mg/L,UV-Fenton反应TOC去除率为84.81%,与预测TOC去除率89.95%相近,TOC去除率最大的同时H_(2)O_(2)没有剩余,说明预测模型准确性较高与效率较高。【结论】因此,利用AI可以快速、高效地确定及优化反应参数,提高污染物去除率,降低药剂投加量,降低运行成本。