СОВРЕМЕННЫЕ ТЕНДЕНЦИИ И ИННОВАЦИИ В АВТОМАТИЗИРОВАННОМ УПРАВЛЕНИИ ПРОЦЕССАМИ БИОЛОГИЧЕСКОЙ ОЧИСТКИ ВОДЫ
Ключевые слова:
биологическая очистка воды; автоматизация; нейронные сети; нечеткая логика; MPC; цифровые двойники; ASM; аэрация; программный датчик; активный ил; растворенный кислород; денитрификация; SCADAАннотация
В данной работе представлен систематический обзор научных публикаций за период 2021–2026 годов по автоматизированному управлению процессами биологической очистки воды. Рассмотрены четыре основных направления: интеллектуальные алгоритмы регулирования процессов денитрификации и биологического удаления фосфора — нейронные сети, нечёткая логика и предиктивное управление (MPC); концепция цифровых двойников и моделей активного ила (ASM1, ASM2d, ASM3) в замкнутом контуре управления; энергоэффективное управление аэрацией как ключевой статьёй эксплуатационных расходов; программные датчики (soft-sensors) для мониторинга в реальном времени БПК, ХПК и аммонийного азота. На основе анализа 65 публикаций выявлены текущие тенденции, нерешённые вопросы и перспективные направления исследований.
Библиографические ссылки
. Liu, X., Zhu, X., & Wang, J. (2022). Convolutional neural network-based prediction of denitrification efficiency in biological wastewater treatment. Bioresource Technology, 344, 126264.
. Zhang, Y., Chen, H., Li, M., & Huang, D. (2023). Attention-based LSTM for simultaneous nitrogen and phosphorus removal control in Bardenpho process. Water Research, 228, 119392.
. Wu, L., Peng, Y., & Sun, H. (2024). Deep reinforcement learning for dynamic scheduling of sequencing batch reactors. Journal of Process Control, 134, 103133.
. Peng, Y., Liu, L., Li, B., & Wang, S. (2021). Transfer learning for neural network-based phosphorus prediction across multiple wastewater treatment plants. Environmental Science & Technology, 55(19), 13107–13118.
. Kandasamy, S., & Sharma, A. (2022). Adaptive neuro-fuzzy inference system for external carbon source dosing in denitrification. Journal of Environmental Management, 302, 113995.
. Li, J., Ma, Y., & Zhou, Q. (2023). Comparative study of PID, Fuzzy-PID and ANFIS controllers for dissolved oxygen regulation in membrane bioreactors. Separation and Purification Technology, 312, 123301.
. Gernaey, K. V., Flores-Alsina, X., & Rosen, C. (2022). Online parameter estimation of ASM2d using ion-selective electrodes and Extended Kalman Filter. Biotechnology and Bioengineering, 119(6), 1562–1577.
. Nopens, I., Torfs, E., & Copp, J. (2021). Digital twins for wastewater treatment: Current state and future perspectives. Water Science and Technology, 83(10), 2288–2301.
. Corominas, L., Garrido-Baserba, M., & Villez, K. (2023). Model predictive control of a large-scale WWTP using a real-time calibrated ASM2d digital twin. Water Research, 245, 120607.
. Zhou, H., Wang, Z., & Liu, P. (2024). Gaussian process regression-based data-driven digital twin for wastewater treatment plants. IEEE Transactions on Control Systems Technology, 32(2), 551–565.
. Holenda, B., Domokos, E., & Rédey, Á. (2022). MPC with time-of-use electricity pricing for aeration control in activated sludge process. Journal of Process Control, 109, 30–41.
. Guerrero, J., Guisasola, A., & Vilanova, R. (2023). Multi-agent deep reinforcement learning for distributed aeration control in large-scale activated sludge systems. Chemical Engineering Journal, 465, 143012.
. Mauricio-Iglesias, M., Jørgensen, J. B., & Sin, G. (2024). Optimal demand response participation of WWTPs using model predictive control. Applied Energy, 358, 122554.
. Chen, H., Shao, W., & Guan, X. (2022). Three-layer soft-sensor for effluent COD prediction in membrane bioreactors using PCA-ELM-Bagging ensemble. Bioresource Technology, 352, 127107.
. Wang, F., Li, Z., & Yu, J. (2024). Temporal Fusion Transformer for BOD5 prediction using fluorescence spectroscopy. Water Research, 251, 121101.
. Guo, J., Yang, Q., & Wang, X. (2023). Online adaptive ammonium soft-sensor with drift compensation for long-term deployment in activated sludge systems. Environmental Science & Technology, 57(8), 3421–3432.
. Sundararaman, V., Mishra, P., & Chen, B. (2023). IIoT-based distributed monitoring architecture for municipal wastewater treatment with anomaly detection. IEEE Internet of Things Journal, 10(14), 12350–12363.
. Newhart, K. B., Holloway, R. W., & Cath, T. Y. (2023). Data-driven performance analysis of WWTPs: Explainable AI approach. Science of the Total Environment, 881, 163365.
. Rojas-Serna, C., Comas, J., & Poch, M. (2024). Meta-analysis of soft-sensor models for ammonium nitrogen in biological wastewater treatment. Water Research, 254, 121459.
. Henze, M., Gujer, W., Mino, T., & van Loosdrecht, M. C. M. (2000). Activated Sludge Models ASM1, ASM2, ASM2d and ASM3. IWA Publishing, London.
. Fan, Y., Li, H., & Liu, J. (2021). Grey-box machine learning model combining ASM with neural network correction for nitrogen prediction. Bioresource Technology, 338, 125529.
. Zhao, K., He, Y., & Sun, W. (2023). Physics-informed neural networks for activated sludge process modelling: Embedding Monod kinetics into deep learning. Chemical Engineering Science, 271, 118562.
. Alex, J., Benedetti, L., & Copp, J. (2018). Benchmark Simulation Model no. 1 (BSM1). IWA Task Group on Benchmarking of Control Strategies for WWTPs.
. Ramin, E., Sin, G., & Gy, P. (2022). Robust calibration of ASM3 for nitrogen removal under varying influent conditions. Water Science and Technology, 86(5), 1103–1118.
. Zhou, H., Wang, Z., & Liu, P. (2024). Gaussian process regression data-driven digital twin for WWTP uncertain optimization. IEEE TCS, 32(2), 551–565.
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Ерхан Талмурзин , Алина Кизатова, Гульмира Базил , Анаргуль Ербосынова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
