Model-based identification of the dominant N?O emission pathway in a full-scale activated sludge system  

基于模型的全規?；钚晕勰嘞到y中主導N?O排放路徑識別  

來源：Journal of Cleaner Production 336 (2022) 130347

《清潔生產雜志》，第336卷，2022年，文章編號130347  

 

摘要內容  

論文摘要提出了一種基于擴展活性污泥模型（ASM2d-N?O）的方法，用于識別污水處理廠（WWTP）中N?O排放的主要路徑。研究通過校準和驗證模型，在芬蘭Viikinm?ki污水處理廠進行應用，發現異養反硝化（DHET）是N?O主要產生途徑，但同時是重要的消耗途徑；好氧區貢獻93%的N?O總排放量。排放因子（EF）為0.94%（進水總氮負荷），顯著低于IPCC默認值（1.6%），模型應用可減少年碳排放952噸CO?當量。  

 

研究目的  

將波蘭S?upsk廠驗證的ASM2d-N?O模型推廣至芬蘭Viikinm?ki廠，評估其通用性。  

 

識別主導N?O排放路徑及貢獻率。  

 

提出新型校準協議以減少參數調整數量。  

 

量化N?O排放因子，優化碳足跡（CF）評估。  

 

研究思路  

模型構建：基于GPS-X平臺建立水力、生物動力學及N?O排放子模型，包括：  

 

進水組分表征

 

非理想流反應器分區（圖1a）  

 

ASM2d擴展N?O模塊（圖2a）  

 

校準與驗證：  

 

初步校準（10參數）→ 靈敏度分析（圖4）→ 相關性矩陣（表2）→ 最終校準（4個關鍵參數：ηN2O,H、ηNO2,H、μAOB、μNOB）  

 

 

驗證集評估（NSE、RMSE、Janus系數，表3）  

 

模型比較：對比ASM2d-N?O與Blomberg等（2018）的ASM3-N?O模型性能（圖8）。  

 

路徑分析：量化各生物反應區N?O產消速率（圖9）。  

 

測量數據及研究意義  

常規水質參數（NH??-N、NO??-N、堿度）：  

 

來源：在線分析儀（圖6a-d）  

 

意義：校準模型基礎，反映脫氮效率。  

溶解N?O濃度：  

 

來源：Unisense電極（圖7a-b,d-e）  

 

意義：直接監測生物反應器內N?O動態，驗證模型預測準確性。  

氣體N?O排放：  

 

來源：FTIR分析儀（圖7c,f）  

 

意義：量化實際排放量，計算排放因子。  

微生物群落數據：  

 

來源：生物量測定  

 

意義：解釋異養菌（DHET）主導N?O產消的原因（高生物量占比）。  

運行參數（DO、溫度、SRT）：  

 

來源：自動化監控系統  

 

意義：關聯操作條件與N?O排放關系。  

 

Unisense電極數據的研究意義  

高分辨率監測：Unisense電極實時測量好氧區（Z4、Z6）溶解N?O濃度（圖7a-b,d-e），捕捉瞬態波動（如周末負荷變化導致的濃度峰值），為模型提供高精度驗證數據。  

 

路徑機制解析：結合模型預測（圖9），電極數據揭示N?O在好氧區主要由DHET（78%）和羥胺氧化（20%）產生，而缺氧區DHET是凈消耗者，明確了區域貢獻差異。  

 

排放模型優化：溶解N?O濃度是氣體排放預測的直接輸入，電極數據驗證了基于OTR的KLa計算方法比傳統經驗公式更準確（圖8e vs 圖8f），提升排放因子可靠性。  

 

結論  

主導路徑：DHET是主要N?O產生途徑（好氧區占78%），但同時也是重要消耗者；AOB反硝化路徑貢獻可忽略（<3%）。  

 

區域貢獻：好氧區貢獻93%的N?O排放，缺氧區僅7%（圖9d）。  

 

排放因子：模型EF（0.94%進水總氮負荷）顯著低于IPCC默認值（1.6%），應用模型可減少年碳排放952噸CO?當量。  

 

模型價值：嚴格的校準協議（靈敏度分析+參數降維）提升預測精度，證實機理模型在碳足跡評估中的優越性。