Resumen

El abultamiento de lodos es el problema más común de sedimentación de sólidos en las plantas de tratamiento de aguas residuales, que está causado por el crecimiento excesivo de bacterias filamentosas que se extienden fuera de los flóculos, lo que provoca la disminución de la eficacia del tratamiento de aguas residuales y el deterioro de la calidad del agua en el efluente. Los estudios previos que utilizan técnicas moleculares han sido ampliamente utilizados desde los aspectos microbiológicos, mientras que los mecanismos aún no se han comprendido completamente para formar la relación determinista causa-efecto. En este estudio, se aplican técnicas de identificación de sistemas basadas en el análisis de las entradas y salidas del sistema de lodos activados para la modelización basada en datos. La regresión de componentes principales (PCR) y la red neuronal artificial (ANN) se identificaron utilizando los datos de la planta de tratamiento de aguas residuales de Chongqing (CQWWTP), incluyendo temperatura, pH, demanda bioquímica de oxígeno (DBO), demanda química de oxígeno (DQO), sólidos en suspensión (SSs), amoníaco (NH4 ), nitrógeno total (TN), fósforo total (TP), y sólidos en suspensión de licor mixto (MLSSs). Posteriormente, los modelos se utilizaron para predecir el índice de volumen de lodos (IVL), indicador de la aparición de bulking. También se presenta una comparación de los resultados obtenidos por ambos modelos. Los resultados mostraron que la RNA tiene mejor poder de predicción (R2=0,9) que la RCP (R2=0,7) y, por tanto, proporciona una guía útil para el control práctico del bulking de lodos.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:planta de tratamiento de aguas residuales de chongqing, control práctico del abultamiento de lodos, regresión de componentes principales, red neuronal artificial, mejor poder de predicción, demanda bioquímica de oxígeno, demanda química de oxígeno, índice de volumen de lodos, técnicas de identificación de sistemas, eficacia del tratamiento de aguas residuales
• Keywords:chongqing wastewater treatment plant, practical sludge bulking control, principle component regression, artificial neural network, better prediction power, biochemical oxygen demand, chemical oxygen demand, sludge volume index, system identification techniques, wastewater treatment efficiency