بررسی سناریوهای مختلف کالیبراسیون در مدل بازتوسعه داده‌شده BSM1 برای مدل‌سازی سیستم تصفیه فاضلاب نهراکسیداسیون کاروسل (مطالعه موردی: تصفیه‌خانه فاضلاب جنوب تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده مهندسی عمران، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.

2 دانشجوی دکتری مهندسی عمران- مهندسی محیط‌زیست، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.

3 دانشجوی کارشناسی ارشد مهندسی عمران- مهندسی محیط‌زیست، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.

چکیده

به‎دلیل تغییرات پیوسته مشخصات کمی و کیفی فاضلاب ورودی به تصفیه‌خانه فاضلاب، ارزیابی عملکرد تصفیه‌خانه و اتخاذ استراتژی‌های مناسب و به‎هنگام ضروری است. اولین گام برای ارزیابی و بهبود عملکرد تصفیه‌خانه‌ها، مدل‌سازی تصفیه‌خانه‌ است. در سال‌های اخیر استفاده از نرم‌افزارهای شبیه‌سازی و مدل‌های ریاضی برای مدل‌سازی تصفیه‌خانه‌ فاضلاب توسعه یافته است. کالیبراسیون مهم‎ترین قدم در مدل‌سازی به‎شمار می‌رود، زیرا که کالیبراسیون نامناسب نتایج را غیرواقعی و یا همراه با خطای زیاد نشان می‌دهد. هدف از این مطالعه کاربردی، بازتوسعه مدلBSM1 1 و ارائه سناریوهای مختلف کالیبراسیون به‎منظور مدل‌سازی سیستم نهراکسیداسیون کاروسل در مقیاس واقعی است تا بتوان از مدلی با دقت بالا برای اهداف بعدی هم‎چون اعمال استراتژی‌های کنترل و بهبود عملکرد تصفیه‌خانه تحت شرایط بهره‌برداری مختلف استفاده کرد. مدل توسعه‌داده‌شده بر روی مدول 5 و 6 تصفیه‌خانه فاضلاب جنوب تهران پیاده‌سازی شد. پس از تعیین مدل‌های فرایندی مناسب برای واحدهای مختلف تصفیه‌خانه فاضلاب، کالیبراسیون مدل براساس پروتکلGMP 2 و تحت دو سناریوی 1) کالیبره کردن پارامترها به‎صورت یک‎باره و 2) کالیبره کردن پارامترها به‎صورت گام‌به‌گام انجام شد. در هریک از سناریوهای ذکر شده، دو تابع هدف درنظر گرفته شده است تا اثر متغیرهای اصلی شامل COD ، TSS و TN و متغیرهای فرعی شامل X (MLSS3 تانک هوادهی) و Xr (MLSS لجن برگشتی) درنظر گرفته شود. در فرایند کالیبراسیون از الگوریتم ژنتیک برای بهینه‌سازی توابع هدف استفاده شده است. نتایج نشان‎داد که در کالیبراسیون استاتیک، میزان خطای متوسط همه متغیرها و نیز متغیرهای درنظر گرفته‌شده در تابع هدف در سناریو 2 نسبت به سناریوی 1 به‎میزان قابل‎توجهی کاهش می‌یابد که مقدار آن‌ها در سناریوی 2 برای تابع هدف 1 و 2 به‎ترتیب 8/7%، 8/7%، 2/8% و 3/4% است. هم‎چنین با درنظر گرفتن تعداد متغیر بیشتر در تابع هدف، خطای تجمعی همه متغیرها کاهش می‌یابد. در کالیبراسیون دینامیک میزان خطای متوسط مدل در تخمین میزان TSS، COD و TN به‎ترتیب 8/29%، 8/19% و 3/10% به‎دست آمد.

کلیدواژه‌ها


 
اسدی آسیابدری، ف.، نصرتی، م.، و احمدی، م.، (1394)، "مدل‎سازی سیستم‌های تصفیه فاضلاب: مطالعه موردی مدل‌سازی تصفیه‌خانه پساب پالایشگاه تهران با نرم‎افزار Biowin"، اولین کنفرانس ملی توسعه پایدار در سیستمهای مهندسی انرژی، آب و محیط‌زیست، تهران.
دلنواز، م.، (1396)، "استفاده از مدل‌های ریاضی تعیین ضرایب سینتیکی رشد میکروارگانیسم‌ها برای ارزیابی کارایی تصفیه‌خانه‌های فاضلاب"، مجله مهندسی بهداشت محیط، 4(3)، 257-268.
رجایی، م.، (1399)،  "ارتقاء عملکرد تصفیه‌خانه فاضلاب با هدف کاهش هزینه‌های بهره‌برداری و افزایش قابلیت اطمینان سیستم"، پایان‌نامه کارشناسی ارشد، دانشگاه تهران.
رجایی، م.، و نظیف، س.، (1396)، "بهبود تاب‌آوری تصفیه‌خانه فاضلاب با استفاده از سیستم کنترل هوادهی"، سومین کنگره علوم و مهندسی آب و فاضلاب ایران، دانشگاه شیراز، شیراز، ایران.
رسولی، ر.، علافی اسکویی، ر.، غفارزاده، الف.، و سعادت‌پور، م.، (1401)، "بهینه‎سازی فرآیند هوادهی در تصفیه فاضلاب"، هجدهمین کنفرانس ملی پژوهش‌های نوین در علوم و مهندسی شیمی، بابل، ایران.
رحیمی، ا.، و شکوهیان، م.، (1401)، "بهینه‌سازی چند هدفه فرآیند تصفیه فاضلاب توسط الگوریتم فرا ابتکاری GA-NIMBUS  برپایه مطالعات آزمایشگاهی و مد‌‌‌‌ل‌سازی عددی )مطالعه موردی پایلوت A2O)"، چهارمین کنفرانس ملی مهندسی و مدیریت محیط‌زیست، مازندران. 
رهنمافر، ف.، و شکوهیان، م.، (1400)، "بهینه‌سازی عملکرد سیستم تصفیه فاضلاب به‎روش وتلند توسط مد‌‌‌ل‌سازی عددی )مطالعه موردی سه تصفیه‌خانه فاضلاب وتلند خراسان رضوی) ، بخش دوم: ارزیابی شبیه‌سازی، فاکتورهای اثرگذار و پیشنهادات اجرایی"، چهارمین همایش ملی فناوریهای نوین در مهندسی معماری، عمران و شهرسازی ایران، تهران، ایران. 
کلیوند، ز.، و قاضی مرادی، ش.، (1399)، "بررسی عملکرد ارتقای فرآیندی تصفیه‌خانه فاضلاب شهر بندرعباس"، کنفرانس ملی مهندسی شیمی و نانوفناوری، خوزستان.
Arnell, M., (2016), "Performance assessment of wastewater treatment plants, Multi-objective analysis using plant-wide models", Ph.D. Thesis, Lund University, Sweden.
Batstone, D.J., Keller, J., Angelidaki, I., Kalyuzhnyi, S.V., Pavlostathis, S.G., Rozzi, A., Sanders, W.T., Siegrist, H., and Vavilin, V.A., (2002), "The IWA Anaerobic Digestion Model No. 1 (ADM1)", Water Science and Technology : A Journal of the International Association on Water Pollution Research, 45(10), 65-73, https://doi.org/10.2166/wst.2002.0292.
Cao, J., Yang, E., Xu, C., Zhang, T., Xu, R., Fu, B., Feng, Q., Fang, F., and Luo, J., (2021), "Model-based strategy for nitrogen removal enhancement in full-scale wastewater treatment plants by GPS-X integrated with response surface methodology", Science of the Total Environment, 769, 144851, https://doi.org/10.1016/j.scitotenv.2020.144851.  
Chen, W., Dai, H., Han, T., Wang, X., Lu, X., and Yao, C., (2020), "Mathematical modeling and modification of a cycle operating activated sludge process via the multi-objective optimization method", Journal of Environmental Chemical Engineering, 8(6), 104470, https://doi.org/10.1016/j.jece.2020.104470.
Elawwad, A., Matta, M., Abo-Zaid, M., and Abdel-Halim, H., (2019), "Plant-wide modeling and optimization of a large-scale WWTP using BioWin’s ASDM model", Journal of Water Process Engineering, 31, 100819, https://doi.org/10.1016/j.jwpe.2019.100819.       
Gernaey, K.V., Van Loosdrecht, M.C.M., Henze, M., Lind, M., and Jørgensen, S.B., (2004), "Activated sludge wastewater treatment plant modelling and simulation: State of the art" Environmental Modelling and Software, 19(9), 763-783, https://doi.org/10.1016/j.envsoft.2003.03.005.
Henze, M., van Loosdrecht, M.C.M., Ekama, G.A., and Brdjanovic, D., (2019), "Biological wastewater treatment: Principles, modeling and design", Biological Wastewater Treatment: Principles, Modeling and Design, IWA Publishing, UK, https://doi.org/10.2166/9781780408613.
Hulsbeek, J.J., Kruit, J., Roeleveld, P., and van Loosdrecht, M.C.M., (2002), "A practical protocol for dynamic modelling of activated sludge systems", Water Science and Technology, 45(6), 127-136.
Hvala, N., Vrečko, D., Bordon, C., (2018), "Plant-wide modelling for assessment and optimization of upgraded full-scale wastewater treatment plant performance", Water Practice and Technology, 13(3), 566-582, https://doi.org/10.2166/wpt.2018.070.
Kim, S., Lee, H., Kim, J., Kim, C., Ko, J., Woo, H., and Kim, S., (2002), "Genetic algorithms for the application of Activated Sludge Model No. 1", Water Science and Technology, 45(4-5), 405-411, https://doi.org/10.2166/wst.2002.0636.
Lindblom, E., Jeppsson, U., and Sin, G., (2020), "Identification of behavioural model input data sets for WWTP uncertainty analysis", Water Science and Technology, 81(8), 1558-1568, https://doi.org/10.2166/wst.2019.427.
Noophan, P., Rodpho, R., Sonmee, P., Hahn, M., and Sirivitayaphakorn, S., (2018), "Nutrient removal performance on domestic wastewater treatment flants (full scale system) between tropical humid and cold climates", Applied Environmental Research, 40(2), 32-–39, https://doi.org/10.35762/aer.2018.40.2.3.
Otterpohl, R., and Freund, M., (1992), "Dynamic models for clarifiers of activated sludge plants with dry and wet weather flows", Water Science and Technology, 26(5-6), 1391-1400, https://doi.org/10.2166/wst.1992.0582.
Petersen, B., Gernaey, K., Henze, M., and Vanrolleghem, P.A., (2002), "Evaluation of an ASM1 model calibration procedure on a municipal-industrial wastewater treatment plant", Journal of Hydroinformatics, 4(1), 15-38, https://doi.org/10.2166/hydro.2002.0003.
Qasim, S.R., (1999), Wastewater treatment plants: Planning, design, and operation, Second Edition, Routledge, United States, https://doi.org/10.1201/9780203734209.
Rieger, L., Gillot, S., Langergraber, G., Ohtsuki, T., Shaw, A., Takacs, I., and Winkler, S., (2012), Guidelines for using Activated Sludge Models EWA Task Group on Good Modelling Practice, (Vol. 9781843391), IWA Publishing, UK.   
Sadri Moghaddam, S., and Pirali, M., (2021), "Modeling and calibration of a full-scale wastewater treatment plant using GPS-X model (A case study of Tehran)", Numerical Methods in Civil Engineering, 5(4), 67-76, https://doi.org/10.52547/nmce.5.4.67.
Shahed Behrouz, M., Zhu, Z., Matott, L S., and Rabideau, A.J., (2020), "A new tool for automatic calibration of the Storm Water Management Model (SWMM)", Journal of Hydrology, 581(2), 124436, https://doi.org/10.1016/j.jhydrol.2019.124436.
Takacs, I., Patry, G.G., and Nolasco, D., (1991), "A dynamic model of the clarification, Thickening process", Water Research, 25(10), 1263-1271.
Tejaswini, E.S.S., Panjwani, S., Gara, U.B.B., and Ambati, S.R., (2021), "Multi-objective optimization based controller design for improved wastewater treatment plant operation", Environmental Technology and Innovation, 23, 101591, https://doi.org/10.1016/j.eti.2021.101591. 
Tomita, R.K., and Park, S.W., (2009), "Evolutionary multi-objective optimization of an activated sludge process", Computer Aided Chemical Engineering, 27(C), 747-752, https://doi.org/10.1016/S1570-7946(09)70345-1.
Zeferino, J.A., Antunes, A.P., and Cunha, M.C., (2009), "An efficient simulated annealing algorithm for regional wastewater system planning", Computer-Aided Civil and Infrastructure Engineering, 24(5), 359-370, https://doi.org/10.1111/j.1467-8667.2009.00594.x.