JCR:曝气生物滤池处理焦化废水过程中N2O和NO的产生机理与群落功能研究

image

曝气生物滤池处理焦化废水的N2O和NO排放:主要来源和微生物群落

N2O and NO emission from a biological aerated filter treating coking wastewater: Main source and microbial community

Journal of Cleaner Production

[Impact Factor: 6.395 | CiteScore: 7.32]

2018-12-20,Article

原文链接: https://doi.org/10.1016/j.jclepro.2018.12.182

第一作者:Maosheng Zheng(郑茂盛)1

通讯作者:Xiangke Wang1

合作作者:Nan Zhou, Shufeng Liu, Chenyuan Dang, Yong-Xin Liu, Shishi He, Yijun Zhao, Wen Liu

主要单位:

  1. 中国北京,华北电力大学环境科学与工程学院,教育部资源与环境系统优化重点实验室 (College of Environmental Science and Engineering, North China Electric Power University, The Key Laboratory of Resources and Environmental Systems Optimization, Ministry of Education, Beijing 102206, China)

曝气生物滤池处理焦化废水过程中N2O和NO的产生机理与群落功能研究

亮点 Highlights

  • 在曝气生物滤池(BAF)中,对焦化废水实现有效脱氮;
  • BAF中的N2O和NO排放因子分别达到23.58%和0.09%;
  • 硝化器反硝化作用占总N2O产生量的97.17%;
  • 难溶有机物减少了氮的去除并促进了N2O的排放;
  • 发现NO和N2O还原酶之间存在很大的失衡。

1.摘要:

污水处理过程中释放的氧化亚氮(N2O)和一氧化氮(NO)气体因具有严重的温室效应和大气污染作用而受到了广泛关注,但目前对含有高氨氮及难降解有机物的工业废水处理过程中温室气体排放的研究还较少。本研究针对焦化废水,一类典型的难降解工业废水,开展研究。探究了曝气生物滤池(BAF)工艺对焦化废水中有机物和氮素的去除效果,以及在处理过程中N2O和NO等气体的排放因子及产生机理。研究结果表明,BAF对焦化废水中化学氧量(COD)及氨氮的平均去除率可分别达到73.3%和92.83%,但是N2O和NO的排放因子也高达23.58%和0.03%,显著高于一般生活污水处理过程的排放量。批次实验表明硝化过程是N2O和NO气体的主要来源,分别占据排放总量的97.17%和93.89%。分别从BAF反应器的上中下三个部位采集微生物样品进行16S rRNA基因高通量测序分析其群落结构,结果显示氨氧化细菌(AOB)和反硝化细菌遍布整个反应器,但仅有少量的亚硝酸盐氧化细菌(NOB)分布在反应器底部。基因功能预测(PICRUSt)结果表明微生物群体中不平衡的N2O和NO还原酶含量是导致该处理过程产生大量N2O气体的潜在原因。本研究为深刻了解工业废水处理过程中温室气体的排放特征及制定可行的控制策略具有重要意义。

2.材料和方法:

image

图1 曝气生物滤池(biological aerated filter, BAF)示意图

污水在进入BAF之前先流经一个厌氧滤池反应器(AF),AF与BAF的规格相同,直径为100 mm,总体积为5 L。BAF顶端密封并留有气孔用于收集气体。反应器一侧的上中下位置设有三个取样口。反应器接种污泥取自河北某焦化废水处理厂,废水也同样取自该厂的原始进水,其COD和氨氮浓度分别为27500 mg/L以及5150 mg/L。此外,焦化废水中还有较高浓度的氰化物(220 mg/L)和挥发性酚(3600 mg/L)。原始废水稀释20倍后进入BAF反应器,经过3个月的调试运行后反应器达到稳定,维持水力停留时间40 h。稳定运行后每天测定进出水中氨氮、亚硝氮和硝态氮的浓度并收集气体用于分析N2O和NO浓度。

为分析硝化过程以及反硝化过程对N2O及NO产生总量的贡献以及原焦化废水中有毒物质对N2O及NO产生量的影响,本研究设计了四个密闭摇瓶批次实验,参数设定如下:

① 仅含焦化废水;

② 仅含合成废水;

③ 焦化废水+硝化抑制剂;

④ 合成废水+硝化抑制剂。

溶液总体积均为200 mL,合成废水的COD与三氮浓度与焦化废水一致,硝化抑制剂采用10 mg/L 烯丙基硫脲(ATU)以及1000 mg/L次氯酸钠(NaClO3)分别抑制氨氧化细菌和亚硝酸盐氧化细菌。

反应器稳定运行一个月后采集不同高度位置的微生物样品用于群落结构分析。提取样品总DNA后,使用515F (GTGCCAGCMGCCGCGGTAA)和806R (GGACTACHVGGGTWTCTAAT)扩增16S rRNA基因,在Illumina MiSeq平台测序,并在97%相似度水平进行OTU聚类分析群落结构,并利用PICRUSt预测微生物功能,尤其是与微生物氮转化相关的功能分析。

3.结果与分析

image

image

图2 两级AF-BAF对焦化废水中污染物的去除效果

image

图3 BAF处理焦化废水时N2O和NO的排放速率

厌氧生物反应器可将具有复杂结构的大分子难降解有机物转化为小分子有机物,以降低焦化废水的毒性并提高其生物可利用性,随后的BAF对废水中的COD以及NH3-N具有良好的去除效果,使得出水中COD浓度低于300 mg/L,氨氮浓度为16.0 mg/L,对应平均去除率分别为73.3%和92.83%。而且由亚硝氮和硝态氮的浓度可以看出系统中存在着短程硝化反硝化脱氮过程。对气体的检测分析计算可以得出,BAF中N2O和NO的排放因子分别为23.58%和0.09%,显著高于生活废水处理过程中的排放因子。

image
image

图4 批次试验四个摇瓶中三氮浓度变化以及N2O和NO的排放速率

批次实验结果表明硝化反应产生的N2O及NO气体均占气体排放总量的90%以上。由于硝化过程中会产生大量的NO2-N,在溶解氧浓度较低的情况下,AOB误将NO2-N作为电子受体并由此产生大量的N2O气体。另外,由于焦化废水中大量的难降解有机物使得异养菌缺少足够的有机物而导致活性降低,有毒物质的存在也会抑制反硝化菌的还原酶活性中心,在降低污水处理效果的同时增大了温室气体的排放量。

image

图5 BAF反应器中不同高度的微生物群落在门类和属类的分布

image

图6 BAF反应器中不同高度的微生物功能代谢途径(a)以及与氮代谢相关的功能(b)热图分析

由图5中可以看出,Proteobacteria门和Bacteroidetes门是BAF反应器中最主要的两类微生物,分别占总量的约80%和10%。在属水平上,Nitrosomonas属的高丰度证实了反应器优越的氨氧化性能,但其空间分布非常明显,丰度由底部向上逐渐升高。另外,群落分析结果表明Nitrospirae属仅在反应器的底部被发现,也呼应了短程硝化是反应器脱氮的主要过程。除了大量的硝化与反硝化细菌,系统中还包含可分解硫代硫酸盐离子的Limnobacter属以及分解Mn (II)的Planctomyces属细菌等,这些菌属在焦化废水难降解有机物以及重金属离子的去除中发挥着重要作用。

PICRUSt分析结果表明BAF反应器中具有多类代谢途径,其中包括多种与氮代谢相关的功能,如:亚硝酸盐还原酶、NO还原酶、N2O还原酶等。但这些代谢功能受反应器内不同的溶解氧浓度以及有毒物质的影响同样具有明显的空间差异性。亚硝酸盐还原酶的活性在反应器的底部最高,也使反应器底部成为硝化反应的主要场所。NO还原酶和N2O还原酶受反应器底部高浓度有毒物质和难降解有机物的影响,其活性远低于反应器的中部以及上部位置,导致硝化过程所产生的N2O以及NO气体无法被有效还原,使得反应器底部成为温室气体产生的最主要场所。

4. 结论

本研究证实了BAF反应器在处理含高浓度氨氮以及难降解有机物焦化废水的可行性,明确了硝化作用是脱氮过程中产生N2O和NO等温室气体的主要产生过程,同时焦化废水中的有毒物质会对微生物群落和功能产生不利影响,并通过抑制酶活性最终影响出水水质并增大温室气体的排放量。

Reference

Maosheng Zheng, Nan Zhou, Shufeng Liu, Chenyuan Dang, Yong-Xin Liu, Shishi He, Yijun Zhao, Wen Liu & Xiangke Wang. N2O and NO emission from a biological aerated filter treating coking wastewater: Main source and microbial community. Journal of Cleaner Production. 2019, 213: 365-374. doi:10.1016/j.jclepro.2018.12.182

作者简介

image

郑茂盛2015年博士毕业于北京大学,现任华北电力大学环境科学与工程学院副教授、硕士生导师,主要从事水治理理论与技术、环境微生物等领域的教学科研工作。先后主持国家自然科学基金、北京市自然科学基金、上海市科委重大项目子课题、黑臭水体的固定化微生物治理技术研究等课题十余项。近五年以第一或通讯作者在Bioresour. Technol.,J. Clean. Prod.,J. Hazard. Mater.,Sci. Total Environ***. 等期刊发表SCI论文13篇,其中影响因子5.0以上11篇*。与中电建水环境公司、交通运输部天津水科所、中石油长城钻探公司等单位合作研发的多级接触氧化、磁加载混凝沉淀、环保卫生间等一体化水处理设备取得了巨大的社会经济效益

作者主页:https://cese.ncepu.edu.cn/szdw/fjs/7b3d220890b94b0d83d7f860743e8162.htm

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值