Biologique 2,4,6 | Fabrication du vin de Chengdu Inc.

Rapports scientifiques volume 13, Numéro d'article : 9053 (2023) Citer cet article

128 accès

Détails des métriques

De graves problèmes de santé peuvent résulter de l'exposition au polluant azoté comme le 2,4,6-trinitrotoluène (TNT), qui est émis dans l'environnement par les munitions et les industries militaires, ainsi que par les eaux usées contaminées par le TNT. L'élimination du TNT par des boues activées à aération prolongée (EAAS) a été optimisée dans la présente étude à l'aide de la modélisation de réseaux de neurones artificiels. Afin d'obtenir la meilleure efficacité d'élimination, 500 mg/L de demande chimique en oxygène (DCO), 4 et 6 h de temps de rétention hydraulique (HRT) et 1 à 30 mg/L de TNT ont été utilisés dans cette étude. La cinétique d'élimination du TNT par le système EAAS a été décrite par le calcul des coefficients cinétiques K, Ks, Kd, max, MLSS, MLVSS, F/M et SVI. Le système d'inférence neuro floue adaptative (ANFIS) et les algorithmes génétiques (GA) ont été utilisés pour optimiser les données obtenues par élimination du TNT. L'approche ANFIS a été utilisée pour analyser et interpréter les données fournies, et sa précision était d'environ 97,93 %. L'efficacité d'élimination la plus efficace a été déterminée à l'aide de la méthode GA. Dans des circonstances idéales (concentration de TNT de 10 mg/L et 6 h), l'efficacité d'élimination du TNT du système EAAS était de 84,25 %. Nos résultats ont démontré que l'optimisation EAAS basée sur le système de réseau neuronal artificiel (ANFIS) pourrait améliorer l'efficacité de l'élimination du TNT. De plus, on peut affirmer que le système EAAS amélioré a la capacité d'extraire les eaux usées avec de plus grandes concentrations de TNT par rapport aux expériences précédentes.

La qualité de l'eau et la rareté des ressources sont deux problèmes auxquels le monde est confronté aujourd'hui en raison des influences géographiques, anthropologiques et socio-économiques1. En conséquence, la récupération et la réutilisation durables des ressources en eaux usées ont longtemps été considérées comme des approches prometteuses pour surmonter ces problèmes. Cependant, la présence d'une large gamme de composés dangereux dans les eaux usées, comprenant des pesticides, des hydrocarbures aromatiques polycycliques, des composés polyphénoliques, de l'huile, des tensioactifs et des nitroaromatiques, a rendu plus difficile le développement de stratégies avec l'efficacité souhaitable pour éliminer ces contaminants2,3. En ce qui concerne de nombreux composés organiques et inorganiques dans les eaux usées domestiques et industrielles, différents procédés de traitement biologique et chimique des eaux usées ont été appliqués pour surmonter la dépollution des eaux usées4,5,6,7,8.

Parmi les contaminants mentionnés ci-dessus, les composés nitroaromatiques (NAC) sont considérés comme l'une des principales sources de contamination des ressources en eaux usées qui peuvent induire de graves problèmes s'ils ne sont pas éliminés correctement9. Ces composés sont une classe particulière de molécules aromatiques avec au moins un groupe nitro (–NO2) sur leur noyau benzénique. Il a été démontré que les NAC ont été largement distribués dans l'environnement10, et le 1,3,5-trinitrobenzène (TNB), le 2,4,6-trinitrotoluène (TNT), le trinitrophénol, la tétryl nitramine, l'hexanitrobenzène font partie des NAC bien connus1.

Le TNT (2,4,6-trinitrotoluène) est une substance aromatique multifonctionnelle utilisée dans une grande variété de domaines, notamment les médicaments, les insecticides, les fongicides, les herbicides, les mousses de polyuréthane et les colorants. En outre, il fait partie des explosifs les plus traditionnels encore utilisés dans l'industrie minière11. Le processus de production du TNT comprend plusieurs étapes générant des déchets qui sont finalement rejetés dans le milieu environnant et pourraient potentiellement contaminer les ressources en eau et le sol. Le mono-nitro toluène (MNT), le di-nitro toluène (DNT), les sulfates, le dinitro toluène sulfonate (DNTS) et divers autres nitrobenzènes (NB) sont également les principaux dérivés du TNT présentant des risques potentiels pour la santé. Il est bien connu que des quantités variables de ces substances azotées sont présentes dans les eaux usées contaminées par le TNT et responsables de la décoloration (par exemple, eau orange, eau rouge, eau jaune, etc.)9. Des eaux usées polluées par le TNT ont également été signalées avec des niveaux de demande chimique en oxygène (DCO) élevés, variant de 600 à 6000 mg/L12. Conformément, il a été démontré que la présence de TNT et d'autres produits chimiques aromatiques apparentés dans les eaux usées affecte massivement l'écologie régionale. Selon les directives de l'Environmental Protection Agency (EPA), la concentration maximale de TNT dans l'eau et le sol ne doit pas dépasser 2 µg/L et 17,2 mg/L, respectivement13,14. D'autres ont également montré que la présence de plus de dérivés du nitrobenzène - MNT, DNT, sulfonates et autres - pourrait augmenter les niveaux de contamination11,12,13,14,15. Compte tenu de ces notes, les eaux usées contaminées par le TNT doivent être traitées correctement avant leur rejet dans les cours d'eau.

Des stratégies physiques, chimiques et biologiques ont toutes été utilisées dans divers procédés de traitement jusqu'à présent pour éliminer ou adsorber ce polluant des eaux usées16. Malgré certains de leurs avantages, ils peuvent manquer de rentabilité ou de fiabilité pour une utilisation à grande échelle17. Mais dans cette situation, les méthodes de traitement biologique qui utilisent des consortiums microbiens ont reçu beaucoup d'attention car elles ont la capacité de minéraliser le TNT et de générer des sous-produits inoffensifs (biomasse microbienne, H2 et CO2). En raison de leur accessibilité, de leur grande efficacité et de leur respect de l'environnement, les méthodes biologiques ont récemment suscité beaucoup d'intérêt dans le traitement de ces eaux usées. De plus, une biodégradation efficace de ces contaminants était possible dans des conditions aérobies et anaérobies18,19.

L'efficacité du procédé à boues activées a été augmentée par un certain nombre de modifications qui ont été apportées conformément à la littérature. Les boues activées par aération prolongée (EAAS) sont la modification la plus largement utilisée du système de boues activées (AS) parmi celles-ci, mais l'utilisation de cette méthode pour le traitement des eaux usées est soumise à des limitations importantes telles qu'un temps de rétention élevé (HRT), une faible biomasse active et un faible taux de charge organique. Au contraire, la capacité d'aération importante de ce système et le brassage complet du contenu du contenant augmentent la fiabilité du procédé20. De plus, un faible débit sortant de DBO, une faible quantité de boues activées résiduelles et un faible rejet d'ammoniac font partie des avantages de l'EAAS. Dès lors, puisque les avantages du système EAAS sont souvent dépassés par ses inconvénients, il semble donc essentiel d'ajuster la condition sous laquelle la meilleure efficacité d'élimination pourrait être21.

Au cours de la dernière décennie, plusieurs modélisations mathématiques ont été introduites pour optimiser les procédés de traitement. À cet égard, l'intelligence artificielle (IA) a été largement utilisée à des fins de simulation de données ainsi que pour l'optimisation précise des processus biologiques. Parmi les approches d'IA les plus couramment utilisées figurent le système d'inférence neuro-floue adaptative (ANFIS), la logique floue, la machine à vecteurs de support, l'algorithme génétique (GA), la méthodologie de surface de réponse (RSM) et le réseau de neurones artificiels (ANN)22. Le système d'inférence neuro-floue adaptative (ANFIS) est une approche moderne et efficace pour modéliser les relations entrée-sortie dans les systèmes complexes23. Dans cette méthode, il est possible d'apprendre à partir des données d'entraînement en tant qu'ANN, puis de les résoudre sur un système d'inférence floue (FIS). Enfin, les couches cachées sont identifiées exactement par un FIS dans le réseau ANFIS. Cette méthode élimine le défi important de déterminer et de prédire les couches cachées dans le modèle ANN. Cela peut être une bonne raison d'utiliser la méthode ANFIS, alors que cette approche ne dispose pas d'un modèle mathématique complexe et est une méthode rapide et flexible pour développer des modèles prédictifs de processus de traitement biochimique24. Un algorithme génétique (AG) est aussi une méthode de recherche pour obtenir des solutions précises ou approchées à des problèmes d'optimisation24. Les AG sont des techniques d'optimisation contrôlées sur la base des principes de l'évolution et de la génétique naturelle24. L'un des avantages de cette méthode est sa capacité à créer des modèles clairs pour des systèmes complexes et difficiles. Par conséquent, cette méthode peut être utilisée pour optimiser des systèmes dans lesquels les fonctions discontinues, aléatoires et non linéaires ne conviennent pas aux modèles d'optimisation standard24.

ANN est une approche d'apprentissage automatique commune qui est un sous-ensemble de l'IA. La connaissance des caractéristiques physiques du processus n'étant pas nécessaire, les réseaux de neurones appartiennent à la catégorie des modèles "boîte noire". Il établit une association entre les variables d'entrée et de sortie. Comme le montre l'essor de la recherche au fil du temps, la tendance semble aller plus loin dans la direction des modèles ANN. Cela est concevable puisque ANN offre plusieurs avantages par rapport aux modèles traditionnels. Ces avantages incluent la modélisation de fonctions non linéaires complexes avec une grande précision, la prise en charge de la modélisation à entrées et sorties multiples (MIMO), le travail avec des données chaotiques et imparfaites, nécessitant moins d'efforts de traitement et permettant au modèle d'être mis à jour ou entraîné à l'aide de nouvelles données. Outre ses avantages, la modélisation ANN présente également certains inconvénients. Ces inconvénients comprennent le fait que le paramètre de modèle (nombre de nœuds, couches cachées) n'a aucune signification physique et qu'il n'existe aucune méthode acceptée pour déterminer la conception du réseau. De plus, les tests et les défauts peuvent entraîner un surajustement ou un sous-ajustement et n'offrent pas de solution unique. De plus, un réseau mal formé peut se rassembler en un minimum local. En conséquence, les techniques ANFIS et GA ont été utilisées dans ce travail pour simuler, modéliser et optimiser les données. En plus de modéliser les performances idéales du système et de déterminer ses coefficients cinétiques, le but de cette étude était de déterminer si le système biologique à aération prolongée peut éliminer avec succès le TNT des eaux usées. Il n'y a pas eu de recherche sur l'élimination du TNT à l'aide de l'EAAS, selon l'évaluation de la littérature.

Les matériaux de l'expérience, qui comprenaient du dichromate de potassium, du sulfate d'argent, du sulfate de mercure, de l'acétonitrile, du méthanol, du Triton x-114 et de l'acétone, ont été achetés à Merck en Allemagne. À l'échelle pilote, des boues activées avec un système d'aération étendu comprenant un réservoir d'aération, un réservoir de décantation secondaire ou de clarification, une préparation synthétique des eaux usées et des réservoirs de collecte ont été utilisées dans cette étude. Le bassin d'aération mesurait 38,5 cm de haut, 15 cm de large et 44 cm de long, et le bassin de sédimentation mesurait 21 cm de haut, 20 cm de large et 30 cm de long (Fig. 1). La capacité du bassin d'aération prolongé était de 34 L. Le système était équipé d'une injection d'effluent et de pompes de retour des boues qui fonctionnaient en continu. Les eaux usées synthétiques avec COD (500 mg/L), HRT (4–6 h) et TNT (1–30 mg/L) ont été utilisées dans cette étude. Dans les détails, les eaux usées préparées synthétiquement ont été ajoutées de plus en plus au système jusqu'à ce que l'équilibre soit atteint. Ensuite, la concentration a été augmentée pour terminer le processus. Ensuite, le TNT restant dans l'effluent a été analysé à l'aide d'un système de chromatographie liquide haute performance (HPLC, Waters Co. et logiciel Millennium) équipé d'un détecteur UV-Vis modèle 486 et d'une colonne usagée (250 mm × 4,6 mm × 5 µm). L'acétonitrile et l'eau dans un rapport de 80:20 ont servi de phase mobile. Le volume d'injection était de 20 µL, le débit à travers la colonne était de 1 mL/min et la longueur d'onde d'absorption utilisée était de 210 nm. Un échantillon de l'échantillon extrait contenant le matériau explosif a été obtenu toutes les deux semaines pour le test DCO, et l'analyse a été effectuée conformément à la procédure de test décrite dans les méthodes standard11. Enfin, l'efficacité du processus a été calculée par l'équation suivante :

où C0 et Ct (mg/L) sont les concentrations initiale et finale de TNT25.

Schéma du pilote EAAS.

Le logiciel SPSS-v.20 (Inc., Chicago, USA) a été utilisé pour effectuer l'analyse statistique. Le test de Kolmogorov-Smirnov a été utilisé pour évaluer la distribution des données. La médiane et la moyenne ± SD ont été calculées.

Le modèle ANFIS est basé sur la structure Sugeno avec une modélisation neuronale floue créée dans le logiciel MATLAB 2017. L'architecture ANFIS est basée sur les réseaux de neurones artificiels et la logique floue qui permettent d'obtenir la répartition optimale des fonctions d'appartenance entre les données d'entrée et de sortie. Les cinq couches principales de la formation du modèle ANFIS sont (1) la couche floue, (2) la couche produit, (3) la couche normalisée, (4) la couche non floue et (5) la couche de sortie totale.

Dans cette étude, plusieurs fonctions d'appartenance différentes telles que la fonction d'appartenance triangulaire (trimf), la fonction d'appartenance trapézoïdale (trapmf), la fonction d'appartenance en cloche généralisée (gbellmf), la fonction d'appartenance à courbe gaussienne (gaussmf), la fonction d'appartenance hybride gaussienne (gauss2mf), la fonction d'appartenance en forme de P (pimf), la différence entre deux fonctions d'appartenance sigmoïdes (dsigmf), le produit de deux fonctions d'appartenance sigmoïdes (psigmf) ont été étudiées. Pour identifier la fonction d'appartenance la plus appropriée, l'ensemble de données obtenu (110 échantillons) du réacteur a été divisé au hasard en deux catégories : 85 % de formation et 15 % de test. De plus, un algorithme d'apprentissage hybride a été utilisé dans cette recherche pour augmenter le taux de convergence. Cet algorithme a été utilisé pour intégrer les deux méthodes des moindres carrés et des gradients pour mettre à jour les paramètres d'entrée. La méthode des moindres carrés a été utilisée pour optimiser les paramètres d'entrée. Ensuite, la méthode du gradient de descente a été appliquée pour mieux ajuster les paramètres par défaut. Enfin, la sortie ANFIS a été déterminée par les paramètres suivants26. À cette fin, F/M, HRT, SRT, MLSS, MLVSS, SVI et TNTin ont été introduits comme paramètres d'entrée dans le modèle. L'élimination du TNT a été considérée comme le paramètre de réponse.

Il convient de noter que la précision et l'adéquation des modèles présentés par l'ANFIS ont été déterminées en calculant le coefficient (R2) et l'erreur quadratique moyenne (RMSE) comme suit (Eqs. 2 et 3)27,28 :

L'AG a été utilisé pour obtenir les conditions optimales d'élimination du TNT en tant que fonction de fitness basée sur le modèle ANFIS développé dans cette étude. Toutes les analyses GA ont été effectuées dans la version R2017a du logiciel MATLAB.

Les autres paramètres pris en compte dans l'algorithme génétique étaient : le nombre de génération 250, la fonction de mise à l'échelle du rang, la fonction de sélection de l'uniforme stochastique, le nombre d'élite 2, la fraction de croisement égale à 0,8, et la fonction de mutation de la contrainte dépendante et la combinaison de la fonction dispersée28.

Il est bien connu que l'exposition à une concentration de polluants dépassant les seuils de limitation peut affecter le fonctionnement et l'efficacité d'élimination des processus biologiques. Dans cette étude, plusieurs concentrations de TNT (1, 10 et 30 mg/L) ont été utilisées pour évaluer l'efficacité d'élimination du système pendant 4 et 6 h. Comme le montrent les figures 2a et b, l'efficacité d'élimination a diminué en augmentant la concentration de TNT de 1 à 30 mg/L. Les valeurs moyennes d'élimination du TNT pour 1, 10 et 30 mg/L étaient de 89,56 % ± 3,29, 80,43 % ± 4,54 et 82,79 % ± 1,43 à 4 h, et 92,83 % ± 1,58, 82,08 % ± 3,53 et 84,25 % ± 1,93 au THS à 6 h, respectivement. On peut supposer que cela pourrait être dû à la toxicité du polluant dans le réacteur de traitement ou à la génération de sous-produits plus dangereux, ce qui empêche l'élimination efficace du TNT par des consortiums bactériens. D'autre part, comme le TNT est azoté par nature, on peut également en déduire que des concentrations plus élevées de TNT influencent la source de carbone disponible pour les bactéries, ce qui à son tour diminue l'efficacité d'élimination16. Permatasari et al.30 et Dionisi et al.29 ont également montré que le rapport C:N:P (100:5:1 à 100:10:1) est crucial dans les activités biologiques. D'après les résultats, la concentration de 10 mg/L de TNT correspondait à l'efficacité d'élimination la plus faible ; cependant, en augmentant sa concentration à 30 mg/L, l'efficacité d'élimination a été augmentée. Cela pourrait être interprété par une croissance plus élevée de la biomasse dans le réacteur à des concentrations de polluants plus élevées, ce qui entraîne une élimination accrue du TNT. En outre, à une concentration plus élevée de TNT, le temps d'adaptation des bactéries de la biomasse serait diminué, ce qui pourrait à son tour être associé à une élimination plus élevée du polluant étudié. De tels arguments peuvent également être vrais pour des concentrations moindres, car nous avons observé une efficacité d'élimination plus élevée à 1 mg/L de TNT. De plus, à des concentrations plus faibles, les bactéries de la biomasse ne sont pas exposées à des niveaux plus élevés de sous-produits toxiques29,31,32.

Comparaison de l'efficacité d'élimination du TNT à différentes concentrations de HRT 4 h (a) et 6 h (b) et de TNT.

Comme le montre la figure 2, l'efficacité d'élimination a été augmentée par l'augmentation de la durée de rétention hydraulique. On peut en déduire qu'à un temps de rétention plus élevé, les bactéries pourraient effectivement décomposer le composé TNT, ce qui a ensuite permis à davantage de bactéries mortes et de boues actives de l'adsorber à la surface. De plus, davantage de collisions et d'interactions peuvent se produire entre les molécules de TNT et d'autres produits chimiques dans les eaux usées en augmentant le temps de rétention hydraulique, ce qui entraîne une élimination plus élevée des molécules de TNT. Plusieurs autres études ont également montré qu'un plus grand nombre de bactéries pourraient s'adapter au polluant à un temps de rétention plus long, ce qui augmenterait son élimination. En outre, une variété de produits chimiques ou leurs sous-produits nouvellement formés dans les eaux usées peuvent également augmenter l'élimination du TNT. Dernier mais pas des moindres; un temps de rétention plus long donne aux bactéries la possibilité de dégrader plus efficacement le composé d'intérêt32,33.

Comme mentionné précédemment, la concentration de polluants peut affecter les processus biologiques, qui à leur tour affectent les niveaux de DCO et l'efficacité des processus associés. Comme le montrent les figures 3a et b, en augmentant la concentration de TNT, l'efficacité d'élimination de la COD a également été augmentée. Étant donné que la DCO est un composant de la plupart des polluants, on peut donc supposer qu'à une concentration plus élevée du polluant étudié, les niveaux de DCO augmentent. En conséquence, pour des concentrations de TNT allant de 1 à 30 mg/L, l'efficacité moyenne d'élimination de la DCO était de 31,89 % ± 3,03 à 35,89 % ± 2,89 pendant 4 h et de 43,67 % ± 2,70 à 45 % ± 2,23 pendant 6 h. D'autre part, on peut affirmer que lorsque la concentration de polluants augmente, les besoins des bactéries en carbone et en azote pour se dégrader et éliminer la matière organique augmentent également, ce qui peut entraîner une augmentation de l'efficacité de l'élimination de la DCO. De plus, lorsque la teneur en TNT augmente, les bactéries ont besoin de plus de substrat, ce qui favorise leur croissance et, à son tour, améliore l'efficacité de l'élimination de la DCO29,31,34.

Comparaison de l'efficacité d'élimination de la DCO à différentes concentrations de HRT 4 h (a) et 6 h (b) et de TNT.

L'une des méthodes les plus cruciales pour déterminer les conditions idéales en termes d'efficacité du procédé, de rentabilité et d'utilisation à grande échelle probable est la détermination des coefficients cinétiques et des paramètres associés. Comme le montre le tableau 1, les coefficients cinétiques sont presque constants et inchangés dans une variété de HRT et de concentrations de polluants. Seuls certains coefficients, y compris Ks, MLSS, MLVSS et SVI, montrent une petite variation, qui est causée par des variations de concentration de polluant et de temps de rétention hydraulique.

Le tableau 2 résume l'efficacité de divers processus biologiques pour éliminer le TNT ainsi que certains polluants différents. Sur la base des résultats rapportés et des conclusions de la présente étude, les procédés biologiques utilisant des boues activées par aération prolongée présentent une efficacité adéquate et ceux exploités avec un temps de traitement court peuvent être utilisés pour éliminer les polluants organiques. Bien que certains d'entre eux aient été réalisés avec des temps de rétention hydraulique plus longs, ils ne sont donc généralement pas acceptables en termes d'économie et de productivité.

La structure et le modèle de réseau de l'ANFIS ont été utilisés pour ce travail afin de prédire la suppression de l'ATN. Les résultats sont présentés à la Fig. 4.

Développement de la structure ANFIS.

Comme mentionné dans les méthodes, le système FIS de type Sugeno et la fonction d'adhésion ont été utilisés pour mener à bien le processus de formation. Le FIS a les 7 entrées F/M, HRT, SRT, MLSS, MLVSS, SVI et TNTin. Afin de générer les règles modifiées dans un certain ensemble de données, la technique de partitionnement du réseau a été utilisée. À cette fin, 85 % de l'ensemble de données (92 échantillons) ont été utilisés pour former le modèle ANFIS et les 15 % restants de l'ensemble de données (16 échantillons) ont été utilisés pour tester la capacité prédictive du modèle pertinent.

Le modèle ANFIS exécute d'abord le processus de formation pour l'ensemble de données de formation, puis teste les résultats avec les données de test. De plus, dans le processus de formation du modèle ANFIS, l'ensemble de données d'entrée a été dessiné plusieurs fois pour éviter toute erreur éventuelle. Le nombre d'itérations requis pour cartographier a été indiqué en tant qu'époques. Aussi, pour mesurer la validité et l'efficacité du modèle après le processus de formation, ce modèle a été testé sur 16 ensembles de données.

Dans l'étape suivante, les résultats obtenus à partir des processus de formation et de test du modèle ANFIS ont été analysés en utilisant différents types de fonctions d'appartenance. Selon les résultats obtenus, la fonction d'appartenance gaussienne (gaussmf) présentait une erreur de prédiction plus faible que les autres fonctions. Le RMSE a été obtenu 6.593E−3 pour la formation et 7.904E−3 pour les tests. La structure ANFIS s'est bien comportée lorsque 2 fonctions d'appartenance ont été attribuées à chaque variable d'entrée. La figure 5a représente la courbe d'erreur d'entraînement pour les valeurs expérimentales de suppression d'ATN. Les figures 5b et c montrent les résultats expérimentaux de l'élimination de l'ATN dans des conditions de traitement similaires à l'aide du modèle ANFIS pour comparer les ensembles de données d'entraînement et expérimentaux. De plus, R2 dans cette étude est d'environ 97,93 % et 94,34 % pour l'ensemble de données d'entraînement et de test, respectivement, ce qui indique la précision et l'adéquation du modèle.

( a ) Courbe d'erreur d'entraînement du modèle ANFIS pour l'élimination du TNT, ( b ) comparaison des valeurs expérimentales et prédites lors de l'entraînement, et ( c ) processus de test.

Dans la présente étude, l'algorithme génétique a été utilisé pour optimiser les paramètres d'entrée et enfin pour atteindre l'efficacité d'élimination la plus élevée. Le modèle ANFIS conçu a été introduit en tant que fonction de fitness dans GA. Dans la Fig. 6, un diagramme des valeurs de fitness optimales et moyennes dans chaque génération est présenté. Le tableau 3 représente également les meilleures valeurs de fitness de la dernière génération. Par conséquent, les valeurs optimales des paramètres d'entrée, qui sont F/M, HRT, SRT, MLSS, MLVSS, SVI et TNTin, étaient égales à 0,32, 5,81, 12,12, 2814,74, 2407,21, 144,84 et 4,78, respectivement, ce qui conduit à l'efficacité d'élimination la plus élevée (96,80 %).

Résultats de l'algorithme génétique : les valeurs de fitness optimales et moyennes par génération.

A l'aide du modèle ANFIS conçu, les diagrammes suivants ont été dessinés dans le logiciel MATLAB. Les paramètres affichés à l'intérieur de chaque graphique étaient considérés comme variables et les autres paramètres de chaque graphique étaient fixes et égaux à leurs valeurs optimales (obtenues à partir de l'algorithme génétique) (Fig. 7).

Prédiction ANFIS du taux d'élimination dans différents paramètres d'entrée.

Une analyse de sensibilité est effectuée pour évaluer l'importance de l'effet de chaque paramètre sur la variable de sortie40. Cela montre dans quelle mesure chaque facteur d'entrée affecte la précision du modèle prédit et, enfin, c'est un bon moyen de concevoir plus d'applications41. Dans cette étude, l'analyse de sensibilité a été réalisée par la méthode de corrélation de Pearson. Sur la base du diagramme suivant, l'effet des paramètres d'entrée était dans l'ordre de la concentration initiale de TNTin, MLVSS, MLSS, F/M, HRT, SRT et SVI. Le facteur d'impact de chaque paramètre est visible sur la Fig. 8.

Analyse de sensibilité utilisant la corrélation de Pearson.

Le processus biologique EAAS dans l'élimination du TNT a été utilisé dans cette enquête en concevant un pilote de dimensions 38,5 × 15 × 44 cm. Les paramètres analysés étaient la concentration de TNT, le HRT et la DCO, qui ont été optimisés, et l'efficacité optimale d'élimination du TNT dans les circonstances de TNT 10 mg/L et HRT 6 h était de 84,25 %. Les coefficients cinétiques ont été calculés pendant le processus d'élimination du TNT, et ils peuvent être utilisés par la suite pour la conception du système de station d'épuration à l'échelle réelle. Les processus biologiques dépendent à la fois de la génération de biomasse et de la consommation d'oxygène. Ces variables doivent être étudiées plus avant avec des eaux usées de diverses compositions car elles ont des effets significatifs sur la conception des procédures de traitement biologique des eaux usées. De plus, les paramètres examinés ont été ajustés à l'aide de la modélisation de réseaux de neurones artificiels. Le processus de modélisation utilise la méthode ANFIS et un algorithme génétique. Selon l'étude de la méthode ANFIS, une précision d'environ 97,93 % a été atteinte. De plus, F/M : 0,32/jour, HRT : 5,81 h, SRT : 12,12 h, MLSS : 2814,74 mg/L, MLVSS : 2407,21 mg/L, SVI : 144,84 mL/g, TNTin : 4,78 mg/L et élimination de TNT à 96 % étaient les valeurs des paramètres optimisés par l'algorithme génétique. Par conséquent, cette recherche a démontré l'importance d'optimiser la concentration de TNT et le HRT pour atteindre les performances optimales du processus. Pour les eaux usées ayant des compositions chimiques diverses et plus complexes ainsi que des mécanismes de nitrification/dénitrification pour l'élimination des composés nitroaromatiques, des recherches supplémentaires sont nécessaires.

Les ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable. De plus, aucun logiciel n'a été utilisé pour créer des images.

Aamir, M. et al. Développement et validation d'une nouvelle méthode pour la détermination du 2, 4, 6-trinitrotoluène et de ses métabolites sur LC-MS/MS. Anal. Biochimie. 638, 114496 (2022).

Article CAS PubMed Google Scholar

Ahmadi, E. et al. Étude cinétique et évaluation des performances d'un bioréacteur intégré à chicanes à film fixe à deux phases pour la récupération de bioénergie à partir d'eaux usées et de boues biodéchets. Renouveler. Soutenir. Énergie Rev. 121, 109674 (2020).

Article CAS Google Scholar

Fawcett-Hirst, W., Temple, TJ, Ladyman, MK & Coulon, F. Un examen des méthodes de traitement des eaux usées contaminées par des explosifs insensibles. Helyon 7, e07438 (2021).

Article CAS PubMed PubMed Central Google Scholar

Dehghani, MH et al. Adsorption du bisphénol A (BPA) à partir de solutions aqueuses par des nanotubes de carbone : études cinétiques et d'équilibre. Dessalement. Traitement de l'eau. 54, 84–923 (2015).

Article CAS Google Scholar

Mahvi, AH et al. Photo-oxydation du phénol en solution aqueuse : Toxicité des intermédiaires. Coréen J. Chem. Ing. 24, 79–82 (2007).

Article CAS Google Scholar

Maleki, A. et al. Etude de l'efficacité des procédés photochimiques et sonochimiques pour la dégradation des colorants en solution aqueuse. Coréen J. Chem. Ing. 27, 1805–1810 (2010).

Article CAS Google Scholar

Mahvi, AH Réacteur discontinu séquentiel : une technologie prometteuse dans le traitement des eaux usées. L'Iran. J. Environ. Santé Sci. Ing. 5, 79–90 (2008).

CAS Google Scholar

Bazrafshan, E. et al. Traitement des eaux usées des abattoirs par procédé combiné de coagulation chimique et d'électrocoagulation. PLoS ONE 7, e40108 (2012).

Article ADS CAS PubMed PubMed Central Google Scholar

Rehman, SU et al. Synthèse de nanosphères creuses magnétiques de Fe3O4 pour le traitement industriel des eaux usées de TNT. Nanomatériaux 12, 881 (2022).

Article CAS PubMed PubMed Central Google Scholar

Algharagholy, LA, Sadeghi, H. & Al-Backri, AA Détection sélective de 2, 4, 6-trinitrotoluène et triperoxyde de triacétone à l'aide d'hétéronanotubes de carbone/nitrure de bore. Mater. Aujourd'hui Commun. Rev.28, 102739 (2021).

Article CAS Google Scholar

Zhang, X. et al. KMgF3 coiffé en PEI : nanoparticules Eu2+ pour la détection par fluorescence des nitroaromatiques dans les eaux usées municipales. Colloïdes Surf. B 197, 111379 (2021).

Article CAS Google Scholar

Xu, M. et al. Dégradation du 2, 4, 6-trinitrotoluène (TNT) : Implication de la protocatéchuate 3, 4-dioxygénase (P34O) chez Buttiauxella sp. S19–1. Toxiques 9, 231 (2021).

Article CAS PubMed PubMed Central Google Scholar

EPA, U. Fiche technique-2, 4, 6-Trinitrotoluène (TNT). Dans Bureau des déchets solides et des interventions d'urgence (5106P) (2014).

Singh, SN Remédiation biologique des résidus d'explosifs (Springer, 2013).

Google Scholar

Serrano-González, MY et al. Biotransformation et dégradation du 2, 4, 6-trinitrotoluène par métabolisme microbien et leur interaction. Technol de défense. 14, 151-164 (2018).

Article Google Scholar

Mirshafiee, A. & Darvish, M. Dégradation du 2, 4, 6-trinitrotoluène (TNT) à partir d'une solution aqueuse par un procédé d'électrocoagulation couplé avec un sel de persulfate. J. Environ. Santé Sci. Ing. 19, 1035-1041 (2021).

Article CAS PubMed PubMed Central Google Scholar

Küce, P., Coral, G. & Kantar, Ç. Biodégradation du 2,4-dinitrotoluène (DNT) par Arthrobacter sp. K1 isolé d'un sol contaminé par du pétrole brut. Ann. Microbiol. 65, 467–476 (2015).

Article Google Scholar

Dan, NH, Phe, TTM, Thanh, BX, Hoinkis, J. & Le Luu, T. L'application de systèmes d'aération prolongés à cycle intermittent (ICEAS) dans le traitement des eaux usées. J. Water Process Eng. 40, 101909 (2021).

Article Google Scholar

Malakootian, M., Toolabi, A. & Hosseini, S. Traitement avancé du processus d'aération prolongée des effluents à l'aide d'un filtre aéré biologique (BAF) avec un média naturel : modification du média, conception et processus de lavage à contre-courant. AMB Express 11, 1–10 (2021).

Article Google Scholar

Sonune, A. & Ghate, R. Développements dans les méthodes de traitement des eaux usées. Dessalement 167, 55–63 (2004).

Article CAS Google Scholar

Zwain, HM, Nile, BK, Faris, AM, Vakili, M. & Dahlan, I. Modélisation du devenir et des émissions de sulfure d'hydrogène dans une station d'épuration à aération prolongée à l'aide de simulations TOXCHEM. Sci. Rep. 10, 22209 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Mohammadi, F. et al. Modélisation et optimisation de l'élimination du pyrène du sol par phytoremédiation à l'aide d'une méthodologie de surface de réponse, de réseaux de neurones artificiels et d'un algorithme génétique. Chimiosphère 237, 124486 (2019).

Article ADS CAS PubMed Google Scholar

Hadi, S., Taheri, E., Amin, MM, Fatehizadeh, A. & Aminabhavi, TM Dégradation synergique du 4-chlorophénol par un mélange de persulfate et d'acide oxalique avec un système hétérogène de type Fenton pour le traitement des eaux usées : modélisation de systèmes d'inférence neuro-floues adaptatifs. J. Environ. Gérer. 268, 110678 (2020).

Article CAS PubMed Google Scholar

Kumar, R. & Hynes, NRJ Prédiction et optimisation de la rugosité de surface dans le forage thermique à l'aide de l'approche intégrée ANFIS et GA. Ing. Sci. Technol. Int. J. 23, 30-41 (2020).

Google Scholar

Nasiri, A., Rajabi, S., Hashemi, M. & Nasab, H. CuCoFe2O4@ MC/AC en tant que nouveau nanocomposite magnétique hybride pour l'élimination du métronidazole des eaux usées : essai biologique et toxicité des effluents. Sept. Purif. Technol. 296, 121366 (2022).

Article CAS Google Scholar

Dolatabadi, M., Mehrabpour, M., Esfandyari, M., Alidadi, H. & Davoudi, M. Modélisation de l'adsorption simultanée de colorant et d'ion métallique par la sciure de bois à partir d'une solution aqueuse à l'aide d'ANN et d'ANFIS. Chemom. Renseignement. Laboratoire. Syst. 181, 72–78 (2018).

Article CAS Google Scholar

Deng, Y., Xiao, H., Xu, J. et Wang, H. Modèle de prédiction du réseau neuronal PSO-BP sur la quantité de coliformes dans des aliments spéciaux. Saudi J. Biol. Sci. 26, 1154-1160 (2019).

Article PubMed PubMed Central Google Scholar

Jahangir, MH, Reineh, SMM & Abolghasemi, M. Prédication spatiale de la cartographie des zones d'inondation dans le bassin de la rivière Kan, en Iran, à l'aide d'un algorithme de réseau neuronal artificiel. Météo Clim. Extrême. 25, 100215 (2019).

Article Google Scholar

Dionisi, D. & Rasheed, AA Maximisation du taux de charge organique et minimisation de la consommation d'oxygène dans les procédés de traitement biologique aérobie des eaux usées par manipulation du temps de séjour hydraulique et solide. J. Water Process Eng. 22, 138-146 (2018).

Article Google Scholar

Permatasari, R., Rinanti, A. & Ratnaningsih, R. Dans la série de conférences IOP : Sciences de la Terre et de l'environnement. 012048 (Éditions IOP, 2020).

Aziz, A., Basheer, F., Sengar, A., Khan, SU et Farooqi, IH Technologies de traitement biologique des eaux usées (anaérobie-aérobie) pour le rejet en toute sécurité des eaux usées traitées des abattoirs et de la transformation de la viande. Sci. Environ. 686, 681–708 (2019).

Article ADS CAS PubMed Google Scholar

Shoukat, R., Khan, SJ et Jamal, Y. Traitement biologique hybride anaérobie-aérobie pour les eaux usées textiles réelles. J. Water Process Eng. 29, 100804 (2019).

Article Google Scholar

Zhang, L., Lin, X., Zhang, Z., Chen, G.-H. & Jiang, F. Soufre élémentaire en tant qu'accepteur d'électrons pour l'élimination de la matière organique dans un nouveau procédé de traitement biologique anaérobie des eaux usées à haut débit. Chim. Ing. J. 331, 16-22 (2018).

Article CAS Google Scholar

Manu, D. & Thalla, AK Modèles d'intelligence artificielle pour prédire les performances d'une station d'épuration biologique des eaux usées dans l'élimination de l'azote Kjeldahl des eaux usées. Appl. Sci de l'eau. 7, 3783–3791 (2017).

Article ADS CAS Google Scholar

Wang, Z., Ye, Z., Zhang, M. et Bai, X. Dégradation du 2, 4, 6-trinitrotoluène (TNT) par un micro-organisme immobilisé-filtre biologique. Processus Biochem. 45, 993–1001 (2010).

Article CAS Google Scholar

Kwon, SH Une approche biologique dans le traitement des eaux usées de TNT. Toxicol. Environ. Chim. 75, 17–23 (2000).

Article CAS Google Scholar

Hwang, S., Ruff, TJ, Bouwer, EJ, Larson, SL et Davis, JL Applicabilité de l'hydrolyse alcaline pour l'assainissement de l'eau contaminée par le TNT. Eau Rés. 39, 4503–4511 (2005).

Article CAS PubMed Google Scholar

Mareai, BM, Fayed, M., Aly, SA et Elbarki, WI Comparaison des performances de l'élimination du phénol dans les eaux usées pharmaceutiques par boues activées et aération prolongée augmentée de charbon actif. Alex. Ing. J. 59, 5187-5196 (2020).

Article Google Scholar

Pirsaheb, M., Khamutian, R. & Khodadadian, M. Une comparaison entre les boues d'aération prolongée et le traitement conventionnel des boues activées pour l'élimination des sulfonates d'alkylbenzène linéaires (étude de cas : Kermanshah et Paveh WWTP). Dessalement. Traitement de l'eau. 52, 4673–4680 (2014).

Article CAS Google Scholar

Alver, A., Baştürk, E., Tulun, Ş & Şimşek, ©. Modélisation adaptative du système d'inférence neuro-floue de l'adsorption du 2,4-dichlorophénol sur charbon actif à base de bois. Environ. Programme. Soutenir. Énergie 39, e13413 (2020).

Article CAS Google Scholar

Jiang, Z. et al. Un modèle prédictif généralisé pour les constantes de vitesse de photo-dégradation catalysée par le TiO2 des contaminants de l'eau via un réseau de neurones artificiels. Environ. Rés. 187, 109697 (2020).

Article CAS PubMed Google Scholar

Télécharger les références

Cette recherche a été soutenue par la vice-chancellerie pour la recherche de l'Université des sciences médicales de Baqiyatallah.

Centre de recherche sur la santé, Université des sciences médicales de Baqiyatallah, Téhéran, Iran

Hossein Karimi & Ghader Ghanizadeh

Département d'ingénierie de la santé environnementale, École de la santé, Université des sciences médicales d'Ispahan, Ispahan, Iran

Farzaneh Mohammadi

Comité de recherche étudiant, École de santé, Université des sciences médicales de Shiraz, Shiraz, Iran

Saïd Rajabi

Département d'ingénierie de la santé environnementale, École de la santé, Université des sciences médicales de Shiraz, Shiraz, Iran

Saïd Rajabi

Centre de recherche sur les déchets solides, Institut de recherche environnementale, Université des sciences médicales de Téhéran, Téhéran, Iran

Amir Hossein Mahvi

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tous les auteurs ont contribué à la conception et à la conception de l'étude. La préparation du matériel, la collecte des données et l'analyse ont été réalisées par HK, FM, SR, AHM et GG La première ébauche du manuscrit a été rédigée par HK, FM et SR La conceptualisation a été réalisée par HK, AHM et GG La méthodologie par HK, FM et SR L'analyse et l'investigation formelles par FM et SR La rédaction de l'ébauche originale par HK, FM et SR La rédaction et la révision par AHM et GG Tous les auteurs ont lu et approuvé le manuscrit final.

Correspondance à Ghader Ghanizadeh.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Karimi, H., Mohammadi, F., Rajabi, S. et al. Élimination biologique du 2,4,6-trinitrotoluène par boues activées à aération prolongée : optimisation à l'aide d'un réseau de neurones artificiels. Sci Rep 13, 9053 (2023). https://doi.org/10.1038/s41598-023-34657-z

Télécharger la citation

Reçu : 11 janvier 2023

Accepté : 04 mai 2023

Publié: 03 juin 2023

DOI : https://doi.org/10.1038/s41598-023-34657-z

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.