Моделирование процесса биологической очистки сточных вод нефтехимического производства

Развитие и цифровая трансформация различных отраслей экономики приводит к внедрению на предприятиях прорывных технологий, в том числе цифровых. В Российской Федерации принят ряд стратегических документов, направленных на цифровизацию экономики, таких как «Стратегия развития информационного общества в Российской Федерации на 2017-2030 годы» и программа «Цифровая экономика Российской Федерации» [1].

С учетом возрастающего интереса к цифровизации и государственной политике в данной области, обеспечение разработки алгоритмов и программного обеспечения, которые оптимизируют рабочие процессы, особенно связанные с принятием решений, оказывающих влияние устойчивое развитие урбанизированных территорий и состояние окружающей (природной) среды, становится актуальной и важной задачей [2]. К сфере обеспе чения безопасности и экологической устойчивости

производств можно отнести проблемы повышения эффективности очистки на биостанциях химической и нефтехимической отраслей, которые обрабатывают сложные по составу высококонцентрированные токсичные сточные воды [3].

Целью исследования являлась разработка алгоритма принятия решения персоналом очистных сооружений о возможности приема на очистку, условий проведения процесса и прогнозирования его эффективности на биологических очистных сооружениях.

Задачи, решаемые в работе:

• 1.    Оценить влияние приоритетных токсикантов на процесс биологической очистки сточных вод нефтехимического производства;

• 2.    Провести подготовку экспериментальных данных к анализу данных для повышения точности моделей прогноза;

• 3.    Исследовать данные путем построения математических моделей с выявлением оптимальной модели, адекватно описывающей процесс биологической очистки;

• 4.    Оценить возможность применения алгоритмических средств машинного обучения для принятия решений оператором очистных сооружений по очистке и сбросу сточных вод.

МЕТОДИКА ИССЛЕДОВАНИЙ

Биологическая очистка сточных вод – эффективный способ удаления органических веществ микроорганизмами, с помощью которых находящиеся в сточных водах в растворенном или коллоидном состоянии органические вещества разлагаются и удаляются из очищаемой воды. Объектом исследования являлся процесс биологической очистки сточных вод нефтехимического производства, содержащих различные токсиканты.

Для получения экспериментальных данных были отобраны пробы активного ила и сточных вод на действующих биологических очистных сооружениях нефтехимического предприятия Республики Татарстан. Процесс биологической очистки моделировался в лабораторных биореакторах, в которых активный ил и сточные воды смешивались в соотношении 1:2 на основании производственных данных. Доза активного ила варьировалась в диапазоне 2,5-3,5 г/дм3, продолжительность процесса биологической очистки – 16 ч (согласно технологическим расчетам). В процессе биоочистки контролировали концентрацию растворенного кислорода с использованием анализатора растворенного кислорода МАРК-303М (ООО «ВЗОР», Россия), а также температуру и активную реакцию среды (рН) с использованием pH-метра рН-150МИ (ООО «Измерительная техника», Россия). На рис. 1 представлена схема экспериментальной установки, использованной для проведения исследований.

контроль – эксперимент без добавления токсиканта;

min – эксперимент с минимальным содержание токсиканта; max – эксперимент с максимальным содержание токсиканта; ср – эксперимент со средним содержание токсиканта

В сточных водах изучаемого предприятия присутствуют различные экотоксиканты в широком диапазоне концентраций (табл. 1). Для оценки влияния токсикантов на процесс биологической очистки в промаркированные биореакторы добавляли расчетное количество исследуемых токсикантов с обязательным учетом их исходной концентрации в стоках. Изучаемый диапазон концентраций экотоксикантов выбран согласно данным производственного экологического мониторинга поступающих сточных вод действующих очистных сооружениях нефтехимического предприятия. Остальные нормируемые показатели сточных вод находились в пределах нормы согласно технологическому регламенту изучаемых очистных сооружений. Экспериментальные исследования предполагали оценку индивидуального влияния экотоксиканта на процесс биологической очистки.

В ходе проведенных исследований осуществляли обязательное тестирование контрольной пробы, представляющей собой смесь активного ила со сточными водами без добавления токсикантов. Пробы иловой смеси для анализа ключевых контролируемых показателей активного ила и сточной воды отбирались:

Таблица 1. Диапазон концентраций изучаемых экотоксикантов

Наименование вещества	Концентрация в сточных водах, мг/дм 3			Норма в химстоке по технологическому регламенту, мг/дм 3
	мин	макс	сред
формальдегид	0,032±0,002	133,0±6,7	9,3±0,5	15
фенол	0,0050±0,0003	3,3±0,2	0,50±0,03	5
бензол	0,050±0,003	21,5±1,1	1,1±0,1	10
толуол	0,0050±0,0003	22,0±1,1	0,50±0,03	2
этилбензол	0,024±0,001	232,0±11,6	13,6±0,7	2
стирол	0,050±0,003	4,2±0,2	0,40±0,02	2

• -    для сточных вод: химическое потребление кислорода (ХПК) в соответствии с ПНД Ф 14.1:2:3.10097, мутность по ПНД Ф 14.1:2:3:4.213-05, токсичность по ПНД Ф Т 14.1:2:3.13-06 и концентрации токсикантов.

• -    для активного ила: иловый индекс и доза ила согласно ФР 1.31.2008.04398, дегидрогеназная активность (ДАИ) [4], каталазная активность (КА) [5], гидробиологический анализ с расчетом индекса биоразнообразия Шеннона [6];

Для предобработки полученных данных использовались методы корреляционного анализа, позволяющие установить взаимосвязи между контролируемыми параметрами, а также оценивали минимальные, максимальные, средние и медианные значения показателей.

Для моделирования процесса биологической очистки сточных вод параметрами в данной работе выбраны:

• Х₁ – токсикант (табл.1);

• Х₂ – исходная концентрация токсиканта в сточной воде, мг/дм³;

• Х₃ – время аэрации активного ила со сточной водой, ч;

• Х₄ – гидробиологический индекс Шеннона активного ила до смешения со сточной водой (исходный ил);

• Х₅ – ДАИ исходного ила по отношению к водопроводной воде (ДАИ_ВВисх), мг/г;

• Х₆ – ДАИ исходного ила по отношению к сточной воде (ДАИ_СВисх), мг/г;

• Х₇ – ДАИ исходного ила по отношению к надиловой жидкости (ДАИ_НЖисх), мг/г;

Х8 – КА исходного ила (КАисх), мг Н2О2/г·мин;

Х9 – ХПК/доза ила, мг/г;

Х10 – иловый индекс, см3/г;

• Х ₁₁ – токсичность сточной воды, %;

• У ₁ – гидробиологический индекс Шеннона активного ила в процессе биологической очистки (измерение разнообразия родов, учитывая их однородность);

• У ₂ – ДАИ по отношению к надиловой жидкости в процессе биологической очистки (ДАИ_НЖ), мг/г;

• У ₃ – ДАИ по отношению к сточной воде в процессе биологической очистки (ДАИ_СВ), мг/г;

• У ₄ – КА в процессе биологической очистки (активность фермента, катализирующего реакцию разложения перекиси водорода), мг Н₂О₂/г·мин.

Отношение ХПК/доза ила использована в работе для оценки нагрузки на активный ил, выражаемой в количестве поступающих со сточной водой загрязнений по ХПК, приходящееся на единицу массы активного ила. Показатель ХПК использован с учетом меньшей по сравнения с биологическим потреблением кислорода продолжительностью его лабораторного определения для повышения экспрессности контроля и моделирования процесса биологической очистки на нефтехимических предприятиях.

В процессе эксперимента производили отборы проб для измерения контрольных показателей через 15 мин, 1 ч, 2 ч, 3 ч и 16 ч после смешения активного ила со сточными водами. Экспериментальные исследования предполагали полнофакторный эксперимент для всех изучаемых токсикантов с учетом диапазона изменения их концентраций в трех повторностях для исключения случайных погрешностей. Общий объем датасета составил 4560 строк.

ПОДГОТОВКА ДАННЫХДЛЯ ИССЛЕДОВАНИЯ

Для достижения поставленных целей в рамках настоящего исследования был использован язык программирования Python в среде Jupyter, который представляет собой высокоуровневый язык программирования общего назначения. Данный язык обеспечивает высокую производительность разработчиков и читаемость кода, а также обеспечивает легкую переносимость созданных про- граммных приложений [7]. Python также является открытым фреймворком, позволяющим проводить анализ данных, статистическое моделирование и машинное обучение.

Для моделирования процесса биологической очистки сточных вод в Jupyter создан новый лист (Notebook). В первую очередь организовали импорт используемых библиотек для работы с данными, используя функцию import.

Для проверки типа данных в столбцах, а также выявления пропусков в ячейках, используя функцию выведения информации по таблице (info), была проанализирована информация в таблице исходных данных. По выведенной информации были выявлены пропуски в столбцах X4, Х5, Х10, Х11, У1, У2, У3, У4. По результатам проверки данных ошибок по типам данных нет. На следующем этапе проверили данные на наличие явных повторов, используя функцию выведения явных повторений (duplicated). Повторов в данных не обнаружено, приступили к следующему этапу – построение корреляции между числами (рис. 2), для чего использовали функцию подсчета корреляции (corr).

X1       X2      X3       X4       X5       X6       X7       X8       X9      X10      X11       У1       У2       УЗ       У4

1.000000  0.140913  0.115794 -0.003711  0.269714  -0.159633  0.107971  0.010662  0.029783  0.091429  0.128943  0.033742 -0.139380 -0.335967  0.006045

0.140913  1.000000  0.C100O8 -0.094307 -0.120932 -0.057522 -0.117648 -0.100811  -0.177839  -0.052302  0.209482  0.088740  0.037001  -0.133860 -0.03S260

0.115794  0.010008  1X00000  0.150878  0.094439  0.019345 -0.022605 -0.011917  -0.007350  0.208073 -0.144977  0.140508  -0.07327’  0.002077  0.15C584

-0.003711  -0.094307  0.150878  1.000000  0.341472  0.015165 -0.438892  0.776683  0.107514  0.077839  0.080312  0.141910  0.192154  0.267040  0.568233

-0.269’14  -0.120932  0.C94439  0.341472  1.000000  0.036618  0.014663  0.192271  0.019219  -0.050538 -0.087860  0.187333  0.474712  0.648228  0.295296

-0.159633 -0.057522  0.C19345  0.015166  0.036618  1.000000  0.115986 -0.064885  -0.320186  -0.037340  0.113556  0.165017  0.031600  0.152579 -0.086734

0.107971  -0.117648 -0.C22605 -0.438892  0.014663  0.115986  1 000000 -0.554492  -0.194354 -0.004421  -0.070743  0.242472  0.099432  0.017953 -0.49S552

0.010662  -0.100811  -0.C11917  0.776683  0.192271  -0.064885 -0.554492  1.000000  0.269958  -0/13864  0.031377  0.057724  0.039629  0.108035  0.40C637

0.029783 -0.177839 -0.C07350  0.107514  0.019219 -0.320186 -0.194354  0.269958  1.000000  0.063086 -0.277327 -0.446699 -0.003163  0.076643  0.418344

0.091429 -0.052302  0.208073  0.077839 -0.050538 -0.037340 -0.004421  -0.113864  0.063086  1.000000 -0.149910 -0.080068 -0.060386 -0.065696  0.138569

0.128943  0.209482  -0.144977  0.080312 -0.087860  0.113556 -0.070743  0.031377 -0.277327  -0/49910  1.000000  0.276974  0.105405 -0.007489 -0.128149

0.033742  0.088740  0.140508  0.141910  0.187333  0.165017  0.242472  0.057724  -0.446699  -0.080068  0.276974  1.000000  0.147188  0.070671  -0.314071

-0.139380  0.037001  -0.C73277  0.192154  0.474712  0.031600  0.099432  0.039629 -0.003163  -0.060388  0.105405  0.147188  1.000000  0.521566  0.20S783

-0.335967  -0.133860  0.C02077  0.267040  0.648228  0.152579  0.017953  0.108035  0.076643  -0.065696 -0.007489  0.070671  0.521566  1.000000  0.248160

0.008045 -0.039260  0.150584  0.568233  0.295296 -0.086734 -0.499552  0.400637  0.418344  0/38569 -0.126149 -0.314071  0.209783  0.246160  1.0OCO0O

Рис. 2. Корреляция между значениями переменных

Наиболее значительная корреляция отмечена между индексом Шеннона (Х4) и каталазной активностью (Х8), а также между исходной ДАИ по отношению к очищенной воде и ДАИ по отношению к сточной воде в процессе очистки (соответственно Х5 и У3). В первом случае это связано с откликом биомассы на негативное воздействие, то есть снижение биоразнообразия, оцениваемое по индексу Шеннона, коррелирует с ростом каталазной активности, как показателя стресса биомассы.

Корреляция между ДАИВВисх и ДАИСВ также закономерна. Физический смысл ДАИВВ – это отношение ферментов дегидрогеназ активного ила к биологически очищенной воде, в которой биологически окисляемый субстрат отсутствует, а ДАИСВ – тоже отношение к сточной воде, в которой достаточно субстрата и может присутствовать токсикант. Таким образом, чем меньше ДАИВВ в начале процесса, а значит активный ил полностью прошел регенерацию, тем меньше будет и ДАИНЖ, значит выше будет ДАИСВ, как реакция на поступление субстрата.

Далее изучили основную информацию о распределении данных, содержащихся в столбцах для чего использовали функцию числового распределения (describe). Для того чтобы не потерять точность при предсказании моделями значений У1-У4, значения этих столбцов нужно проверить на наличие выбросов значений, для этого были использованы функция построения графиков широкого назначения boxplot и выбран график распределения данных по квартилям, представленный рис. 3.

I я

17.5

15.0

12.5

10.0

7.5

5.0

2.5

0.0

Рис. 3. Гистограмма распределения данных

По гистограмме распределения выбросами в данных будут являться числа ниже первого квартиля и выше третьего. В столбце функции У1 такими выбросами являются значения ниже 1,0 и выше 3,5. Выбросами столбца У2 являются данные ниже нуля и выше 11. Выбросами столбца У3 являются данные выше 17,5. В столбце У4 выбросов не обнаружено.

Использование машинного обучения для анализа экспериментальных данных показало, что 25 строк в представленной таблице содержат ошибочные записи. Отсутствие предварительных этапов по подготовке и очистке данных могло бы привести к обучению прогностических моделей биологической очистки сточных вод на неверных данных, что существенно ограничивает их точность и надежность на реальных объектах негативного воздействия на окружающую среду. Пробелы в строках данных препятствуют построению эффективных предиктивных моделей. Поэтому на следующем этапе исследования моделирование процессов биологической очистки сточных вод нефтехимического предприятия осуществлялось на основе подготовленного и очищенного датасета.

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

Исследование данных путем построения моделей

В данной работе были использованы четыре модели: линейная регрессия (Linear Regression), полиномиальная регрессия второго порядка (Polynomial Features), «дерево решений» (Decision Tree Regressor) и «случайный лес» (Random Forest Regressor).

Линейная регрессия – одна из важнейших и широко используемых техник регрессии, позволяющий установить взаимосвязь между функцией и независимыми переменными. Одним из его достоинств является легкость интерпретации результатов [8].

Полиномиальная регрессия описывает нелинейную взаимосвязь между значениями X и соответствующими условным средним Y, обозначаемым как Y = f(X). Преимуществом полиномиальной регрессии является её способность наиболее точно аппроксимировать отношения между зависимой и независимыми переменными благодаря использованию многочленов, что позволяет эффективно учитывать широкий диапазон кривизны данных. Однако следует отметить, что полиномиальная зависимость очень чувствительна к выбросам, которые мы исключили на первом этапе работы с выборкой экспериментальных данных [9].

Модели «дерево решений» и «случайный лес» являются быстрыми по сравнению с другими алгоритмами и наиболее часто применяемыми алгоритмами контролируемого машинного обучения, выполняющими одновременно задачи регрессии и классификации [10-12].

Модель «случайный лес» (Random Forest) представляет собой ансамблевый метод, использующий множество деревьев решений, каждый из которых строится на случайно сформированном подмножестве исходных данных. Набор таких классификаторов формирует «лес», в котором каждое дерево генерируется на основе метрик выбора признаков, таких как прирост информации, соотношение прироста и индекс Джини [13]. Интерпретация модели «Случайный лес» более сложная по сравнению с «деревом решений», где можно легко определить результат, следуя по пути в «дереве» и даже формулируя правила по ходу движения по «дереву».

Для полученных и обработанных экспериментальных данных на примере токсиканта бензола и переменной Y1 были оценены все исследуемые предиктивные модели с целью выявления наиболее адекватной модели, описывающей процесс биологической очистки.

Результаты анализа показали, что модель линейной регрессии демонстрирует предсказание значений Y1 для токсиканта бензола с коэффициентом детерминации R2 = 0.82, что соответствует 82%. Полиномиальная регрессия обеспечивает более высокий коэффициент детерминации (R2 = 0.97 или 97%). Однако следует отметить, что данная модель имеет ограничение: не способна одновременно строить предсказания для нескольких зависимых переменных в рамках одного набора данных, при попытке предсказания других прогнозируемых переменных Y2, Y3 и Y4 она возвращает значения для прогноза лишь первой функции (Y1), что ограничивает её применение для дальнейших расчетов и прогноза различных показателей процесса биологической очистки при воздействии токсикантов.

Для моделирования процесса биологической очистки в широком диапазоне концентраций бензола при использовании модели «дерево решений» (рис. 4) метрика точности модели составила 0.93 (или 93%).

Предсказание гидробиологического индекса Шеннона активного ила в процессе биологической очистки по модели «случайный лес» (рис. 5) при количестве деревьев 8 и глубине 10 достигается точность 0.97 (или 97%) по метрике Accuracy.

На основании проведенного анализа, модель «случайный лес» продемонстрировала наилучшие результаты по метрикам качества среди всех исследованных моделей, поэтому дальнейшие предсказания для всех токсикантов осуществлялись с применением этой модели [14]. Результаты расчетов показателя качества модели «случайный лес» Accuracy для прогноза в процессе биологической очистки индекс Шеннона (У1), дегидрогеназной (У2 и У3) и каталазной (У4) активности ила для каждого исследованного токсиканта приведены в табл. 2.

9модель дерева решений best_model * Nona best_r»sult ■ О for depth in ranged* 5):

model * DecisionTreeRegressor (randori stateeI2345i nux_depth“depth) 9 обучение подели с заданной глубиной дерева model.fit(features_benzol_yl, target_benzol_yl) 9 обучение модели result * model. score (tea tures_ben2ol_yl, target_ben:ol_yl) 9 wvecrw модели print('max_depth -'* depth* •: ’, end ■ '') print(result) if result > best_result:

best_model ■ model best_result ■ result best_depth ■ depth print("Accuracy лучшей модели:”, best_result* "Глубина дерева:", best_depth)

max_depth - 1 : 0.611714466761513

maxdepth - 2 : 0.8076859910469963

max_depth - 3 : 0.906498434682722

max_depth - 4 : 0.9334100474873684

Accuracy лучшей модели: 0.9334100474873684 Глубина дерева: 4

Рис. 4. Обучение модели «дерево решений» и расчет метрики Accuracy

9модель случайного леса best_model ■ None best_result ■ 0

bestest ■ 0

best_depth - 0

for es: in ranged* 11):

for depth in range (1, 11):

model ■ Randomr^restKegressor (raidom_state*1234 5* max_depth * dept^, n_estimators"es*.) / модель с заданным колич»

Lt result > best_result:

best_model ■ model 9 намлучш/ю модель bo3t_result ■ result 9 наилушее значение метрики accuracy на валидациомных данных best_est * «st best_depth ■ depth print ("Accuracy наилучиий модели на валидациокной выборке:", best_result, 'Количество дерев>ев:", best_est, 'Максимально

Accuracy наилучшей модели на валидаиионнэй выборке: 0.9747468990960966 Количество деревьев: 8 Максимальная глубина: 1 0

Рис. 5. Обучение модели «случайный лес» и расчет метрики Accuracy

Таблица 2. Показатель качества модели Accuracy для модели «случайный лес»

Токсикант	У х	У 2	У з	У 4
Бензол	0,97	0,98	0,96	0,96
Толуол	0,95	0,93	0,97	0,96
Стирол	0,96	0,92	0,91	0,97
Фенол	0,94	0,95	0,96	0,97
Этилбензол	0,96	0,91	0,93	0,93
Формальдегид	0,97	0,93	0,98	0,96

С точностью, представленной в табл. 2, построены модели предсказания для токсикантов (бензол, толуол, стирол, фенол, этилбензол, формальдегид) в изученном диапазоне изменения параметров (Х) для принятия решения оператором о возможности приема на узел биологической очистки сточных вод и их очистки.

Реализация алгоритма для процедуры принятия решений по сбросу сточных вод на биологические очистные сооружения

В рамках исследования проведена апробация на биологических очистных сооружениях нефтехимического предприятия разработанного алгоритма для моделирования состояния активного ила в процессе биоочистки.

Пример использования разработанного алгоритма на основе модели «случайный лес» для токсиканта бензол демонстрирует, что оператор, вводя текущие показатели качества активного ила (X1-X11) и данные о сточных водах, поступающих на очистку (в качестве примера, рис. 6), может получить результаты прогнозирования показателей состояния активного ила.

Моделирование позволяет оценить условия функционирования активного ила под воздействием определенных токсикантов, реакцию активного ила на поступление субстрата, т.е. возможность оценки бактериальной трансформации загрязняющих веществ сточных вод, а также сукцессии биоценоза.

ИМ X4 X5 И X7 U И ХЮ XII

0 1 H ?« 025 35 05 155 Ю0 75 25

У1

4КйЛ1Л»сг«о деревьев,- в Махемаальхаа глубин»i 20

■odel ■ RandomForestRegressor(randomstate"!2345, raxdepth ■ 10, nestimators ■ 8)

• ■ odel.fit(features benzol yl, target benzol yl)

predicted_teat • model.predict(d£_test)

predicted test array((1.$5775751)

У2

9 Xcuurwecrso ворс b^cb: в Млхсиылтмля глубин»: 10

• ■ odel ■ RandoeiForestRegressortrandori stateel2345, raxdepth ■ 10, n_estlMtor« ■ 8)

• ■ odel.fit(features_benzol_y2, tarqet_benzol_y2)

predieted_teat * model.predict(df_test)

predicted teet array([2.25534634)1

УЗ

4 Количества деревьев: 10 Мажсмамльма» глубин»: 10

■odel ■ RandomForestRegressor (randoc«8tate«12 345, raxdepth « 10, n estimator# ■ IC)

• ■ Odel.fit{features benzol_y3, target benzol y3) predictcdtest • model.pr edict(dl_teat) predlcLed_test

  arrayf(1.18876183))

У4

t Количество деревьев: В Млкашллинля глубине: 10

■odel ■ RandomForestRegressor(random #tate*12345, пах depth ■ -0, n estimators ■ 8)

Рис. 6. Моделирование показателей биологической очистки по модели «случайный лес»

Индекс биоразнообразия Шеннона зависит от двух факторов: от числа родов в биоценозе и распределения численности особей между отдельными родами. Чем выше индекс биоразнообразия, тем лучше будет обеспечено качество биологической очистки сточных вод [6,14].

При заданных в примере условиях модель прогнозирует, что по окончании процесса биологической очистки сточных вод с содержанием 1,0 мг/дм3 бензола индекс Шеннона снизится относительно исходного значения и составит 1,96, что хорошо коррелирует с экспериментальными и производственными данными, полученными на этапе адаптации и внедрения разработанного алгоритма на действующие очистные сооружения. Также модель предсказывает ДАИСВ, равное 2,26 мг/г, ДА-ИНЖ, равное 1,19 мг/г. Фермент дегидрогеназа относится к классу оксидоредуктаз, катализирующих реакцию дегидрогенизации, т.е. отщепления водорода у органического соединения. Фермент дегидрогеназа относится к конститутивным ферментам, так как дегидрирование занимает основную долю процессов при биологической очистке [4].

Такие высокие значения дегидрогеназной активности по отношению к надиловой жидкости и ее снижение по отношению к сточной воде свидетельствуют о повышенном остаточном содержании субстрата и промежуточных продуктов его метаболизма в клетках активной биомассы. Это делает невозможным организацию эффективного нового цикла процесса биологической очистки без глубокой регенерации активного ила. Продолжительность регенерации в данном случае может быть рассчитана оператором путем изменения продолжительности аэрации (Х3) в разработанном алгоритме.

На основании данных моделирования оператор очистных сооружений может принять обоснованное решение о возможности приема сточных вод для очистки на основе текущих технологических показателей процесса, необходимости их разбавления, используя для этого различные режимы работы насосного оборудования или регулирования запорной арматуры, или отказа в приеме стоков и перевода их в запасные емкости в случае их несоответствия установленным требованиям. В рассматриваемой моделируемой технологической ситуации прогнозируется рост каталазной активности до 45,78 мг Н2О2/г·мин, то есть рост показателя стресса биомассы. Это хорошо согласуется с экспериментальными данными по оценке токсичности бензола и продуктов его биотрансформации [15].

Фермент каталаза находится почти во всех аэробно дышащих клетках и у некоторых факульта- тивных анаэробов. Учитывая, что наибольшую роль в процессе биологической очистки сточных вод занимают окислительные процессы, перспективным является оценка и прогноз каталазной активности ила. Однако активность этого фермента значительно различается в зависимости от вида, возраста, стадии развития, физиологии и состояния организма [5].

Таким образом, разработанный алгоритм будет использован для оперативного управления, принятия технологических решений и информационной поддержки персонала очистных сооружений. Это несомненно повысит оперативность принятия решений и качество очистки сточных вод, особенно в условиях стажировки и работы нового персонала, что может существенно снизить процент недостаточно очищенных сточных вод за счет более точного регулирования процесса биологической очистки.

ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

В результате проведенного исследования были получены экспериментальные данные о состоянии активного ила под действием широкого диапазона концентраций токсикантов (бензол, толуол, стирол, фенол, этилбензол, формальдегид) в процессе биологической очистки сточных вод, формирующихся на урбанизированных территориях на примере крупного промышленного нефтехимического комплекса Республики Татарстан. Данные подготовлены к анализу путем удаления повторов, выбросов и проверки пропусков с последующим удалением или заменой на медиану по признакам корреляции.