Biológico 2,4,6

Scientific Reports volumen 13, Número de artículo: 9053 (2023) Citar este artículo

88 Accesos

Detalles de métricas

Serios problemas de salud pueden resultar de la exposición al contaminante nitrogenado como el 2,4,6-trinitrotolueno (TNT), que es emitido al medio ambiente por las industrias militares y de municiones, así como por las aguas residuales contaminadas con TNT. La eliminación de TNT mediante lodos activados por aireación prolongada (EAAS) se optimizó en el estudio actual mediante el uso de modelos de redes neuronales artificiales. Para lograr la mejor eficiencia de eliminación, en este estudio se utilizaron 500 mg/L de demanda química de oxígeno (DQO), 4 y 6 h de tiempo de retención hidráulica (HRT) y 1–30 mg/L de TNT. La cinética de eliminación de TNT por el sistema EAAS se describió mediante el cálculo de los coeficientes cinéticos K, Ks, Kd, max, MLSS, MLVSS, F/M y SVI. Se utilizaron el sistema de inferencia difuso adaptativo (ANFIS) y los algoritmos genéticos (GA) para optimizar los datos obtenidos a través de la eliminación de TNT. Se utilizó el enfoque ANFIS para analizar e interpretar los datos proporcionados, y su precisión fue de alrededor del 97,93 %. La eficiencia de eliminación más eficaz se determinó utilizando el método GA. En circunstancias ideales (concentración de TNT de 10 mg/l y 6 h), la eficacia de eliminación de TNT del sistema EAAS fue del 84,25 %. Nuestros hallazgos demostraron que la optimización EAAS basada en el sistema de red neuronal artificial (ANFIS) podría mejorar la efectividad de la eliminación de TNT. Además, se puede afirmar que el sistema EAAS mejorado tiene la capacidad de extraer aguas residuales con mayores concentraciones de TNT en comparación con experimentos anteriores.

La calidad del agua y la escasez de recursos son dos problemas que enfrenta el mundo actual debido a las influencias geográficas, antropológicas y socioeconómicas1. En consecuencia, la recuperación sostenible y la reutilización de los recursos de aguas residuales se han considerado durante mucho tiempo como enfoques prometedores para superar estos problemas. Sin embargo, la presencia de una amplia gama de compuestos peligrosos en las aguas residuales, que incluyen pesticidas, hidrocarburos aromáticos policíclicos, compuestos polifenólicos, aceite, surfactantes y nitroaromáticos, ha dificultado el desarrollo de estrategias con la eficiencia deseable para eliminar estos contaminantes2,3. Con respecto a muchos compuestos orgánicos e inorgánicos en las aguas residuales domésticas e industriales, se han aplicado diferentes procesos de tratamiento de aguas residuales biológicos y químicos para superar la eliminación de la contaminación de las aguas residuales4,5,6,7,8.

Entre los contaminantes mencionados anteriormente, los compuestos nitroaromáticos (NAC) se consideran una de las principales fuentes de contaminación en los recursos de aguas residuales que pueden inducir problemas graves si no se eliminan adecuadamente9. Estos compuestos son una clase particular de moléculas aromáticas con al menos un grupo nitro (–NO2) en su anillo de benceno. Se ha demostrado que las NAC se han distribuido ampliamente en el medio ambiente10, y 1,3,5-trinitrobenceno (TNB), 2,4,6-trinitrotolueno (TNT), trinitrofenol, tetril nitramina, hexanitrobenceno se encuentran entre las NAC conocidas1 .

TNT (2,4,6-trinitrotolueno) es una sustancia aromática multifuncional utilizada en una amplia variedad de campos, incluidos medicamentos, insecticidas, fungicidas, herbicidas, espumas de poliuretano y colorantes. Además, se encuentra entre los explosivos más tradicionales que aún se utilizan en la industria minera11. El proceso de producción de TNT abarca varios pasos que generan materiales de desecho que finalmente se liberan en el entorno circundante y podrían contaminar los recursos hídricos y el suelo. El mononitrotolueno (MNT), el dinitrotolueno (DNT), los sulfatos, el dinitrotoluenosulfonato (DNTS) y varios otros nitrobencenos (NB) también son los principales derivados del TNT con riesgos potenciales para la salud. Es bien sabido que cantidades variables de estas sustancias nitrogenadas están presentes en las aguas residuales contaminadas con TNT y son responsables de la decoloración (p. ej., agua anaranjada, agua roja, agua amarilla, etc.)9. También se han reportado aguas residuales contaminadas con TNT con altos niveles de demanda química de oxígeno (DQO), que varían de 600 a 6000 mg/L12. De acuerdo, se demostró que la presencia de TNT y otros productos químicos aromáticos relacionados en las aguas residuales afectan enormemente la ecología regional. Según las pautas de la Agencia de Protección Ambiental (EPA), la concentración máxima de TNT en el agua y el suelo no debe exceder los 2 µg/L y los 17,2 mg/L, respectivamente13,14. Otros también han demostrado que la presencia de más derivados del nitrobenceno —MNT, DNT, sulfonatos y otros— podría aumentar los niveles de contaminación11,12,13,14,15. Teniendo en cuenta estas notas, las aguas residuales contaminadas con TNT deben tratarse adecuadamente antes de su descarga en los cursos de agua.

Se han utilizado estrategias físicas, químicas y biológicas en varios procesos de tratamiento hasta este momento para eliminar o adsorber este contaminante de aguas residuales16. A pesar de algunos de sus beneficios, pueden carecer de rentabilidad o confiabilidad para su uso a gran escala17. Pero en esta situación, los métodos de tratamiento biológico que emplean consorcios microbianos han recibido mucha atención ya que tienen la capacidad de mineralizar TNT y generar subproductos inofensivos (biomasa microbiana, H2 y CO2). Debido a su accesibilidad, alta efectividad y respeto al medio ambiente, los métodos biológicos han ganado mucho interés últimamente en el tratamiento de este tipo de aguas residuales. Además, la biodegradación efectiva de estos contaminantes fue posible tanto en condiciones aeróbicas como anaeróbicas18,19.

La eficiencia del proceso de lodos activados se ha incrementado mediante una serie de cambios que se han realizado de acuerdo con la literatura. El lodo activado por aireación extendida (EAAS) es la modificación más utilizada del sistema de lodo activado (AS), pero el uso de este método para el tratamiento de aguas residuales está sujeto a limitaciones significativas como un tiempo de retención alto (HRT), baja biomasa activa y baja tasa de carga orgánica. Por el contrario, la importante capacidad de aireación de este sistema y la mezcla completa del contenido del recipiente aumentan la confiabilidad del proceso20. Además, el bajo flujo de salida de DBO, el bajo lodo activado residual y la baja descarga de amoníaco se encuentran entre las ventajas del EAAS. Por lo tanto, dado que las ventajas del sistema EAAS a menudo superan a sus desventajas, parece esencial ajustar la condición en la que podría ser la mejor eficiencia de eliminación21.

Durante la última década, se han introducido varios modelos matemáticos para optimizar los procesos de tratamiento. En este sentido, la inteligencia artificial (IA) se ha utilizado ampliamente para fines de simulación de datos, así como para la optimización precisa de los procesos biológicos. Entre los enfoques de IA más utilizados se encuentran el sistema de inferencia neurodifuso adaptativo (ANFIS), la lógica difusa, la máquina de vectores de soporte, el algoritmo genético (GA), la metodología de superficie de respuesta (RSM) y la red neuronal artificial (ANN)22. El sistema de inferencia neurodifuso adaptativo (ANFIS) es un enfoque moderno y efectivo para modelar las relaciones de entrada-salida en sistemas complejos23. En este método, es posible aprender de los datos de entrenamiento como una ANN y luego resolverlos en un sistema de inferencia difuso (FIS). Finalmente, las capas ocultas son identificadas exactamente por un FIS en la red ANFIS. Este método elimina el importante desafío de determinar y predecir las capas ocultas en el modelo ANN. Esta puede ser una razón importante para utilizar el método ANFIS, si bien este enfoque no tiene un modelo matemático complejo y es un método rápido y flexible para desarrollar modelos predictivos de procesos de tratamiento bioquímico24. Un algoritmo genético (AG) es también un método de investigación para obtener soluciones precisas o aproximadas a problemas de optimización24. Los AG son técnicas de optimización que se controlan en base a los principios de la evolución y la genética natural24. Una de las ventajas de este método es su capacidad para crear modelos claros para sistemas complejos y difíciles. Como resultado, este método se puede emplear para optimizar sistemas en los que las funciones discontinuas, aleatorias y no lineales no son adecuadas para los patrones de optimización estándar24.

ANN es un enfoque común de aprendizaje automático que es un subconjunto de AI. Dado que no es necesario conocer las características físicas del proceso, las redes neuronales pertenecen a la categoría de modelos de "caja negra". Establece una asociación entre las variables de entrada y salida. Como lo demuestra el aumento de la investigación a lo largo del tiempo, la tendencia parece avanzar más en la dirección de los modelos ANN. Esto es concebible ya que ANN ofrece varios beneficios sobre los modelos tradicionales. Estos beneficios incluyen el modelado de funciones no lineales complejas con alta precisión, la compatibilidad con el modelado de múltiples entradas y múltiples salidas (MIMO), el trabajo con datos caóticos e imperfectos, lo que requiere menos esfuerzo de procesamiento y permite que el modelo se actualice o entrene con datos nuevos. Junto con sus beneficios, el modelado ANN también tiene algunos inconvenientes. Estos inconvenientes incluyen el hecho de que el parámetro del modelo (número de nodos, capas ocultas) no tiene un significado físico y que no existe un método aceptado para determinar el diseño de la red. Además, las pruebas y los fallos pueden dar lugar a un ajuste excesivo o insuficiente y no ofrecen una solución única. Además, una red mal capacitada puede congregarse en un mínimo local. Como resultado, en este trabajo se utilizaron técnicas ANFIS y GA para simular, modelar y optimizar los datos. Además de modelar el rendimiento ideal del sistema y determinar sus coeficientes cinéticos, el objetivo de este estudio fue determinar si el sistema biológico de aireación extendida puede eliminar con éxito el TNT de las aguas residuales. No ha habido ninguna investigación sobre la eliminación de TNT utilizando EAAS, según la evaluación de la literatura.

Los materiales del experimento, que incluían dicromato de potasio, sulfato de plata, sulfato de mercurio, acetonitrilo, metanol, Triton x-114 y acetona, se compraron a Merck en Alemania. A escala piloto, se empleó en este estudio lodo activado con un sistema de aireación extendido que comprende un tanque de aireación, un tanque de sedimentación o clarificador secundario, preparación de aguas residuales sintéticas y tanques colectores. El tanque de aireación tenía 38,5 cm de alto, 15 cm de ancho y 44 cm de largo, y el tanque de sedimentación tenía 21 cm de alto, 20 cm de ancho y 30 cm de largo (Fig. 1). La capacidad del tanque de aireación extendida era de 34 L. El sistema estaba equipado con una bomba de inyección de efluentes y retorno de lodos que operaba de manera continua. En este estudio se utilizó agua residual sintética con DQO (500 mg/L), HRT (4–6 h) y TNT (1–30 mg/L). En detalle, las aguas residuales preparadas sintéticamente se añadieron cada vez más al sistema hasta que se alcanzó el equilibrio. Posteriormente, se aumentó la concentración para completar el proceso. Luego, el TNT restante en el efluente se analizó utilizando un sistema de cromatografía líquida de alta resolución (HPLC, Waters Co. y software Millennium) equipado con un detector UV-Vis modelo 486 y una columna usada (250 mm × 4,6 mm × 5 micras). Acetonitrilo y agua en una proporción de 80:20 sirvieron como fase móvil. El volumen de inyección fue de 20 µl, la velocidad de flujo a través de la columna fue de 1 ml/min y la longitud de onda de absorción utilizada fue de 210 nm. Cada dos semanas se obtuvo una muestra de la muestra extraída que contenía el material explosivo para la prueba de DQO, y el análisis se llevó a cabo de acuerdo con el procedimiento de prueba descrito en los Métodos estándar11. Finalmente, la eficiencia del proceso se calculó mediante la siguiente ecuación:

donde C0 y Ct (mg/L) son las concentraciones de TNT inicial y final25.

Esquema del piloto EAAS.

Se utilizó el software SPSS-v.20 (Inc., Chicago, EE. UU.) para realizar el análisis estadístico. Se utilizó la prueba de Kolmogorov-Smirnov para evaluar la distribución de datos. Se calcularon la mediana y la media ± DE.

El modelo ANFIS se basa en la estructura de Sugeno con un modelado neuronal difuso creado en el software MATLAB 2017. La arquitectura ANFIS se basa en las redes neuronales artificiales y la lógica difusa que obtiene la distribución óptima de funciones de pertenencia entre los datos de entrada y salida. Las cinco capas principales de formación del modelo ANFIS son (1) capa difusa, (2) capa de producto, (3) capa normalizada, (4) capa no difusa y (5) capa de salida total.

En este estudio, varias funciones de membresía diferentes, como la función de membresía triangular (trimf), la función de membresía trapezoidal (trapmf), la función de membresía de campana generalizada (gbellmf), la función de membresía de la curva gaussiana (gaussmf), la función de membresía híbrida gaussiana (gauss2mf), P- Se estudiaron la función de pertenencia de forma (pimf), la diferencia entre dos funciones de pertenencia sigmoideas (dsigmf), el producto de dos funciones de pertenencia sigmoideas (psigmf). Para identificar la función de pertenencia más adecuada, el conjunto de datos obtenidos (110 muestras) del reactor se dividió aleatoriamente en dos categorías: 85 % de entrenamiento y 15 % de prueba. Además, en esta investigación se empleó un algoritmo de aprendizaje híbrido para aumentar la tasa de convergencia. Este algoritmo se utilizó para integrar los dos métodos de mínimos cuadrados y gradientes para actualizar los parámetros de entrada. Se empleó el método de mínimos cuadrados para optimizar los parámetros de entrada. Luego, se aplicó el método de gradiente de descenso para ajustar mejor los parámetros predeterminados. Finalmente, la salida de ANFIS fue determinada por los siguientes parámetros26. Para este propósito, F/M, HRT, SRT, MLSS, MLVSS, SVI y TNTin se introdujeron como parámetros de entrada al modelo. La eliminación de TNT se consideró como el parámetro de respuesta.

Cabe destacar que la precisión y adecuación de los modelos presentados por ANFIS se determinaron calculando el coeficiente (R2) y el error cuadrático medio (RMSE) de la siguiente manera (ecuaciones 2 y 3)27,28:

El GA se empleó para obtener las condiciones óptimas para la eliminación de TNT como función de aptitud basada en el modelo ANFIS desarrollado en este estudio. Todos los análisis de GA se realizaron en el software MATLAB versión R2017a.

Los demás parámetros considerados en el algoritmo genético fueron: el número de generación 250, la función de escalado de rango, la función de selección de uniforme estocástico, el número de élite 2, la fracción de cruce igual a 0,8 y la función de mutación de restricción dependiente y combinación de función dispersa28.

Es bien sabido que la exposición a una concentración de contaminantes que exceda los niveles de limitación podría afectar el funcionamiento y la eficiencia de eliminación de los procesos biológicos. En este estudio se utilizaron múltiples concentraciones de TNT (1, 10 y 30 mg/L) para evaluar la eficiencia de eliminación del sistema durante 4 y 6 h. Como se muestra en las Fig. 2a yb, la eficiencia de eliminación disminuyó al aumentar la concentración de TNT de 1 a 30 mg/L. Los valores medios de eliminación de TNT para 1, 10 y 30 mg/L fueron 89,56 % ± 3,29, 80,43 % ± 4,54 y 82,79 % ± 1,43 a las 4 h, y 92,83 % ± 1,58, 82,08 % ± 3,53 y 84,25 % ± 1,93 a TRH 6 h, respectivamente. Se puede suponer que esto podría deberse a la toxicidad del contaminante en el reactor de proceso oa la generación de subproductos más peligrosos, lo que impide la eliminación efectiva de TNT por consorcios bacterianos. Por otro lado, como el TNT es nitrogenado por naturaleza, también se puede inferir que concentraciones más altas de TNT influyen en la fuente de carbono disponible para las bacterias, lo que a su vez disminuye la eficiencia de eliminación16. Permatasari et al.30 y Dionisi et al.29 también han demostrado que la proporción de C:N:P (100:5:1 a 100:10:1) es crucial en las actividades biológicas. Con base en los resultados, la concentración de 10 mg/L de TNT fue la correspondiente a la eficiencia de eliminación más baja; sin embargo, al aumentar su concentración a 30 mg/L, se incrementó la eficiencia de remoción. Esto podría interpretarse como un mayor crecimiento de la biomasa en el reactor a mayores concentraciones de contaminantes que conduce a una mayor eliminación de TNT. Además, a mayor concentración de TNT, el tiempo de adaptación de las bacterias de la biomasa disminuiría, lo que a su vez podría estar asociado con una mayor remoción del contaminante investigado. Estos argumentos también pueden ser válidos para concentraciones menores, ya que observamos una mayor eficiencia de eliminación a 1 mg/L de TNT. Además, a concentraciones más bajas, las bacterias de la biomasa no están expuestas a niveles más altos de subproductos tóxicos29,31,32.

Comparación de la eficiencia de eliminación de TNT a diferentes concentraciones de TNT de 4 h (a) y 6 h (b) y TNT.

Como se muestra en la Fig. 2, la eficiencia de eliminación aumentó con el incremento de la duración de la retención hidráulica. Se puede inferir que a un tiempo de retención más alto, las bacterias podrían descomponer efectivamente el compuesto TNT, lo que luego permitió que más bacterias muertas y lodo activo lo adsorbieran en la superficie. Además, pueden ocurrir más colisiones e interacciones entre las moléculas de TNT y otras sustancias químicas en las aguas residuales al aumentar el tiempo de retención hidráulica que conduce a una mayor eliminación de las moléculas de TNT. Varios otros estudios también han demostrado que más bacterias podrían adaptarse al contaminante en un tiempo de retención más largo que aumentaría su eliminación. Además, una variedad de productos químicos o sus subproductos recién formados en las aguas residuales también pueden aumentar la eliminación de TNT. Por último pero no menos importante; un tiempo de retención más largo le da a la bacteria esta oportunidad de degradar el compuesto de interés de manera más efectiva32,33.

Como se mencionó anteriormente, la concentración de contaminantes puede afectar los procesos biológicos, lo que a su vez afecta los niveles de DQO y la eficiencia del proceso asociado. Como se muestra en la Fig. 3a yb, al aumentar la concentración de TNT, también aumentó la eficiencia de eliminación de DQO. Dado que la DQO es un componente de la mayoría de los contaminantes, se puede suponer que a mayor concentración del contaminante investigado, los niveles de DQO aumentan. Como resultado, para concentraciones de TNT que oscilan entre 1 y 30 mg/L, la eficiencia promedio de eliminación de DQO fue de 31,89 % ± 3,03 a 35,89 % ± 2,89 durante 4 h y de 43,67 % ± 2,70 a 45 % ± 2,23 durante 6 h. Por otro lado, se puede afirmar que cuando aumenta la concentración de contaminantes, también aumenta el requerimiento de carbono y nitrógeno por parte de las bacterias para degradar y eliminar la materia orgánica, lo que puede resultar en un aumento en la eficacia de la eliminación de DQO. Además, cuando aumenta el contenido de TNT, las bacterias requieren más sustrato, lo que favorece su crecimiento y, a su vez, mejora la eficacia de la eliminación de la DQO29,31,34.

Comparación de la eficiencia de eliminación de DQO a diferentes concentraciones de TNT de 4 h (a) y 6 h (b) y TNT.

Uno de los métodos más cruciales para determinar las condiciones ideales en términos de eficiencia del proceso, rentabilidad y probable uso a gran escala es la determinación de los coeficientes cinéticos y los parámetros relacionados. Como se muestra en la Tabla 1, los coeficientes cinéticos son casi constantes y no cambian a lo largo de una variedad de HRT y concentraciones de contaminantes. Solo algunos coeficientes, incluidos Ks, MLSS, MLVSS y SVI, muestran una pequeña variación, que es causada por variaciones en la concentración de contaminantes y el tiempo de retención hidráulica.

La Tabla 2 resume la eficacia de varios procesos biológicos para eliminar el TNT, así como algunos contaminantes diferentes. Con base en los resultados informados y los hallazgos del presente estudio, los procesos biológicos que utilizan lodos activados por aireación extendida muestran una eficiencia adecuada y aquellos operados con un tiempo de procesamiento corto pueden emplearse para eliminar contaminantes orgánicos. Aunque algunos de ellos se han llevado a cabo con un tiempo de retención hidráulica más largo y, por lo tanto, no suelen ser aceptables en términos de economía y productividad.

La estructura ANFIS y el modelo de red se utilizaron para este trabajo para predecir la eliminación de ATN. Los resultados se muestran en la figura 4.

Estructura ANFIS desarrollada.

Como se mencionó en los métodos, se empleó el sistema FIS tipo Sugeno y la función de membresía para llevar a cabo el proceso de capacitación. El FIS tiene las 7 entradas de F/M, HRT, SRT, MLSS, MLVSS, SVI y TNTin. Para generar las reglas modificadas en un determinado conjunto de datos, se utilizó la técnica de particionamiento de redes. Para este propósito, el 85% del conjunto de datos (92 muestras) se usó para entrenar el modelo ANFIS y el 15% restante del conjunto de datos (16 muestras) se usó para probar la competencia predictiva del modelo relevante.

El modelo ANFIS primero realiza el proceso de entrenamiento para el conjunto de datos de entrenamiento y luego prueba los resultados con los datos de prueba. Además, en el proceso de entrenamiento del modelo ANFIS, el conjunto de datos de entrada se dibujó varias veces para evitar posibles errores. El número requerido de iteraciones para mapear se estableció como épocas. Además, para medir la validez y eficiencia del modelo después del proceso de entrenamiento, este modelo se probó en 16 conjuntos de datos.

En el siguiente paso, se analizaron los resultados obtenidos de los procesos de entrenamiento y prueba del modelo ANFIS utilizando diferentes tipos de funciones de membresía. De acuerdo con los resultados obtenidos, la función de pertenencia gaussiana (gaussmf) presentó un error de predicción menor que otras funciones. El RMSE se obtuvo 6.593E−3 para entrenamiento y 7.904E−3 para prueba. La estructura de ANFIS funcionó bien cuando se asignaron 2 funciones de pertenencia a cada variable de entrada. La figura 5a representa la curva de error de entrenamiento para los valores experimentales de eliminación de ATN. Las Figuras 5b y c demuestran los resultados experimentales de la eliminación de ATN en condiciones de procesamiento similares usando el modelo ANFIS para comparar conjuntos de datos experimentales y de entrenamiento. Además, R2 en este estudio es aproximadamente 97,93 % y 94,34 % para el conjunto de datos de entrenamiento y prueba, respectivamente, lo que indica la precisión y adecuación del modelo.

( a ) Curva de error de entrenamiento del modelo ANFIS para la eliminación de TNT, ( b ) comparación de valores experimentales y predichos en el entrenamiento y ( c ) procesos de prueba.

En el presente estudio, se utilizó el algoritmo genético para optimizar los parámetros de entrada y finalmente lograr la mayor eficiencia de eliminación. El modelo ANFIS diseñado se introdujo como una función de aptitud para GA. En la Fig. 6, se presenta un diagrama de los mejores y promedios valores de fitness en cada generación. La Tabla 3 también representa los mejores valores de fitness en la generación final. Por lo tanto, los valores óptimos de los parámetros de entrada, que son F/M, HRT, SRT, MLSS, MLVSS, SVI y TNTin, fueron iguales a 0,32, 5,81, 12,12, 2814,74, 2407,21, 144,84 y 4,78, respectivamente, lo que lleva a la mayor eficiencia de remoción (96.80%).

Resultados del algoritmo genético: los valores de fitness mejores y medios por generación.

Utilizando el modelo ANFIS diseñado, se dibujaron los siguientes diagramas en el software MATLAB. Los parámetros que se muestran dentro de cada gráfico se consideraron variables y los demás parámetros de cada gráfico fueron fijos e iguales a sus valores óptimos (obtenidos del algoritmo genético) (Fig. 7).

Predicción ANFIS de la tasa de eliminación en diferentes parámetros de entrada.

El análisis de sensibilidad se realiza para evaluar la importancia del efecto de cada parámetro en la variable de salida40. Esto muestra hasta qué punto cada factor de entrada afecta la precisión del modelo predicho y, finalmente, es una buena forma de diseñar más aplicaciones41. En este estudio, el análisis de sensibilidad se realizó mediante el método de correlación de Pearson. Según el siguiente diagrama, el efecto de los parámetros de entrada fue del orden de la concentración inicial de TNTin, MLVSS, MLSS, F/M, HRT, SRT y SVI. El factor de impacto de cada parámetro es visible en la Fig. 8.

Análisis de sensibilidad mediante correlación de Pearson.

En esta investigación se utilizó el proceso biológico EAAS en la eliminación de TNT mediante el diseño de un piloto con dimensiones de 38,5 × 15 × 44 cm. Los parámetros analizados fueron la concentración de TNT, TRH y DQO, que se optimizaron, y la eficiencia óptima de eliminación de TNT en las circunstancias de TNT 10 mg/L y TRH 6 h fue del 84,25 %. Los coeficientes cinéticos se calcularon durante el proceso de eliminación de TNT, y pueden utilizarse posteriormente para el diseño del sistema de la planta de tratamiento a escala real. Los procesos biológicos dependen tanto de la generación de biomasa como del consumo de oxígeno. Estas variables deben estudiarse más a fondo con aguas residuales de diversas composiciones, ya que tienen efectos significativos en el diseño de procedimientos biológicos de tratamiento de aguas residuales. Además, los parámetros examinados se ajustaron utilizando modelos de redes neuronales artificiales. El proceso de modelado utiliza el método ANFIS y un algoritmo genético. Según el estudio del método ANFIS, se alcanzó una precisión de alrededor del 97,93%. Además, F/M: 0,32 /día, 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 y TNT eliminación 96% fueron los valores de los parámetros que el algoritmo genético optimizó. En consecuencia, esta investigación ha demostrado la importancia de optimizar la concentración de TNT y TRH para lograr el rendimiento óptimo del proceso. Para aguas residuales con composiciones químicas diversas y más complicadas, así como mecanismos de nitrificación/desnitrificación para la eliminación de compuestos nitroaromáticos, se requiere investigación adicional.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable. Además, no se utilizó ningún software para crear imágenes.

Aamir, M. et al. Desarrollo y validación de un método novedoso para la determinación de 2, 4, 6-trinitrotolueno y sus metabolitos en LC-MS/MS. Anal. Bioquímica 638, 114496 (2022).

Artículo CAS PubMed Google Académico

Ahmadi, E. et al. Estudio cinético y evaluación del rendimiento de un biorreactor bifásico integrado de película fija con deflectores para la recuperación de bioenergía a partir de aguas residuales y lodos biorresiduos. Renovar. Sostener. Energía Rev. 121, 109674 (2020).

Artículo CAS Google Académico

Fawcett-Hirst, W., Temple, TJ, Ladyman, MK y Coulon, F. Una revisión de los métodos de tratamiento para aguas residuales contaminadas con alto contenido de explosivos insensibles. Heliyon 7, e07438 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Dehghani, MH et al. Adsorción de bisfenol A (BPA) a partir de soluciones acuosas por nanotubos de carbono: Estudios cinéticos y de equilibrio. Desalinizar Tratamiento de agua. 54, 84–923 (2015).

Artículo CAS Google Académico

Mahvi, AH et al. Foto-oxidación de fenol en solución acuosa: Toxicidad de intermediarios. Coreano J. Chem. Ing. 24, 79–82 (2007).

Artículo CAS Google Académico

Maleki, A. et al. Estudio de la eficiencia de procesos fotoquímicos y sonoquímicos para la degradación de colorantes en solución acuosa. Coreano J. Chem. Ing. 27, 1805–1810 (2010).

Artículo CAS Google Académico

Mahvi, AH Reactor por lotes de secuenciación: una tecnología prometedora en el tratamiento de aguas residuales. Irán. J. Medio Ambiente. Ciencias de la Salud Ing. 5, 79–90 (2008).

CAS Google Académico

Bazrafshan, E. et al. Tratamiento de aguas residuales de matadero mediante proceso combinado de coagulación química y electrocoagulación. PLoS ONE 7, e40108 (2012).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Rehman, SU et al. Síntesis de nanoesferas huecas magnéticas de Fe3O4 para el tratamiento de aguas residuales industriales TNT. Nanomateriales 12, 881 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Algharagholy , LA , Sadeghi , H. & Al-Backri , AA Detección selectiva de 2 , 4 , 6-trinitrotolueno y triperóxido de triacetona utilizando heteronanotubos de nitruro de carbono/boro . Mate. Hoy Comun. Rev. 28, 102739 (2021).

Artículo CAS Google Académico

Zhang, X. et al. KMgF3 cubierto con PEI: nanopartículas Eu2+ para la detección de fluorescencia de compuestos nitroaromáticos en aguas residuales municipales. Surf de coloides. B 197, 111379 (2021).

Artículo CAS Google Académico

Xu, M. et al. Degradación de 2, 4, 6-trinitrotolueno (TNT): participación de protocatechuato 3, 4-dioxigenasa (P34O) en Buttiauxella sp. T19–1. Tóxicos 9, 231 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

EPA, U. Ficha técnica-2, 4, 6-Trinitrotolueno (TNT). En Oficina de Residuos Sólidos y Respuesta a Emergencias (5106P) (2014).

Singh, SN Remediación biológica de residuos de explosivos (Springer, 2013).

Google Académico

Serrano-González, MY et al. Biotransformación y degradación de 2, 4, 6-trinitrotolueno por metabolismo microbiano y su interacción. Tecnología de defensa. 14, 151–164 (2018).

Artículo Google Académico

Mirshafiee, A. & Darvish, M. Degradación de 2, 4, 6-trinitrotolueno (TNT) de una solución acuosa mediante un proceso de electrocoagulación acoplada con sal de persulfato. J. Medio Ambiente. Ciencias de la Salud Ing. 19, 1035–1041 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Küce, P., Coral, G. y Kantar, Ç. Biodegradación de 2, 4-dinitrotolueno (DNT) por Arthrobacter sp. K1 aislado de un suelo contaminado con petróleo crudo. Ana. Microbiol. 65, 467–476 (2015).

Artículo Google Académico

Dan, NH, Phe, TTM, Thanh, BX, Hoinkis, J. & Le Luu, T. La aplicación de sistemas de aireación extendida de ciclo intermitente (ICEAS) en el tratamiento de aguas residuales. J. Ing. de Procesos de Agua. 40, 101909 (2021).

Artículo Google Académico

Malakootian, M., Toolabi, A. & Hosseini, S. Tratamiento avanzado del proceso de aireación extendida de efluentes usando filtro aireado biológico (BAF) con medios naturales: Modificación en medios, diseño y proceso de retrolavado. AMB Express 11, 1–10 (2021).

Artículo Google Académico

Sonune, A. & Ghate, R. Desarrollos en métodos de tratamiento de aguas residuales. Desalinización 167, 55–63 (2004).

Artículo CAS Google Académico

Zwain, HM, Nile, BK, Faris, AM, Vakili, M. & Dahlan, I. Modelado del destino y las emisiones de sulfuro de hidrógeno en una planta de tratamiento de aguas residuales de aireación prolongada mediante simulaciones TOXCHEM. ciencia Rep. 10, 22209 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Mohammadi, F. et al. Modelado y optimización de la eliminación de pireno del suelo mediante fitorremediación utilizando metodología de superficie de respuesta, redes neuronales artificiales y algoritmo genético. Chemosphere 237, 124486 (2019).

Artículo ADS CAS PubMed Google Scholar

Hadi, S., Taheri, E., Amin, MM, Fatehizadeh, A. y Aminabhavi, TM Degradación sinérgica de 4-clorofenol por persulfato y mezcla de ácido oxálico con un sistema heterogéneo tipo Fenton para el tratamiento de aguas residuales: modelado de sistemas de inferencia neurodifusa adaptativa . J. Medio Ambiente. Administrar. 268, 110678 (2020).

Artículo CAS PubMed Google Académico

Kumar, R. & Hynes, NRJ Predicción y optimización de la rugosidad de la superficie en la perforación térmica utilizando el enfoque integrado ANFIS y GA. Ing. ciencia Tecnología En t. J. 23, 30–41 (2020).

Google Académico

Nasiri, A., Rajabi, S., Hashemi, M. & Nasab, H. CuCoFe2O4@ MC/AC como un nuevo nanocompuesto magnético híbrido para la eliminación de metronidazol de las aguas residuales: bioensayo y toxicidad de los efluentes. Sep. Purif. Tecnología 296, 121366 (2022).

Artículo CAS Google Académico

Dolatabadi, M., Mehrabpour, M., Esfandyari, M., Alidadi, H. y Davoudi, M. Modelado de la adsorción simultánea de tinte e iones metálicos por aserrín de una solución acuosa utilizando ANN y ANFIS. Quimio. Intel. Laboratorio. sist. 181, 72–78 (2018).

Artículo CAS Google Académico

Deng, Y., Xiao, H., Xu, J. & Wang, H. Modelo de predicción de la red neuronal PSO-BP sobre la cantidad de coliformes en alimentos especiales. Arabia J. Biol. ciencia 26, 1154–1160 (2019).

Artículo PubMed PubMed Central Google Académico

Jahangir, MH, Reineh, SMM y Abolghasemi, M. Predicción espacial del mapeo de zonificación de inundaciones en la cuenca del río Kan, Irán, utilizando un algoritmo de red neuronal artificial. Tiempo Clim. Extrem. 25, 100215 (2019).

Artículo Google Académico

Dionisi, D. & Rasheed, AA Maximización de la tasa de carga orgánica y minimización del consumo de oxígeno en procesos biológicos aeróbicos de tratamiento de aguas residuales mediante la manipulación del tiempo de residencia hidráulico y de sólidos. J. Ing. de Procesos de Agua. 22, 138–146 (2018).

Artículo Google Académico

Permatasari, R., Rinanti, A. & Ratnaningsih, R. En la serie de conferencias IOP: Earth and Environmental Scienc. 012048 (Editorial IOP, 2020).

Aziz, A., Basheer, F., Sengar, A., Khan, SU y Farooqi, IH Tecnologías de tratamiento biológico de aguas residuales (anaeróbico-aeróbico) para la descarga segura de aguas residuales tratadas de matadero y procesamiento de carne. ciencia Entorno Total. 686, 681–708 (2019).

Artículo ADS CAS PubMed Google Scholar

Shoukat, R., Khan, SJ & Jamal, Y. Tratamiento biológico híbrido anaeróbico-aeróbico para aguas residuales textiles reales. J. Ing. de Procesos de Agua. 29, 100804 (2019).

Artículo Google Académico

Zhang, L., Lin, X., Zhang, Z., Chen, G.-H. & Jiang, F. Azufre elemental como aceptor de electrones para la eliminación de materia orgánica en un nuevo proceso de tratamiento biológico anaeróbico de aguas residuales de alta velocidad. química Ing. J. 331, 16–22 (2018).

Artículo CAS Google Académico

Manu, D. & Thalla, AK Modelos de inteligencia artificial para predecir el rendimiento de la planta de tratamiento biológico de aguas residuales en la eliminación de nitrógeno Kjeldahl de las aguas residuales. aplicación ciencia del agua 7, 3783–3791 (2017).

Artículo ADS CAS Google Académico

Wang, Z., Ye, Z., Zhang, M. & Bai, X. Degradación de 2, 4, 6-trinitrotolueno (TNT) por filtro biológico de microorganismos inmovilizados. Proceso Bioquímica. 45, 993–1001 (2010).

Artículo CAS Google Académico

Kwon, SH Un enfoque biológico en el tratamiento de aguas residuales TNT. Toxicol. Reinar. química 75, 17–23 (2000).

Artículo CAS Google Académico

Hwang, S., Ruff, TJ, Bouwer, EJ, Larson, SL y Davis, JL Aplicabilidad de la hidrólisis alcalina para la remediación del agua contaminada con TNT. Agua Res. 39, 4503–4511 (2005).

Artículo CAS PubMed Google Académico

Mareai, BM, Fayed, M., Aly, SA y Elbarki, WI Comparación del rendimiento de la eliminación de fenol en aguas residuales farmacéuticas mediante lodos activados y aireación extendida aumentada con carbón activado. Alex. Ing. J. 59, 5187–5196 (2020).

Artículo Google Académico

Pirsaheb, M., Khamutian, R. & Khodadadian, M. Una comparación entre el lodo de aireación extendida y el tratamiento de lodo activado convencional para la eliminación de sulfonatos de alquilbenceno lineales (Estudio de caso: Kermanshah y Paveh WWTP). Desalinizar Tratamiento de agua. 52, 4673–4680 (2014).

Artículo CAS Google Académico

Alver, A., Baştürk, E., Tulun, Ş y Şimşek, İ. Modelado del sistema de inferencia neurodifuso adaptativo de la adsorción de 2, 4-diclorofenol en carbón activado a base de madera. Reinar. prog. Sostener. Energía 39, e13413 (2020).

Artículo CAS Google Académico

Jiang, Z. et al. Un modelo predictivo generalizado para las constantes de tasa de fotodegradación catalizadas por TiO2 de los contaminantes del agua a través de una red neuronal artificial. Reinar. Res. 187, 109697 (2020).

Artículo CAS PubMed Google Académico

Descargar referencias

Esta investigación fue apoyada por la Vicecancillería de Investigación de la Universidad de Ciencias Médicas de Baqiyatallah.

Centro de Investigación en Salud, Universidad de Ciencias Médicas de Baqiyatallah, Teherán, Irán

Hossein Karimi y Ghader Ghanizadeh

Departamento de Ingeniería de Salud Ambiental, Escuela de Salud, Universidad de Ciencias Médicas de Isfahan, Isfahan, Irán

farzaneh mohammadi

Comité de Investigación Estudiantil, Escuela de Salud, Universidad de Ciencias Médicas de Shiraz, Shiraz, Irán

dijo rajabi

Departamento de Ingeniería de Salud Ambiental, Escuela de Salud, Universidad de Ciencias Médicas de Shiraz, Shiraz, Irán

dijo rajabi

Centro de Investigación de Residuos Sólidos, Instituto de Investigación Ambiental, Universidad de Ciencias Médicas de Teherán, Teherán, Irán

Amir Hossein Mahvi

También puede buscar este autor en PubMed Google Scholar

Todos los autores contribuyeron a la concepción y diseño del estudio. La preparación del material, la recopilación de datos y el análisis estuvieron a cargo de HK, FM, SR, AHM y GG El primer borrador del manuscrito fue escrito por HK, FM y SR La conceptualización estuvo a cargo de HK, AHM y GG La metodología estuvo a cargo de HK, FM y SR Análisis formal e investigación por parte de FM y SR Redacción: preparación del borrador original por HK, FM y SR Redacción: revisión y edición por AHM y GG Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Ghader Ghanizadeh.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Karimi, H., Mohammadi, F., Rajabi, S. et al. Eliminación biológica de 2,4,6-trinitrotolueno mediante lodos activados de aireación prolongada: optimización mediante red neuronal artificial. Informe científico 13, 9053 (2023). https://doi.org/10.1038/s41598-023-34657-z

Descargar cita

Recibido: 11 enero 2023

Aceptado: 04 mayo 2023

Publicado: 03 junio 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias