DOI: https://doi.org/10.1038/s41598-025-34775-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41588098
تاريخ النشر: 2026-01-26
المؤلف: Nadia Ghezaiel Hammouda وآخرون
الموضوع الرئيسي: الابتكارات في أنظمة الأكوابونيك والهيدروبونيك
نظرة عامة
تركز البحث على الطرق البيولوجية لمعالجة مياه الصرف الصحي، مع تسليط الضوء على مزاياها الاقتصادية والبيئية. يهدف بشكل خاص إلى التنبؤ بمستويات النيتروجين الأموني، وتركيز الفوسفات، وكفاءة الإزالة في مفاعلات الأغشية الدقيقة (MBRs) باستخدام نمذجة الشبكات العصبية الاصطناعية (ANN) ومنهجية سطح الاستجابة (RSM). تشير النتائج إلى أن نموذج RSM يوفر تقديرات دقيقة لفعالية إزالة الفوسفات والنيتروجين والأمونيا، كما يتضح من معامل التحديد العالي ($R^2$).
في الختام، نجح الدراسة في تطوير ومقارنة نماذج الذكاء الحاسوبي، مما يوضح إمكاناتها في تحسين عمليات معالجة مياه الصرف الصحي من خلال تعزيز القدرات التنبؤية.
مقدمة
تسلط المقدمة الضوء على أهمية استعادة المياه النظيفة والطاقة والعناصر الغذائية من مياه الصرف الصحي كجانب أساسي من الاقتصاد الدائري. تحدد الملوثات الرئيسية في مياه الصرف الصحي، بما في ذلك النيتروجين غير العضوي، والفوسفور، والملوثات العضوية، التي تشكل مخاطر بيئية كبيرة مثل الإثراء الغذائي والسمية للحياة المائية. تم تطوير طرق معالجة مياه الصرف الصحي التقليدية؛ ومع ذلك، اكتسبت الأساليب البيولوجية، وخاصة تلك التي تستخدم أنظمة الطحالب والبكتيريا، زخمًا بسبب فوائدها البيئية وفعاليتها من حيث التكلفة. تم استخدام هذه الأنظمة لأكثر من 70 عامًا، خاصة في المناطق الاستوائية وشبه الاستوائية، لاستعادة النيتروجين والفوسفور بشكل فعال من مياه الصرف الصحي.
النتائج
في هذا القسم، يتم تقديم نتائج نمذجة منهجية سطح الاستجابة (RSM) ونمذجة الشبكات العصبية الاصطناعية (ANN)، مع التركيز على التنبؤ بتركيزات النيتروجين الأموني والفوسفات، فضلاً عن كفاءات إزالتها في معالجة مياه الصرف الصحي. استخدم نموذج RSM بيانات تجريبية من Ding et al. [26]، مع الوقت ودرجة الحموضة وتركيز الكربون العضوي الكلي (TOC) كمتغيرات مستقلة. توضح المعادلات المستمدة (1-7) العلاقات بين هذه المتغيرات، مما يشير إلى أن تركيز النيتروجين الأموني أكثر حساسية لتغيرات الوقت من تركيز TOC. تصل كفاءة الإزالة إلى ذروتها عند نطاقات درجة الحموضة المحددة (5-6 و7.5-8.5)، ويكون نمو الطحالب الدقيقة مرتبطًا بشكل إيجابي بمحتوى TOC، مما يعزز امتصاص العناصر الغذائية وإزالة الملوثات.
تؤكد نمذجة ANN هذه النتائج، باستخدام نفس المتغيرات التابعة والمستقلة. تم تحديد الهيكل الأمثل لـ ANN من خلال نهج تجريبي منظم، مما أسفر عن أفضل النماذج الملائمة الملخصة في الجدول 1. أظهرت نماذج ANN توافقًا كبيرًا مع البيانات التجريبية، مما يثبت قدراتها التنبؤية لتركيزات النيتروجين الأموني والفوسفات في أنظمة معالجة مياه الصرف الصحي القائمة على الطحالب الدقيقة. بشكل عام، تبرز كلا الطريقتين النمذجة التأثير الحاسم لدرجة الحموضة وتركيز TOC على كفاءة إزالة العناصر الغذائية، مما يبرز دور الطحالب الدقيقة في عمليات معالجة مياه الصرف الصحي.
المناقشة
في هذا القسم، تركز المناقشة على فعالية أنظمة الطحالب والبكتيريا كبديل فعال من حيث التكلفة لأنظمة الحمأة المنشطة التقليدية في معالجة مياه الصرف الصحي. تسهل دمج الطحالب، التي تنتج الأكسجين من خلال عملية التمثيل الضوئي، تمعدن المركبات العضوية بواسطة البكتيريا غير ذاتية التغذية بينما تمتص في الوقت نفسه العناصر الغذائية مثل الأمونيوم ($NH_4^+$)، والنيترات ($NO_3^-$)، والفوسفات ($PO_4^{3-}$). لا تعزز هذه العلاقة التكافلية إزالة العناصر الغذائية فحسب، بل تقلل أيضًا من انبعاثات غازات الدفيئة. يبرز البحث تطبيق تقنيات حسابية متنوعة، بما في ذلك الشبكات العصبية الاصطناعية (ANN)، ومنهجية سطح الاستجابة (RSM)، وطرق تحسين متعددة الأهداف مثل NSGA-II، لنمذجة وتحسين أداء مفاعلات الأغشية الدقيقة (MBRs).
تظهر النتائج أن نموذج ANN تفوق بشكل كبير على نموذج RSM في التنبؤ بتركيزات النيتروجين الأموني والفوسفات، محققًا معاملات تحديد عالية ($R^2$) ومقاييس خطأ أقل (RMSE وMAE). تم التحقق من قوة نموذج ANN من خلال تقنيات مثل تنظيم الإيقاف المبكر لمنع الإفراط في التكيف، مما يضمن توقعات موثوقة عبر مجموعات بيانات التدريب والتحقق والاختبار. كما تؤكد الدراسة على الآثار العملية للنتائج، مشيرة إلى أن الحفاظ على نطاق درجة حموضة مثالي من 7.5 إلى 8.5 يمكن أن يقلل من التكاليف التشغيلية مع ضمان الامتثال للمعايير البيئية. يسمح إطار تحسين متعدد الأهداف بإجراء تعديلات تشغيلية مرنة، مما يمكّن مرافق معالجة مياه الصرف الصحي من التكيف مع الأحمال الهيدروليكية المتغيرة مع الحفاظ على فعالية إزالة العناصر الغذائية. بشكل عام، يبرز هذا البحث إمكانات تقنيات النمذجة المتقدمة لتعزيز كفاءة واستدامة عمليات معالجة مياه الصرف الصحي.
DOI: https://doi.org/10.1038/s41598-025-34775-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41588098
Publication Date: 2026-01-26
Author(s): Nadia Ghezaiel Hammouda et al.
Primary Topic: Innovations in Aquaponics and Hydroponics Systems
Overview
The research focuses on biological methods for wastewater treatment, highlighting their economic and environmental advantages. Specifically, it aims to predict the levels of ammonia nitrogen, phosphate concentration, and removal efficiency in microalgae membrane bioreactors (MBRs) using artificial neural network (ANN) modeling and response surface methodology (RSM). The findings indicate that the RSM model provides accurate estimates for the removal effectiveness of phosphate, nitrogen, and ammonia, as evidenced by a high coefficient of determination ($R^2$).
In conclusion, the study successfully developed and compared computational intelligence models, demonstrating their potential in optimizing wastewater treatment processes through enhanced predictive capabilities.
Introduction
The introduction highlights the importance of recovering clean water, energy, and nutrients from wastewater as a fundamental aspect of a circular economy. It identifies key contaminants in wastewater, including inorganic nitrogen, phosphorus, and organic pollutants, which pose significant environmental risks such as eutrophication and toxicity to aquatic life. Traditional wastewater treatment methods have been developed; however, biological approaches, particularly those utilizing microalgae-bacterial systems, have gained traction due to their environmental benefits and cost-effectiveness. These systems have been employed for over 70 years, especially in tropical and subtropical regions, to effectively recover nitrogen and phosphorus from sewage.
Results
In this section, the results of Response Surface Methodology (RSM) modeling and Artificial Neural Network (ANN) modeling are presented, focusing on the prediction of ammonia nitrogen and phosphate concentrations, as well as their removal efficiencies in wastewater treatment. The RSM model utilized experimental data from Ding et al. [26], with time, pH, and Total Organic Carbon (TOC) concentration as independent variables. The derived equations (1-7) illustrate the relationships between these variables, indicating that ammonia nitrogen concentration is more sensitive to time changes than TOC concentration. The removal efficiency peaks at specific pH ranges (5-6 and 7.5-8.5), and the growth of microalgae is positively correlated with TOC content, enhancing nutrient absorption and pollutant removal.
The ANN modeling further corroborates these findings, employing the same dependent and independent variables. The optimal architecture for the ANN was determined through a systematic trial-and-error approach, resulting in the best-fit models summarized in Table 1. The ANN models demonstrated significant concordance with experimental data, validating their predictive capabilities for ammonia nitrogen and phosphate concentrations in microalgae-based wastewater treatment systems. Overall, both modeling approaches highlight the critical influence of pH and TOC concentration on nutrient removal efficiency, emphasizing the role of microalgae in wastewater treatment processes.
Discussion
In this section, the discussion centers on the efficacy of algal-bacterial systems as a cost-effective alternative to traditional activated sludge systems in wastewater treatment. The integration of algae, which produce oxygen through photosynthesis, facilitates the mineralization of organic compounds by heterotrophic bacteria while simultaneously absorbing nutrients such as ammonium ($NH_4^+$), nitrate ($NO_3^-$), and phosphate ($PO_4^{3-}$). This symbiotic relationship not only enhances nutrient removal but also reduces greenhouse gas emissions. The paper highlights the application of various computational techniques, including Artificial Neural Networks (ANN), Response Surface Methodology (RSM), and multi-objective optimization methods like NSGA-II, to model and optimize the performance of microalgae membrane bioreactors (MBRs).
The results demonstrate that the ANN model significantly outperformed the RSM model in predicting ammonia nitrogen and phosphate concentrations, achieving high coefficients of determination ($R^2$) and lower error metrics (RMSE and MAE). The ANN model’s robustness was further validated through techniques such as Early Stopping regularization to prevent overfitting, ensuring reliable predictions across training, validation, and testing datasets. The study also emphasizes the practical implications of the findings, suggesting that maintaining an optimal pH range of 7.5 to 8.5 can minimize operational costs while ensuring compliance with environmental standards. The multi-objective optimization framework allows for flexible operational adjustments, enabling wastewater treatment facilities to adapt to varying hydraulic loads while maintaining effective nutrient removal. Overall, this research underscores the potential of advanced modeling techniques to enhance the efficiency and sustainability of wastewater treatment processes.