生物学的 2、4、6

Scientific Reports volume 13、記事番号: 9053 (2023) この記事を引用

128 アクセス

メトリクスの詳細

深刻な健康上の問題は、軍需産業や軍事産業によって環境中に排出される 2,4,6-トリニトロトルエン (TNT) などの窒素汚染物質や、TNT で汚染された廃水への曝露によって生じる可能性があります。 今回の研究では、人工ニューラル ネットワーク モデリングを使用して、拡張曝気活性汚泥 (EAAS) による TNT 除去が最適化されました。 最高の除去効率を達成するために、この研究では 500 mg/L の化学的酸素要求量 (COD)、4 時間および 6 時間の水圧滞留時間 (HRT)、および 1 ～ 30 mg/L の TNT を使用しました。 EAAS システムによる TNT 除去の速度論は、速度係数 K、Ks、Kd、max、MLSS、MLVSS、F/M、および SVI の計算によって説明されました。 適応ニューロファジー推論システム (ANFIS) と遺伝的アルゴリズム (GA) を使用して、TNT 除去を通じて取得されたデータを最適化しました。 与えられたデータの分析と解釈には AFIS アプローチが使用され、その精度は約 97.93% でした。 最も効果的な除去効率は GA 法を使用して決定されました。 理想的な環境下（TNT 濃度 10 mg/L、6 時間）では、EAAS システムの TNT 除去効率は 84.25% でした。 私たちの調査結果は、人工ニューラル ネットワーク システム (AFIS) ベースの EAAS 最適化が TNT 除去の有効性を高める可能性があることを実証しました。 さらに、強化された EAAS システムは、以前の実験と比較して、より高濃度の TNT を含む廃水を抽出する能力を備えていると主張できます。

水質と資源不足は、地理的、人類学的、社会経済的影響により、今日世界が直面している 2 つの問題です1。 したがって、廃水資源の持続可能な回収と再利用は、これらの問題を克服するための有望なアプローチとして長い間考えられてきました。 しかし、排水中には殺虫剤、多環芳香族炭化水素、ポリフェノール化合物、油、界面活性剤、ニトロ芳香族化合物などの広範囲の有害化合物が存在するため、これらの汚染物質を望ましい効率で除去する戦略を開発することがさらに困難になっています2、3。 家庭排水および工業排水中の多くの有機および無機化合物に関しては、廃水からの汚染除去を克服するために、さまざまな生物学的および化学的廃水処理プロセスが適用されてきました4、5、6、7、8。

前述の汚染物質の中でも、ニトロ芳香族化合物 (NAC) は廃水資源の主要な汚染源の 1 つと考えられており、適切に除去しないと深刻な問題を引き起こす可能性があります9。 これらの化合物は、ベンゼン環に少なくとも 1 つのニトロ基 (-NO2) を持つ特定の種類の芳香族分子です。 NAC は環境中に広く分布していることが実証されており 10、1,3,5-トリニトロベンゼン (TNB)、2,4,6-トリニトロトルエン (TNT)、トリニトロフェノール、テトリルニトラミン、ヘキサニトロベンゼンはよく知られている NAC の 1 つです。 。

TNT（2,4,6-トリニトロトルエン）は、医薬品、殺虫剤、殺菌剤、除草剤、ポリウレタンフォーム、染料など幅広い分野で使用されている多機能芳香族物質です。 さらに、これは鉱業で今でも使用されている最も伝統的な爆発物の 11 です。 TNT の製造プロセスには、廃棄物を生成するいくつかのステップが含まれており、最終的には周囲の環境に放出され、水資源や土壌を汚染する可能性があります。 モノニトロトルエン (MNT)、ジニトロトルエン (DNT)、硫酸塩、ジニトロトルエンスルホン酸塩 (DNTS)、およびその他のさまざまなニトロベンゼン (NB) も、潜在的な健康リスクを伴う TNT の主要な誘導体です。 TNT で汚染された廃水中には、さまざまな量のこれらの窒素物質が存在し、変色の原因となることはよく知られています (例: オレンジ色の水、赤色の水、黄色の水など)。 TNT で汚染された廃水は、600 ～ 6000 mg/L の範囲で高い化学的酸素要求量 (COD) レベルを示すことも報告されています12。 したがって、廃水中の TNT およびその他の関連芳香族化学物質の存在は、地域の生態系に多大な影響を与えることが示されました。 環境保護庁 (EPA) のガイドラインに基づくと、水および土壌中の TNT の最大濃度は、それぞれ 2 μg/L および 17.2 mg/L を超えてはなりません 13,14。 また、ニトロベンゼン誘導体 (MNT、DNT、スルホン酸塩など) がより多く存在すると、汚染レベルが増加する可能性があることも示しています 11、12、13、14、15。 これらの注意事項を考慮すると、TNT で汚染された廃水は水路に排出される前に適切に処理される必要があります。

この廃水汚染物質を除去または吸着するために、これまでさまざまな処理プロセスで物理的、化学的、生物学的戦略がすべて使用されてきました16。 いくつかの利点があるにもかかわらず、大規模な使用に対する費用対効果や信頼性に欠ける可能性があります17。 しかしこの状況において、微生物共同体を利用した生物学的処理方法は、TNTを無機化して無害な副産物（微生物バイオマス、H2、CO2）を生成する能力があるため、大きな注目を集めています。 生物学的方法は、その入手しやすさ、有効性の高さ、環境への優しさから、最近、このような廃水の処理において大きな関心を集めています。 さらに、これらの汚染物質の効果的な生分解は、好気条件と嫌気条件の両方で可能でした 18,19。

活性汚泥プロセスの効率は、文献に従って行われた多くの変更によって向上しました。 拡張曝気活性汚泥 (EAAS) は、これらの中で活性汚泥 (AS) システムの改良として最も広く使用されていますが、この方法を廃水処理に使用するには、高い滞留時間 (HRT)、低い活性バイオマス、および有機負荷率が低い。 逆に、このシステムの優れた曝気能力とコンテナ内容物の完全な混合により、プロセスの信頼性が向上します20。 さらに、低い BOD 流出、低い残留活性汚泥、および低いアンモニア排出は、EAAS の利点の 1 つです。 したがって、EAAS システムの利点はその欠点を上回る場合が多いため、最高の除去効率が得られる条件を調整することが不可欠であると思われます21。

過去 10 年間にわたり、治療プロセスを最適化するためにいくつかの数学的モデリングが導入されました。 この点において、人工知能 (AI) は、データ シミュレーションの目的や生物学的プロセスの正確な最適化に広く利用されています。 最も一般的に使用される AI アプローチには、適応ニューロファジー推論システム (ANFIS)、ファジー ロジック、サポート ベクター マシン、遺伝的アルゴリズム (GA)、応答曲面法 (RSM)、および人工ニューラル ネットワーク (ANN) があります22。 適応ニューロファジィ推論システム (AFIS) は、複雑なシステムにおける入出力関係をモデル化するための最新かつ効果的なアプローチです23。 この方法では、トレーニング データから ANN として学習し、それをファジィ推論システム (FIS) 上で解くことができます。 最後に、隠れ層は AFIS ネットワーク内の FIS によって正確に識別されます。 この方法により、ANN モデルの隠れ層を決定して予測するという重要な課題が解消されます。 これは、ANFIS 法を使用する大きな理由になる可能性がありますが、このアプローチには複雑な数学的モデルがなく、生化学的処理プロセスの予測モデルを開発するための迅速かつ柔軟な方法です 24。 遺伝的アルゴリズム (GA) も、最適化問題に対する正確な解決策または近似的な解決策を得る研究方法です 24。 GA は、進化と自然遺伝学の原理に基づいて制御される最適化手法です24。 この方法の利点の 1 つは、複雑で困難なシステムの明確なモデルを作成できることです。 その結果、この方法は、不連続関数、ランダム関数、および非線形関数が標準の最適化パターンに適さないシステムの最適化に使用できます24。

ANN は、AI のサブセットである一般的な機械学習アプローチです。 プロセスの物理的特性の知識は必要ないため、ニューラル ネットワークは「ブラック ボックス」モデルのカテゴリに属します。 これにより、入力変数と出力変数の間の関連付けが確立されます。 時間の経過とともに研究が増加していることからわかるように、傾向は ANN モデルの方向にさらに進んでいるように見えます。 ANN には従来のモデルに比べていくつかの利点があるため、これは考えられます。 これらの利点には、複雑な非線形関数を高精度でモデリングすること、複数入力複数出力 (MIMO) モデリングをサポートすること、カオスで不完全なデータを扱うこと、必要な処理量が少ないこと、新しいデータを使用してモデルを更新またはトレーニングできることなどが含まれます。 ANN モデリングには、その利点と同時にいくつかの欠点もあります。 これらの欠点には、モデル パラメーター (ノード数、隠れ層) に物理的な意味がないこと、およびネットワーク設計を決定するための受け入れられた方法がないという事実が含まれます。 さらに、テストと障害によってオーバーフィッティングまたはアンダーフィッティングが発生する可能性があり、単一の解決策は提供されません。 さらに、トレーニングが不十分なネットワークでは、局所的な最小値に集まる可能性があります。 その結果、この作業では AFIS および GA 技術を使用して、データのシミュレーション、モデル化、最適化が行われました。 システムの理想的な性能をモデル化し、その運動係数を決定することに加えて、この研究の目的は、拡張曝気生物学的システムが廃水から TNT を首尾よく除去できるかどうかを決定することでした。 文献の評価によると、EAAS を使用した TNT 除去に関する研究はありません。

重クロム酸カリウム、硫酸銀、硫酸水銀、アセトニトリル、メタノール、トリトン X-114、アセトンを含む実験材料は、ドイツのメルクから購入しました。 この研究では、パイロット規模で、曝気タンク、二次沈殿または浄化槽、合成廃水調製、および収集タンクから構成される拡張曝気システムを備えた活性汚泥が使用されました。 曝気槽は高さ38.5cm、幅15cm、長さ44cm、沈殿槽は高さ21cm、幅20cm、長さ30cmでした（図1）。 拡張曝気槽の容量は 34 L でした。システムには、連続運転する排水注入ポンプと汚泥返送ポンプが装備されていました。 この研究では、COD (500 mg/L)、HRT (4 ～ 6 時間)、および TNT (1 ～ 30 mg/L) を含む合成廃水を使用しました。 詳細には、平衡に達するまで、合成的に調製された廃水をシステムに徐々に追加しました。 その後、濃度を上げて終了した。 次に、UV-Vis 検出器モデル 486 と使用済みカラム (250 mm × 4.6 mm × 5 μm）。 80:20の比率のアセトニトリルと水が移動相として機能しました。 注入量は 20 μL、カラムを通過する流速は 1 mL/min、使用した吸収波長は 210 nm でした。 爆発物を含む抽出サンプルは COD 試験のために 2 週間ごとに採取され、標準方法 11 に記載されている試験手順に従って分析が行われました。 最後に、プロセス効率は次の式で計算されました。

ここで、C0 および Ct (mg/L) は、初期および最終の TNT 濃度です25。

EAAS パイロットの概略図。

SPSS-v.20 (Inc.、シカゴ、米国) ソフトウェアを使用して統計分析を実行しました。 コルモゴロフ – スミルノフ検定を使用してデータ分布を評価しました。 中央値および平均±SDを計算しました。

ANFIS モデルは、MATLAB 2017 ソフトウェアで作成されたファジー ニューラル モデリングを備えた Sugeno 構造に基づいています。 ANFIS アーキテクチャは、入力データと出力データの間のメンバーシップ関数の最適な分布を取得する人工ニューラル ネットワークとファジー ロジックに基づいています。 AFIS モデル形成の 5 つの主な層は、(1) ファジー層、(2) 積層、(3) 正規化層、(4) 非ファジー層、および (5) 合計出力層です。

この研究では、三角メンバーシップ関数 (trimf)、台形メンバーシップ関数 (trapmf)、一般化ベル メンバーシップ関数 (gbellmf)、ガウス曲線メンバーシップ関数 (gaussmf)、ガウスハイブリッド メンバーシップ関数 (gauss2mf)、P-形状メンバーシップ関数 (pimf)、2 つのシグモイド メンバーシップ関数の差 (dsigmf)、2 つのシグモイド メンバーシップ関数の積 (psigmf) が研究されました。 最も適切なメンバーシップ関数を特定するために、原子炉から得られたデータセット (110 個のサンプル) が 85% のトレーニングと 15% のテストの 2 つのカテゴリにランダムに分割されました。 また、この研究では収束率を高めるためにハイブリッド学習アルゴリズムが採用されました。 このアルゴリズムは、最小二乗法と勾配の 2 つの方法を統合して入力パラメーターを更新するために使用されました。 最小二乗法を使用して入力パラメータを最適化しました。 次に、デフォルト パラメーターをより適切に調整するために降下勾配法が適用されました。 最後に、AFIS 出力は次のパラメータによって決定されました26。 この目的のために、F/M、HRT、SRT、MLSS、MLVSS、SVI、および TNTin がモデルへの入力パラメーターとして導入されました。 TNT の除去が応答パラメーターとして考慮されました。

注目すべきことに、AFIS によって提示されたモデルの精度と妥当性は、次のように係数 (R2) と二乗平均平方根誤差 (RMSE) を計算することによって決定されました (式 2 および 3)27、28。

GA は、この研究で開発された AFIS モデルに基づくフィットネス関数として TNT 除去の最適条件を取得するために使用されました。 すべての GA 解析は MATLAB ソフトウェア R2017a バージョンで実行されました。

遺伝的アルゴリズムで考慮されたその他のパラメーターは、世代数 250、ランク スケーリング関数、確率的均一の選択関数、エリートの数 2、0.8 に等しいクロスオーバー率、および制約依存と組み合わせの突然変異関数でした。散乱関数の28．

制限レベルを超える濃度の汚染物質にさらされると、生物学的プロセスの機能や除去効率に影響を与える可能性があることはよく知られています。 この研究では、複数の濃度の TNT (1、10、および 30 mg/L) を使用して、4 時間および 6 時間の間のシステムの除去効率を評価しました。 図2aおよびbに示すように、TNT濃度を1 mg/Lから30 mg/Lに増加させると除去効率が低下しました。 1、10、および 30 mg/L の平均 TNT 除去値は、4 時間で 89.56% ± 3.29、80.43% ± 4.54、および 82.79% ± 1.43、92.83% ± 1.58、82.08% ± 3.53、および 84.25% ±でした。 HRT 6 時間でそれぞれ 1.93。 これは、プロセス反応器内の汚染物質の毒性、または細菌共同体による TNT の効果的な除去を妨げる、より危険な副生成物の生成によるものである可能性があると推測できます。 一方で、TNT は本質的に窒素を含むため、TNT 濃度が高くなると細菌が利用できる炭素源に影響を及ぼし、除去効率が低下することも推測できます 16。 Permatasari ら 30 および Dionisi ら 29 は、C:N:P の比率 (100:5:1 ～ 100:10:1) が生物活性において重要であることも示しました。 結果に基づくと、10 mg/L TNT の濃度は最も低い除去効率に相当します。 ただし、濃度を 30 mg/L に高めることで除去効率が向上しました。 これは、汚染物質濃度が高くなると反応器内のバイオマスの成長が増加し、TNT の除去が増加することによって解釈される可能性があります。 さらに、TNT の濃度が高くなると、バイオマス細菌の適応までの時間が短縮され、調査対象の汚染物質の除去率が高くなる可能性があります。 1 mg/L の TNT でより高い除去効率が観察されたため、このような議論はより低い濃度にも当てはまります。 さらに、低濃度では、バイオマス細菌は高レベルの有毒副産物にさらされません 29,31,32。

異なる HRT 4 時間 (a) および 6 時間 (b) および TNT 濃度での TNT 除去効率の比較。

図2に示すように、水圧保持時間を長くすると除去効率が向上しました。 保持時間が長くなると、バクテリアが TNT 化合物を効果的に分解し、より多くの死んだバクテリアと活性汚泥が TNT 化合物を表面に吸着できるようになると推測できます。 さらに、水力滞留時間が増加することにより、TNT 分子と廃水中の他の化学物質との間でより多くの衝突や相互作用が発生し、TNT 分子の除去率が高くなる可能性があります。 他のいくつかの研究では、より多くの細菌がより長い滞留時間で汚染物質に適応し、その除去が増加する可能性があることも示しています。 さらに、廃水中に含まれるさまざまな化学物質やその副生成物も TNT の除去を増加させる可能性があります。 最後になりましたが、 保持時間が長いと、細菌に目的の化合物をより効果的に分解する機会が与えられます 32,33。

前述したように、汚染物質の濃度は生物学的プロセスに影響を与える可能性があり、その結果、COD レベルと関連するプロセス効率に影響を与えます。 図3aおよびbに示すように、TNT濃度を増加させることにより、COD除去効率も増加しました。 COD はほとんどの汚染物質の成分であるため、調査対象の汚染物質の濃度が高くなると COD のレベルが増加すると想定できます。 その結果、TNT 濃度が 1 ～ 30 mg/L の場合、平均 COD 除去効率は 4 時間で 31.89% ± 3.03 ～ 35.89% ± 2.89、6 時間で 43.67% ± 2.70 ～ 45% ± 2.23 でした。 一方で、汚染物質の濃度が上昇すると、有機物を分解して除去するための細菌の炭素と窒素の要求も増加し、結果として COD 除去の有効性が高まる可能性があると主張されるかもしれません。 さらに、TNT 含有量が増加すると、細菌はより多くの基質を必要とするため、細菌の増殖が促進され、結果的に COD 除去の有効性が向上します 29,31,34。

異なる HRT 4 時間 (a) および 6 時間 (b) および TNT 濃度での COD 除去効率の比較。

プロセス効率、費用対効果、および大規模使用の可能性の観点から理想的な条件を決定するための最も重要な方法の 1 つは、運動係数および関連パラメーターを決定することです。 表 1 に示すように、反応速度係数はさまざまな HRT および汚染物質の濃度にわたってほぼ一定で変化しません。 Ks、MLSS、MLVSS、SVI などの一部の係数のみがわずかな変動を示しますが、これは汚染物質の濃度と水力滞留時間の変動によって引き起こされます。

表 2 は、TNT およびいくつかの異なる汚染物質を除去する際のさまざまな生物学的プロセスの有効性をまとめたものです。 報告された結果と本研究の知見に基づいて、長時間曝気活性汚泥を使用する生物学的プロセスは十分な効率を示し、短い処理時間で操作されるプロセスを有機汚染物質の除去に使用できる。 それらの中には、より長い水圧滞留時間をかけて実行されるものもありますが、経済性や生産性の観点からは通常は受け入れられません。

この研究では、ATN 除去を予測するために AFIS 構造とネットワーク モデルが使用されました。 結果を図4に示します。

AFIS構造を開発しました。

方法で述べたように、訓練プロセスの実行には、菅野型 FIS システムとメンバーシップ関数が採用されました。 FIS には、F/M、HRT、SRT、MLSS、MLVSS、SVI、TNTin の 7 つの入力があります。 特定のデータセットに変更されたルールを生成するために、ネットワーク分割技術が使用されました。 この目的のために、データ セットの 85% (92 サンプル) を AFIS モデルのトレーニングに使用し、データ セットの残りの 15% (16 サンプル) を関連モデルの予測能力のテストに使用しました。

AFIS モデルは、まずトレーニング データ セットのトレーニング プロセスを実行し、次にテスト データを使用して結果をテストします。 さらに、AFIS モデルのトレーニング プロセスでは、起こり得るエラーを防ぐために入力データ セットが数回描画されました。 マッピングに必要な反復回数はエポックとして記述されています。 また、トレーニング プロセス後のモデルの有効性と効率を測定するために、このモデルは 16 個のデータ セットでテストされました。

次のステップでは、ANFIS モデルのトレーニングおよびテスト プロセスから得られた結果が、さまざまな種類のメンバーシップ関数を使用して分析されました。 得られた結果によると、ガウス メンバーシップ関数 (gaussmf) は他の関数に比べて予測誤差が低くなりました。 RMSE は、トレーニングでは 6.593E-3、テストでは 7.904E-3 でした。 AFIS 構造は、2 つのメンバーシップ関数が各入力変数に割り当てられている場合に良好に機能しました。 図 5a は、ATN 除去の実験値のトレーニング誤差曲線を表しています。 図5bとcは、ANFISモデルを使用してトレーニングデータセットと実験データセットを比較した、同様の処理条件下でのATN除去の実験結果を示しています。 さらに、この研究の R2 は、トレーニング データセットとテスト データセットでそれぞれ約 97.93% と 94.34% であり、モデルの精度と適切性を示しています。

(a) TNT 除去のための AFIS モデルのトレーニング誤差曲線、(b) トレーニングにおける実験値と予測値の比較、(c) テストプロセス。

本研究では、遺伝的アルゴリズムを使用して入力パラメータを最適化し、最終的に最高の除去効率を達成しました。 設計された AFIS モデルは、フィットネス関数として GA に導入されました。 図 6 に、各世代の最良および平均の適応度値の図を示します。 表 3 は、最終世代の最良の適応度値も示しています。 したがって、入力パラメータ (F/M、HRT、SRT、MLSS、MLVSS、SVI、および TNTin) の最適値は、それぞれ 0.32、5.81、12.12、2814.74、2407.21、144.84、および 4.78 でした。最高の除去効率 (96.80%) を実現します。

遺伝的アルゴリズムの結果: 世代ごとの最良および平均の適応度値。

設計された AFIS モデルを使用して、次の図が MATLAB ソフトウェアで描画されました。 各グラフ内に示されているパラメータは変数とみなされ、各グラフの他のパラメータは固定されており、最適値（遺伝的アルゴリズムから取得）と等しくなります（図 7）。

さまざまな入力パラメーターでの除去率の AFIS 予測。

感度分析は、出力変数に対する各パラメータの影響の重要性を評価するために実行されます40。 これは、各入力要素が予測モデルの精度にどの程度影響するかを示しており、最終的には、より多くのアプリケーションを設計するための良い方法となります41。 本研究ではピアソン相関法により感度解析を行った。 次の図に基づくと、入力パラメータの効果は、TNTin、MLVSS、MLSS、F/M、HRT、SRT、SVI の初期濃度の順でした。 各パラメータのインパクトファクターを図 8 に示します。

ピアソン相関を使用した感度分析。

この調査では、38.5 × 15 × 44 cm の寸法のパイロットを設計することにより、TNT 除去における EAAS の生物学的プロセスが利用されました。 分析パラメータはTNT濃度,HRT,CODであり,これらは最適化され,TNT10mg/LおよびHRT6時間の環境下での最適TNT除去効率は84.25%であった。 運動係数は TNT 除去プロセス中に計算され、その後、実際のスケールでの処理プラント システムの設計に使用できます。 生物学的プロセスは、バイオマスの生成と酸素の消費の両方に依存します。 これらの変数は生物学的廃水処理手順の設計に重大な影響を与えるため、さまざまな組成の廃水を使用してさらに研究する必要があります。 さらに、調査されたパラメータは人工ニューラル ネットワーク モデリングを使用して調整されました。 モデリング プロセスには、ANFIS メソッドと遺伝的アルゴリズムが使用されます。 AFIS メソッドの研究によると、約 97.93% の精度が達成されました。 さらに、F/M: 0.32 /day、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、およびTNT除去 96% は、遺伝的アルゴリズムが最適化したパラメーターの値でした。 したがって、この研究は、プロセスの最適なパフォーマンスを達成するために TNT 濃度と HRT を最適化することの重要性を実証しました。 多様でより複雑な化学組成を持つ廃水や、ニトロ芳香族化合物を除去するための硝化/脱窒機構については、追加の研究が必要です。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。 さらに、画像の作成にソフトウェアは使用されていません。

アーミル、M.ら。 LC-MS/MS で 2,4,6-トリニトロトルエンとその代謝物を測定するための新しい方法の開発と検証。 アナル。 生化学。 638、114496 (2022)。

論文 CAS PubMed Google Scholar

アフマディ、E.ら。 廃水および生物廃棄汚泥からバイオエネルギーを回収するための統合型二相固定膜バッフルバイオリアクターの速度論的研究と性能評価。 更新します。 持続する。 エネルギー改訂 121、109674 (2020)。

記事 CAS Google Scholar

Fawcett-Hirst, W.、Temple, TJ、Ladyman, MK、Coulon, F. 不感発性爆発性汚染廃水の処理方法のレビュー。 ヘリヨン 7、e07438 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

デガニ、MH 他。 カーボンナノチューブによる水溶液からのビスフェノール A (BPA) の吸着: 速度論と平衡の研究。 デサリン。 ウォータートリート。 54、84–923 (2015)。

記事 CAS Google Scholar

Mahvi、AH et al. 水溶液中でのフェノールの光酸化: 中間体の毒性。 韓国の J. Chem. 工学 24、79–82 (2007)。

記事 CAS Google Scholar

マレキ、A.ら。 水溶液中の染料の分解に関する光化学的および音響化学的プロセスの効率の研究。 韓国の J. Chem. 工学 27、1805–1810 (2010)。

記事 CAS Google Scholar

アラバマ州マハビ シーケンスバッチリアクター: 廃水処理における有望な技術。 イラン。 Ｊ．Ｅｎｖｉｒｏｎ． 健康科学工学 5、79–90 (2008)。

CAS Google スカラー

バズラフシャン、E.ら。 化学凝固法と電気凝固法の組み合わせによる食肉処理場の廃水処理。 PLoS ONE 7、e40108 (2012)。

論文 ADS CAS PubMed PubMed Central Google Scholar

レーマン、SU 他工業用TNT廃水処理用の磁性Fe3O4ナノ中空球の合成。 ナノマテリアル 12、881 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Algharagholy、LA、Sadeghi、H. & Al-Backri、AA 炭素/窒化ホウ素ヘテロナノチューブを使用した 2,4,6-トリニトロトルエンおよびトリアセトントリペルオキシドの選択的センシング。 メーター。 今日はコミュ。 改訂第 28 号、102739 (2021)。

記事 CAS Google Scholar

Zhang、X.ら。 PEI キャップ KMgF3: 都市廃水中のニトロ芳香族化合物の蛍光検出用 Eu2+ ナノ粒子。 コロイドサーフ。 B 197、111379 (2021)。

記事 CAS Google Scholar

Xu、M.ら。 2,4,6-トリニトロトルエン（TNT）の分解：Buttiauxella sp.におけるプロトカテク酸 3,4-ジオキシゲナーゼ（P34O）の関与 S19–1。 Toxics 9、231 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

EPA、U. 技術ファクトシート - 2, 4, 6-トリニトロトルエン (TNT)。 固形廃棄物および緊急対応局（5106P）（2014）。

シン、SN 爆発性残留物の生物学的修復 (Springer、2013)。

Google スカラー

セラーノ・ゴンザレス、MY 他微生物の代謝とその相互作用による 2,4,6-トリニトロトルエンの生体内変化と分解。 防衛技術。 14、151–164 (2018)。

記事 Google Scholar

Mirshafiee, A. & Darvish, M. 過硫酸塩を使用した電気凝固プロセスを組み合わせた水溶液からの 2,4,6-トリニトロトルエン (TNT) の分解。 Ｊ．Ｅｎｖｉｒｏｎ． 健康科学工学 19、1035–1041 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Küce、P.、Coral、G.、Kantar、Ç. Arthrobacter sp.による 2,4-ジニトロトルエン (DNT) の生分解原油汚染土壌から分離されたK1。 アン。 微生物。 65、467–476 (2015)。

記事 Google Scholar

Dan、NH、Phe、TTM、Thanh、BX、Hoinkis、J. & Le Luu、T. 廃水処理における断続サイクル拡張曝気システム (ICEAS) の応用。 J. 水プロセス工学 40、101909 (2021)。

記事 Google Scholar

Malakootian, M.、Toolabi, A. & Hosseini, S. 天然培地を使用した生物学的曝気フィルター (BAF) を使用した排水拡張曝気プロセスの高度な処理: 媒体、設計、および逆洗プロセスの変更。 AMB エクスプレス 11、1–10 (2021)。

記事 Google Scholar

Sonune, A. & Ghate, R. 廃水処理方法の開発。 脱塩 167、55–63 (2004)。

記事 CAS Google Scholar

Zwain, HM、Nile, BK、Faris, AM、Vakili, M. & Dahlan, I. TOXCHEM シミュレーションを使用した、拡張曝気下水処理プラントにおける硫化水素の運命と排出量のモデリング。 科学。 議員 10、22209 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

モハマディ、F.ら。 応答曲面法、人工ニューラルネットワーク、遺伝的アルゴリズムを使用したファイトレメディエーションによる土壌からのピレン除去のモデル化と最適化。 Chemosphere 237、124486 (2019)。

論文 ADS CAS PubMed Google Scholar

Hadi, S.、Taheri, E.、Amin, MM、Fatehizadeh, A. & Aminabhavi, TM 廃水処理のための異種フェントン様システムによる過硫酸塩とシュウ酸混合物による 4-クロロフェノールの相乗的分解: 適応ニューロファジィ推論システム モデリング。 Ｊ．Ｅｎｖｉｒｏｎ． 管理。 268、110678 (2020)。

論文 CAS PubMed Google Scholar

Kumar, R. & Hynes, NRJ 統合された AFIS および GA アプローチを使用した熱穴あけ加工における表面粗さの予測と最適化。 工学科学。 テクノロジー。 内部。 J. 23, 30–41 (2020)。

Google スカラー

Nasiri, A.、Rajabi, S.、Hashemi, M. & Nasab, H. 廃水からメトロニダゾールを除去するための新しいハイブリッド磁性ナノ複合材料としての CuCoFe2O4@ MC/AC: バイオアッセイと廃水の毒性。 9月、プリフ。 テクノロジー。 296、121366 (2022)。

記事 CAS Google Scholar

Dolatabadi, M.、Mehrabpour, M.、Esfandyari, M.、Alidadi, H. & Davoudi, M. ANN および ANFIS を使用した、水溶液からのおがくずによる染料と金属イオンの同時吸着のモデリング。 ケママ。 知性。 研究室システム。 181、72–78 (2018)。

記事 CAS Google Scholar

Deng, Y.、Xiao, H.、Xu, J. & Wang, H. 特殊食品中の大腸菌群量に関する PSO-BP ニューラル ネットワークの予測モデル。 サウジ J. Biol. 科学。 26、1154–1160 (2019)。

論文 PubMed PubMed Central Google Scholar

Jahangir, MH、Reineh, SMM、Abolghasemi, M. 人工ニューラル ネットワーク アルゴリズムを使用した、イランのカーン川流域における洪水帯状マッピングの空間予測。 天気予報。 極限。 25、100215 (2019)。

記事 Google Scholar

Dionisi, D. & Rasheed, AA 水力滞留時間と固体滞留時間の操作による、好気性生物学的廃水処理プロセスにおける有機負荷率の最大化と酸素消費の最小化。 J. 水プロセス工学 22、138–146 (2018)。

記事 Google Scholar

Permatasari, R.、Rinanti, A.、Ratnaningsih, IOP カンファレンス シリーズ: 地球と環境科学。 012048 (IOP出版、2020)。

Aziz、A.、Basher、F.、Sengar、A.、Khan、SU、Farooqi、IH 処理済み屠殺場および食肉加工廃水を安全に排出するための生物学的廃水処理 (嫌気性 - 好気性) 技術。 科学。 トータル環境。 686、681–708 (2019)。

論文 ADS CAS PubMed Google Scholar

Shoukat, R.、Khan, SJ & Jamal, Y. 実際の繊維廃水の嫌気性と好気性のハイブリッド生物学的処理。 J. 水プロセス工学 29、100804 (2019)。

記事 Google Scholar

Zhang、L.、Lin、X.、Zhang、Z.、Chen、G.-H. & Jiang, F. 新しい高速嫌気性生物学的廃水処理プロセスにおける有機物除去のための電子受容体としての元素硫黄。 化学。 工学 J. 331、16–22 (2018)。

記事 CAS Google Scholar

Manu, D. & Thalla, AK 廃水からケルダール窒素を除去する生物学的廃水処理プラントのパフォーマンスを予測するための人工知能モデル。 応用水科学 7、3783–3791 (2017)。

記事 ADS CAS Google Scholar

Wang, Z.、Ye, Z.、Zhang, M. & Bai, X. 固定化微生物生物学的フィルターによる 2, 4, 6-トリニトロトルエン (TNT) の分解。 プロセス生化学。 45、993–1001 (2010)。

記事 CAS Google Scholar

クォン、SH TNT 廃水処理における生物学的アプローチ。 有毒。 環境。 化学。 75、17–23 (2000)。

記事 CAS Google Scholar

Hwang, S.、Ruff, TJ、Bouwer, EJ、Larson, SL、Davis, JL TNT 汚染水の浄化のためのアルカリ加水分解の適用性。 水耐性 39、4503–4511 (2005)。

論文 CAS PubMed Google Scholar

Mareai, BM、Fayed, M.、Aly, SA、Elbarki, WI 活性汚泥と活性炭で強化された長時間曝気による製薬廃水中のフェノール除去の性能比較。 アレックス。 工学 J. 59、5187–5196 (2020)。

記事 Google Scholar

Pirsaheb, M.、Khamutian, R. & Khodadadian, M. 直鎖アルキルベンゼンスルホン酸塩を除去するための長時間曝気汚泥と従来の活性汚泥処理の比較 (ケーススタディ: ケルマンシャーおよびパヴェ下水処理場)。 デサリン。 ウォータートリート。 52、4673–4680 (2014)。

記事 CAS Google Scholar

Alver、A.、Baştürk、E.、Tulun、Ş & Şimşek、İ。 木質活性炭への 2,4-ジクロロフェノール吸着の適応神経ファジィ推論システム モデリング。 環境。 プログレ。 持続する。 エネルギー 39、e13413 (2020)。

記事 CAS Google Scholar

Jiang、Z.ら。 人工ニューラル ネットワークを介した、TiO2 触媒による水汚染物質の光​​分解速度定数の一般化された予測モデル。 環境。 解像度 187、109697 (2020)。

論文 CAS PubMed Google Scholar

リファレンスをダウンロードする

この研究は、バキヤタラ医科大学研究副学長の支援を受けました。

イラン、テヘランのバキヤタラ医科大学健康研究センター

ホセイン・カリミ & ガデル・ガニザデ

イスファハン医科大学、イスファハン、イラン、保健学部環境健康工学科

ファルザネ・モハマディ

学生研究委員会、保健学部、シラーズ医科大学、シラーズ、イラン

サイード・ラジャビ

イラン・シーラーズ医科大学シラーズ医科大学保健学部環境健康工学科

サイード・ラジャビ

テヘラン医科大学環境研究所固形廃棄物研究センター（イラン、テヘラン）

アミール・ホセイン・マハヴィ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

著者全員がこの研究の構想と設計に貢献しました。 資料の準備、データ収集、および分析は、HK、FM、SR、AHM、および GG によって実行されました。 原稿の初稿は、HK、FM、および SR によって作成されました。 概念化は、HK、AHM、および GG によって実行されました。 方法論は、HK、 FM および SR FM および SR による正式な分析と調査 HK、FM、および SR による執筆 - 元の草稿の準備 AHM および GG による執筆 - レビューと編集 すべての著者が最終原稿を読み、承認しました。

ガーデル・ガニザデ氏への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

カリミ、H.、モハマディ、F.、ラジャビ、S. 他。 長時間曝気活性汚泥による生物学的 2,4,6-トリニトロトルエン除去: 人工ニューラル ネットワークを使用した最適化。 Sci Rep 13、9053 (2023)。 https://doi.org/10.1038/s41598-023-34657-z

引用をダウンロード

受信日: 2023 年 1 月 11 日

受理日: 2023 年 5 月 4 日

公開日: 2023 年 6 月 3 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。