污水生物模型与 Peterson 速率矩阵：完整教程

面向对象：环境工程师、水处理研究者、相关专业研究生 学习周期：12-16 周（每周 8-10 小时） 前置要求：大学化学、微生物学、高等数学基础 版本日期：2026-03-16

目录

• 第 1 章：为什么需要污水生物模型？
• 第 2 章：前置知识——微生物代谢基础
• 第 3 章：COD 分馏与水质特征化
• 第 4 章：反应动力学基础——Monod 方程与 CSTR
• 第 5 章：Peterson 速率矩阵——数学结构与物理意义
• 第 6 章：ASM1 模型完全解读
• 第 7 章：ASM2d——生物除磷模型
• 第 8 章：ASM3——概念范式修正
• 第 9 章：模型实现——Python 编程实战
• 第 10 章：模型校准方法论
• 第 11 章：前沿发展与新兴模型
• 第 12 章：资源汇总与持续学习指南

第 1 章：为什么需要污水生物模型？

学习目标：

1. 理解污水处理从经验设计到数学建模的历史演进
2. 了解 ASM 系列模型的诞生背景与 IWA 工作组的贡献
3. 认识生物模型在工程设计、运行优化与故障诊断中的应用价值
4. 掌握本教程的结构与学习路线图

前置要求：无

1.1 从经验设计到数学建模

活性污泥法（Activated Sludge Process）自 1914 年由 Ardern 和 Lockett 在英国曼彻斯特发明以来，已有超过一个世纪的历史。在很长一段时间里，活性污泥系统的设计和运行主要依赖于经验公式和安全系数：

随着排放标准日趋严格（特别是氮、磷去除要求）、工艺越来越复杂（A²/O、UCT、SBR、MBR、氧化沟等变体涌现），工程师迫切需要一套能够定量预测以下行为的数学工具：

• 出水各指标（COD、NH₄⁺-N、NO₃⁻-N、TN、TP）随运行条件的变化
• 污泥产量与组成（活性生物量、惰性组分、胞内储存物）
• 氧需求量（曝气能耗占污水厂总能耗的 40-60%）
• 碳源投加量（外加碳源用于反硝化或除磷的精确计算）
• 系统对冲击负荷的动态响应

1.2 ASM 系列模型的诞生

1983 年，国际水协会（IWA，当时为 IAWPRC）成立了"活性污泥模型数学建模"专家组（Task Group on Mathematical Modelling for Design and Operation of Biological Wastewater Treatment），由以下学者领衔：

• Mogens Henze（丹麦技术大学）——碳源分馏与模型框架
• Willi Gujer（瑞士联邦理工学院）——Peterson 矩阵引入水处理领域
• G.v.R. Marais（开普敦大学）——活性污泥动力学的先驱
• Takashi Mino（东京大学）——生物除磷机理

该工作组的里程碑成果如下：

所有这些模型都使用同一个数学框架来表达——Peterson 速率矩阵（又称 Gujer 矩阵）。这正是本教程的核心主题。

1.3 模型在工程中的作用

生物模型在现代污水处理中发挥着三大核心作用：

1.3.1 工程设计

• 新建项目：根据进水水质和出水标准，模拟不同工艺方案（A²/O、UCT、Bardenpho 等），优化反应器尺寸、回流比、曝气量
• 改扩建评估：在不中断生产的前提下，通过模型预测改扩建方案的效果
• 极端工况验证：模拟低温、高峰负荷、雨季合流等极端条件下系统是否满足排放要求

1.3.2 运行优化

• 曝气优化：通过模拟溶解氧（DO）控制策略，降低曝气能耗（最大的单项能耗）
• 碳源投加：精确计算反硝化所需的外部碳源（如甲醇、乙酸钠）投加量
• 污泥龄控制：优化排泥策略，在满足出水水质的前提下减少污泥产量
• 在线过程控制：模型预测控制（MPC）在 SCADA 系统中的应用

1.3.3 故障诊断

• 模拟异常工况：当出水水质突然恶化时，通过模型回溯可能的原因（进水冲击？曝气故障？回流异常？）
• 预测性维护：通过模型模拟设备故障对出水的影响，制定应急预案
• 工艺瓶颈识别：定位系统中的限制性因素（碳源不足？碱度不足？SRT 过短？）

1.4 本教程的使用指南

1.4.1 教程结构

本教程共 12 章，按渐进式难度组织：

1.4.2 学习路线图

1.4.3 符号约定

• 技术术语首次出现时附英文原文，如：化学需氧量（Chemical Oxygen Demand, COD）
• 公式中的符号说明紧随公式之后
• 代码块 表示可执行的 Python 代码
• 加粗 标识核心概念
• 每章末尾的练习题分为 ⭐（基础）、⭐⭐（进阶）、⭐⭐⭐（挑战）三个难度

目录 | 下一章：第 2 章：前置知识——微生物代谢基础

第 2 章：前置知识——微生物代谢基础

学习目标：

1. 理解分解代谢与合成代谢的能量关系
2. 掌握电子供体-受体框架与氧化还原电位
3. 区分好氧、缺氧、厌氧三种环境
4. 比较异养菌与自养菌的代谢差异
5. 认识活性污泥中的关键菌群

前置要求：大学化学基础（氧化还原反应、热力学基本概念）

2.1 微生物代谢的两大分支

微生物的生命活动由两类互相耦合的代谢过程驱动：

分解代谢（Catabolism）

• 功能：氧化底物释放能量（以 ATP 形式储存）
• 本质：电子从电子供体（electron donor）转移到电子受体（electron acceptor）
• 能量：自由能变化 ΔG < 0（放能反应）

合成代谢（Anabolism）

• 功能：利用分解代谢释放的能量，合成新的细胞物质
• 本质：将简单物质（CO₂、NH₄⁺、无机盐等）组装为复杂的细胞组分
• 能量：需要输入能量（ΔG > 0）

两者的耦合关系可以用一个简化的方程表达：

关键概念：在 ASM 模型中，产率系数 Y（Yield Coefficient） 正是这一耦合关系的定量表达——它描述了每消耗单位底物（以 COD 计）能产生多少新的生物量（同样以 COD 计）。

2.2 电子供体-受体框架

微生物代谢的本质是氧化还原反应。理解这一点需要掌握电子供体-受体框架：

电子供体（Electron Donor, ED）

被氧化的物质——失去电子：

• 异养菌：有机碳化合物（葡萄糖、乙酸、蛋白质等）——COD 的来源
• 自养菌：无机物（NH₄⁺、NO₂⁻、H₂S、Fe²⁺ 等）

电子受体（Electron Acceptor, EA）

被还原的物质——接受电子：

氧化还原电位（ORP）

氧化还原电位（Oxidation-Reduction Potential, ORP）是衡量体系"电子压力"的指标：

• ORP 越高（正值越大），体系越倾向于氧化态 → 好氧环境
• ORP 越低（负值越大），体系越倾向于还原态 → 厌氧环境
• 典型范围：好氧 > +100 mV，缺氧 -100 ~ +100 mV，厌氧 < -100 mV

热力学规则：微生物优先利用能产生最大自由能变化（ΔG 最负）的电子受体。因此在有 O₂ 存在时，反硝化和硫酸盐还原被抑制——这是 ASM 模型中开关函数（Switching Function）的热力学基础。

2.3 好氧、缺氧与厌氧

在 ASM 模型中，这三种环境有严格的定义：

注意："缺氧"和"厌氧"在中文日常用语中常混淆，但在 ASM 模型中含义截然不同。缺氧（Anoxic）特指 NO₃⁻ 可作为电子受体的环境；厌氧（Anaerobic）特指既无 O₂ 也无 NO₃⁻ 的环境。

2.4 异养菌 vs 自养菌

异养菌（Heterotrophs）

• 碳源：有机碳化合物（即 COD 的主要消耗者）
• 电子供体：有机碳（与碳源相同）
• 特征：生长速率快（μmax ≈ 3-6 d⁻¹），产率高（YH ≈ 0.67 gCOD/gCOD）
• ASM1 中的表示：X_BH（异养菌生物量）

自养菌（Autotrophs）

• 碳源：CO₂（无机碳）
• 电子供体：无机物（ASM1 中为 NH₄⁺）
• 特征：生长速率慢（μmax ≈ 0.3-0.8 d⁻¹），产率低（YA ≈ 0.24 gCOD/gCOD）
• ASM1 中的表示：X_BA（自养菌生物量）

工程意义：自养硝化菌生长缓慢是活性污泥系统设计中的控制性约束——要实现硝化，污泥龄（SRT）必须足够长（通常 > 5-8 d，低温时需更长），否则硝化菌会被"洗出"系统。这一约束在 ASM1 中通过 μA 和 bA 的相对大小来体现。

2.5 活性污泥中的关键菌群

活性污泥是一个复杂的微生物群落。ASM 模型将其简化为以下功能群（functional groups）：

氨氧化菌（AOB, Ammonia-Oxidizing Bacteria）

• 代谢：NH₄⁺ → NO₂⁻（亚硝化，Nitritation）
• 代表菌属：Nitrosomonas, Nitrosospira
• ASM1 简化：与 NOB 合并为 X_BA，一步完成 NH₄⁺ → NO₃⁻

亚硝酸盐氧化菌（NOB, Nitrite-Oxidizing Bacteria）

• 代谢：NO₂⁻ → NO₃⁻（硝化，Nitratation）
• 代表菌属：Nitrobacter, Nitrospira
• ASM1 简化：与 AOB 合并，不区分两步硝化

聚磷菌（PAO, Phosphorus-Accumulating Organisms）

• 代谢特征：厌氧条件下释放磷酸盐并吸收 VFA 合成 PHA；好氧/缺氧条件下超量摄磷
• 代表菌属：Candidatus Accumulibacter
• 模型：ASM2/ASM2d 中引入 X_PAO

聚糖菌（GAO, Glycogen-Accumulating Organisms）

• 代谢特征：与 PAO 类似的厌氧-好氧代谢，但不进行超量摄磷
• 竞争效应：与 PAO 竞争 VFA，降低除磷效率
• 代表菌属：Candidatus Competibacter, Defluviicoccus
• ASM 模型：标准 ASM2d 未包含 GAO（但扩展版有）

厌氧氨氧化菌（Anammox, Anaerobic Ammonium Oxidation）

• 代谢：NH₄⁺ + NO₂⁻ → N₂ + 2H₂O（厌氧条件下直接将氨氮和亚硝氮转化为氮气）
• 代表菌属：Candidatus Brocadia, Candidatus Kuenenia
• 优势：无需有机碳源，节省曝气能耗约 60%
• ASM 模型：标准 ASM 系列未包含，需使用扩展模型

2.6 本章练习

⭐ 基础题

1. 解释分解代谢与合成代谢的区别，并说明产率系数 Y 如何连接两者。
2. 为什么微生物优先利用 O₂ 而不是 NO₃⁻ 作为电子受体？从热力学角度解释。
3. 区分"缺氧"和"厌氧"在 ASM 模型中的定义，并解释为什么这种区分对生物除磷很重要。

⭐⭐ 进阶题

1. 异养菌的典型 μ_max 约为 3-6 d⁻¹，自养硝化菌约为 0.3-0.8 d⁻¹。如果一个活性污泥系统的 SRT 为 3 天，能否实现硝化？定性分析原因。
2. 画出活性污泥系统中碳（COD）的转化路径图，标明异养菌和自养菌的角色。

⭐⭐⭐ 挑战题

1. 在 A²/O 工艺中，厌氧段、缺氧段和好氧段分别为哪些菌群提供了生态位？用电子供体-受体框架分析各段的主导反应。

推荐阅读：

• Rittmann, B.E. & McCarty, P.L. Environmental Biotechnology: Principles and Applications，第 2–3 章
• Henze, M. et al. Biological Wastewater Treatment: Principles, Modelling and Design，第 2 章

目录 | 上一章：第 1 章：为什么需要污水生物模型？ | 下一章：第 3 章：COD 分馏与水质特征化

第 3 章：COD 分馏与水质特征化

学习目标：

1. 理解 COD 作为"电子当量"的物理意义
2. 掌握 COD 分馏体系（SS、SI、XS、XI）
3. 了解 COD 分馏的实验测定方法
4. 理解氮的形态与转化路径
5. 认识进水特征化对模型准确性的决定性影响

前置要求：第 2 章（微生物代谢基础）

3.1 COD：不只是一个水质指标

3.1.1 COD 的传统定义

化学需氧量（Chemical Oxygen Demand, COD）是指在强酸性条件下，用强氧化剂（K₂Cr₂O₇）将水中有机物和还原性无机物完全氧化所消耗的氧量（mg O₂/L）。

3.1.2 COD 作为"电子当量"

在 ASM 模型中，COD 的意义远超一个简单的水质指标。COD 是有机物中所含电子数量的度量——它代表了有机物被完全氧化时所需的氧当量，本质上是一种能量货币。

为什么 ASM 模型选择 COD 而非 BOD 或 TOC 作为基准单位？

核心思想：在 ASM 模型的世界里，一切物质都用 COD 来"计价"。底物有 COD 值，生物量有 COD 值（通常约 1.42 gCOD/gVSS），甚至氧气也有 COD 值（-1 gCOD/gO₂，负值表示消耗 COD）。这使得整个系统的 COD 守恒成为可能——这是 Peterson 矩阵自洽性的基石。

3.1.3 COD 守恒方程

对于任意活性污泥系统，在稳态条件下：

即：

这个守恒关系是 ASM 模型校准中"对不上"时首先应检查的——如果输入输出 COD 不平衡，模型结果必然不可靠。

3.2 COD 分馏体系

3.2.1 四组分分馏

ASM 模型要求将进水总 COD 分解为以下四个组分：

各组分详解：

3.2.2 为什么分馏如此重要？

SS/XS 比值决定系统的动态响应特性：

• S_S 比例高 → 系统在进水端即出现大量氧消耗 → 有利于反硝化（如果安排缺氧段在前）
• X_S 比例高 → 有机物释放缓慢 → 氧消耗在反应器后段持续 → 可能影响出水 COD

S_I 直接决定出水 COD 的下限：

• 如果 S_I = 30 mg/L，那么无论工艺如何优化，出水溶解性 COD 不可能低于 30 mg/L
• 不了解 S_I 就无法合理设定模型的出水目标

X_I 影响污泥产量的预测：

• 进水 X_I 越高，系统中惰性颗粒积累越多，混合液 VSS 中活性组分比例越低
• 忽略 X_I 会导致污泥产量的严重低估

⚠️ 核心警示：进水 COD 分馏是模型准确性的第一要务。错误的分馏输入比错误的动力学参数对模型结果的影响大得多——这就是所谓的 "Garbage In, Garbage Out"。

3.3 COD 分馏的实验测定方法

3.3.1 BOD 曲线法

原理：对过滤和未过滤的水样分别进行长期 BOD 测试（20-28 天），根据 BOD 曲线的形状推算各组分。

3.3.2 OUR 法（好氧呼吸速率法）

原理：在批式实验中，向含有活性污泥的反应器中加入进水，监测耗氧速率（Oxygen Uptake Rate, OUR）的变化。

• 初始快速 OUR 峰：对应 S_S 的消耗
• 缓慢下降段：对应 X_S 的水解
• 稳定基线：对应内源呼吸

3.3.3 物化分离法

利用过滤（0.45 μm）和絮凝将 COD 分为溶解态和颗粒态：

3.4 氮的形态与转化

3.4.1 氮组分

在 ASM1 中，氮被分为以下组分：

3.4.2 氮的转化路径

3.4.3 氮含量系数 i_XB

生物量中含有一定比例的氮（主要存在于蛋白质中）。在 ASM1 中，这用氮含量系数表示：

• i_XB = 0.086 gN/gCOD（活性生物量中的氮含量）
• i_XP = 0.06 gN/gCOD（衰减产物中的氮含量）

这些系数在 Peterson 矩阵中出现于与氮相关的化学计量系数中。

3.5 碱度与 pH

3.5.1 碱度的作用

碱度（Alkalinity, S_ALK）在 ASM1 中作为一个跟踪变量，单位为 mol HCO₃⁻/L（或等价的 mg CaCO₃/L ÷ 50）。

碱度变化的主要来源：

3.5.2 碱度对系统的影响

当碱度不足时（< 50 mg CaCO₃/L），系统 pH 会降至 6.5 以下，导致：

• 硝化速率急剧下降（硝化菌对低 pH 敏感）
• 出水 pH 不达标
• 系统进入恶性循环

ASM1 中碱度的建模意义：虽然 ASM1 不直接计算 pH，但通过跟踪碱度可以预警 pH 问题。碱度变为负值或接近零，意味着系统可能出现 pH 抑制。

3.6 本章练习

⭐ 基础题

1. 解释为什么 ASM 模型选择 COD（而非 BOD 或 TOC）作为有机物的基准度量单位。
2. 某污水厂进水总 COD 为 400 mg/L，其中 SS = 80 mg/L，XS = 200 mg/L，SI = 30 mg/L，XI = 90 mg/L。验证总和是否正确，并计算可降解 COD 占总 COD 的百分比。
3. 硝化反应为什么会消耗碱度？写出硝化反应的简化化学方程式。

⭐⭐ 进阶题

1. 某污水厂进水 S_I = 40 mg/L，出水 COD 排放标准为 50 mg/L。讨论：仅凭生物处理能否达标？如果不能，还需要什么措施？
2. 用 OUR 法测定 COD 分馏时，如果向反应器中加入 ATU（丙烯基硫脲，一种硝化抑制剂），对 OUR 曲线会有什么影响？为什么这样做？

⭐⭐⭐ 挑战题

1. 某市政污水的 COD 分馏数据如下：SS=20%, XS=50%, SI=8%, XI=22%。进水 TKN=45 mg/L，NH₄⁺-N=30 mg/L。请估算有机氮（XND + SND）的总量，并讨论这些有机氮在系统中的转化路径。

推荐阅读：

• Henze, M. Characterization of Wastewater for Modelling of Activated Sludge Processes, Water Sci Technol (1992) 25 (6): 1–15
• Roeleveld, P.J. & van Loosdrecht, M.C.M. (2002). "Experience with guidelines for wastewater characterisation in The Netherlands." Water Science and Technology, 45(6), 77–87

目录 | 上一章：第 2 章：前置知识——微生物代谢基础 | 下一章：第 4 章：反应动力学基础——Monod 方程与 CSTR

第 4 章：反应动力学基础——Monod 方程与 CSTR

学习目标：

1. 推导并理解 Monod 方程的物理意义
2. 掌握 μmax、KS、Y、b_d 四个核心参数
3. 能够推导 CSTR 质量平衡方程
4. 理解 SRT（污泥龄）的控制作用
5. 完成稳态 CSTR 的手算练习

前置要求：第 2-3 章；高等数学（微分方程基础）

4.1 Monod 方程

4.1.1 微生物生长的观察现象

Jacques Monod（1949）通过细菌纯培养实验观察到：

1. 在底物充足时，微生物呈指数生长：dX/dt = μ·X
2. 比增长速率 μ 不是常数，而是随底物浓度变化
3. μ 与 S 的关系呈"饱和曲线"——低浓度时近似线性，高浓度时趋于饱和

4.1.2 Monod 方程

其中：

• μ [d⁻¹]：比增长速率（specific growth rate）——每单位生物量在单位时间内的增长量
• μ_max [d⁻¹]：最大比增长速率——底物极度充足时的生长速率上限
• S [mg COD/L]：限制性底物浓度
• KS [mg COD/L]：半饱和常数——使 μ = μmax/2 的底物浓度

4.1.3 Monod 方程的图形解释

关键特征：

• 当 S >> KS 时：μ ≈ μmax（零级反应，生长速率不受底物影响）
• 当 S << KS 时：μ ≈ μmax·S/K_S（一级反应，生长速率与底物浓度成正比）
• 当 S = KS 时：μ = μmax/2（这就是 K_S 的物理意义）

4.1.4 与 Michaelis-Menten 方程的关系

Monod 方程在数学形式上与酶动力学的 Michaelis-Menten 方程完全相同，但物理基础不同：

• Michaelis-Menten：基于酶-底物结合的机理推导
• Monod：纯经验拟合（Monod 本人也强调这一点）

在 ASM 模型中，Monod 方程被用作一种方便的经验关联式，而非严格的机理模型。

4.2 四个核心参数

4.2.1 μ_max：最大比增长速率

4.2.2 K_S：半饱和常数

K_S 反映微生物对底物的亲和力：

• K_S 小 → 在低浓度下也能高效利用底物 → 高亲和力
• K_S 大 → 需要较高浓度才能达到显著生长 → 低亲和力

4.2.3 Y：产率系数（Yield Coefficient）

产率系数 Y 是分解代谢与合成代谢耦合的定量表达：

Y_H = 0.67 的直觉理解：

• 异养菌消耗 1 gCOD 底物
• 其中 0.67 gCOD 转化为新细胞（合成代谢）
• 剩余 0.33 gCOD 被氧化提供能量（分解代谢），需消耗 0.33 g O₂
• COD 守恒：1 gCOD(底物) = 0.67 gCOD(细胞) + 0.33 gCOD(被 O₂ 消耗) ✓

4.2.4 b_d：衰减系数（Decay Coefficient）

微生物不仅在生长，也在不断衰减（维持代谢、死亡、被捕食）：

工程意义：净增长速率 (μ - b_d) 必须 > 0 才能维持菌群，对应一个最小 SRT。

4.3 CSTR 质量平衡方程

4.3.1 完全混合反应器（CSTR）

CSTR（Continuous-flow Stirred Tank Reactor，连续流完全混合反应器）是 ASM 模型的基本反应器单元。在 CSTR 中：

• 反应器内各处的组分浓度完全均匀
• 出水浓度 = 反应器内浓度
• 进水与反应器内液体瞬间完全混合

4.3.2 底物 S 的质量平衡

对 CSTR 中的底物 S 进行质量平衡：

其中消耗速率 r_su（底物利用速率）与生物量增长的关系为：

4.3.3 生物量 X 的质量平衡

对于带有污泥回流的活性污泥系统，生物量的质量平衡需要引入 SRT 的概念：

其中 Q_w 是排泥流量。SRT（Solids Retention Time, 污泥龄） 定义为：

因此生物量平衡可以改写为：

4.4 SRT 的控制作用

SRT 是活性污泥系统最核心的设计和运行参数，其意义在于：

4.4.1 SRT 与出水底物浓度

在稳态条件下（dX/dt = 0）：

关键洞察：稳态出水底物浓度 S 仅取决于动力学参数（μmax, KS, bd）和 SRT，与进水浓度 S₀ 无关！（前提是底物不是限制因素且 SRT > SRTmin）

4.4.2 最小 SRT

当 μ - b_d = 1/SRT 时，系统恰好维持生物量不被洗出。当 SRT 更短，微生物来不及生长就被排出：

工程意义：硝化菌的 SRT_min 远大于异养菌，因此系统设计以硝化需求来确定 SRT——这是为什么硝化常常是活性污泥系统的控制性约束。

4.4.3 SRT 对系统性能的综合影响

4.5 稳态 CSTR 手算示例

题目

一个完全混合的活性污泥系统处理市政污水，条件如下：

• 进水流量 Q = 10,000 m³/d
• 进水 COD（仅 S_S）= 200 mgCOD/L
• 反应器体积 V = 5,000 m³
• SRT = 10 d
• 动力学参数（20°C）：μmax = 6 d⁻¹, KS = 20 mgCOD/L, YH = 0.67 gCOD/gCOD, bH = 0.4 d⁻¹

求解步骤

步 1：计算出水底物浓度 S

步 2：计算 HRT

步 3：计算生物量浓度 X

在稳态下，底物的质量平衡：

转换为 VSS（取 1.42 gCOD/gVSS）：

步 4：计算氧消耗量

步 5：计算污泥产量

4.6 温度对动力学参数的影响

微生物的动力学参数强烈依赖温度。ASM 模型通常使用 Arrhenius 修正：

其中 θ 为温度系数，典型值：

工程意义：在北方寒冷地区（冬季水温 8-12°C），硝化菌的 μ_max 可能下降到 20°C 时的 30-40%，所需 SRT 大幅增加。这就是为什么寒冷地区的污水厂设计 SRT 通常在 15-25 天。

4.7 本章练习

⭐ 基础题

1. 解释 KS 的物理意义。为什么 KS 小意味着微生物对底物的亲和力高？
2. 在稳态 CSTR 中，为什么出水底物浓度不取决于进水浓度？给出数学解释。
3. 某系统 SRT = 3 d，水温 10°C。已知硝化菌 μmax(20°C) = 0.8 d⁻¹，θ = 1.11，bA = 0.1 d⁻¹。计算 SRT_min，判断能否实现硝化。

⭐⭐ 进阶题

1. 重复第 4.5 节的手算示例，但将水温改为 10°C（使用 θ = 1.07）。比较出水 COD、生物量浓度和污泥产量的变化。
2. 推导观测产率系数 Yobs = Y / (1 + bd · SRT) 的公式。提示：从稳态质量平衡出发。

⭐⭐⭐ 挑战题

1. 考虑一个 CSTR 系统同时包含异养菌好氧生长和自养菌硝化。写出底物 SS、生物量 XBH 和 XBA、氨氮 SNH 的四个稳态质量平衡方程（假设 DO 充足，忽略水解和衰减）。

推荐阅读：

• Metcalf & Eddy / AECOM. Wastewater Engineering: Treatment and Resource Recovery (5th ed.)，第 7 章
• Grady, C.P.L. et al. Biological Wastewater Treatment (3rd ed.)，第 3–5 章

目录 | 上一章：第 3 章：COD 分馏与水质特征化 | 下一章：第 5 章：Peterson 速率矩阵——数学结构与物理意义

第 5 章：Peterson 速率矩阵——数学结构与物理意义

学习目标：

1. 理解 Peterson 矩阵（Gujer 矩阵）的历史来源与核心思想
2. 掌握矩阵的三要素：过程行、组分列、速率向量
3. 能够书写系统的通用控制方程
4. 理解化学计量系数与动力学表达式的正交分离设计
5. 运用 COD 守恒逐行验证矩阵的自洽性
6. 独立构建一个简单的 2 过程 × 4 组分矩阵

前置要求：第 2-4 章（微生物代谢、COD 分馏、Monod 动力学）

5.1 历史来源：一种为复杂生物系统而生的数学语言

在 ASM1 诞生之前（1987 年以前），研究者各自以不同方式表达活性污泥模型——方程组形式各异，组分定义不统一，化学计量关系与动力学关系混杂书写，使不同模型之间几乎无法比较与交流。

Rene Petersen（1965） 最初将矩阵符号引入化学反应工程，用于描述多反应体系的物料平衡。Willi Gujer（瑞士联邦理工学院 Eawag）将这一工具引入水处理领域，并在 IWA 工作组的共同努力下，将其作为 ASM 系列模型的统一表达框架。

今天，这个矩阵在文献中同时被称为 "Peterson 矩阵"（Petersen Matrix）和 "Gujer 矩阵"（Gujer Matrix）。两个名称指同一事物。

Peterson 矩阵的核心价值在于它实现了两个维度的正交分离：

1. 化学计量维度（矩阵本体）：描述各组分之间的转化比例关系——基于质量守恒和元素守恒，是静态约束
2. 动力学维度（速率向量）：描述每个过程进行的快慢——基于 Monod 方程和环境条件，是动态变量

这种分离使得模型的构建、验证和修改变得模块化、可独立检验。

5.2 矩阵的三要素

一个完整的 Peterson 矩阵由三个要素组成：

5.2.1 组分（Columns，列）

模型中需要追踪的所有物质浓度，用 Cⱼ 表示第 j 个组分。

每个组分的单位统一为 gCOD/m³（有机物）或 gN/m³（氮组分）、gP/m³（磷组分）。

5.2.2 过程（Rows，行）

模型描述的所有生物/化学转化过程，用 ρᵢ 表示第 i 个过程的速率（g/m³/d）。每个过程对各组分具有明确的化学计量系数。

5.2.3 化学计量系数（Matrix Elements）

矩阵元素 νᵢⱼ 表示过程 i 中，每产生 1 单位参考组分，组分 j 的变化量：

• 正值（+）：该组分在此过程中生成
• 负值（−）：该组分在此过程中消耗
• 零/空白：该组分在此过程中不参与

5.3 核心控制方程

有了 Peterson 矩阵，可以系统地写出任意组分在 CSTR 中的动态方程。

5.3.1 通用质量平衡方程

对于 CSTR 中的第 j 个溶解性组分：

整理为：

其中：

• HRT = V/Q（水力停留时间，d）
• Cⱼ,in：进水中组分 j 的浓度（g/m³）
• Cⱼ：反应器（出水）中组分 j 的浓度
• νᵢⱼ：过程 i 对组分 j 的化学计量系数
• ρᵢ：过程 i 的反应速率（g/m³/d）

三个项的物理意义：

• 第 1 项：进出水带来的组分变化（对流项）
• 第 2 项：各生物/化学过程对该组分的净生成/消耗（源/汇项）

5.3.2 颗粒性组分的处理

颗粒性组分随污泥回流，其有效停留时间为 SRT，需增加排泥损失项：

稳态时（dX/dt = 0），生物反应项等于排泥项，这正是系统维持稳定生物量的条件。

5.3.3 矢量形式（便于编程实现）

其中 𝝂 为化学计量矩阵（m×n，m=过程数，n=组分数），𝝆 为速率向量（m×1），𝐂 为浓度向量（n×1）。

这种矢量形式直接对应于 Python/MATLAB 的 ODE 求解框架（见第 9 章）。

5.4 COD 守恒——矩阵自洽性的黄金检验

Peterson 矩阵最重要的内部一致性检验是 COD 守恒。由于 COD 是守恒量（不灭，只从一种形式转化为另一种形式），每个生物过程消耗的 COD 必须等于生成的 COD（包括以氧当量计的消耗）。

5.4.1 各组分的 COD 当量

2.86 的来源：NO₃⁻ 作为缺氧电子受体时，1 mol NO₃⁻-N（14 g）接受 5 个电子，等效于 5×16/4 = 20 g O₂ 的氧化能力，即 20/14 × 14 = 2.86 gO₂/gNO₃-N。

5.4.2 COD 守恒检验步骤

对过程 i，COD 守恒要求：

示例：异养菌好氧生长（Y_H = 0.67）

计算验证：−1.493 + 1.000 + 0.493 = 0 ✓

凡是通过 COD 守恒检验的过程，模型就具备内在自洽性。

5.4.3 逐列 COD 守恒的工程意义

全厂稳态的 COD 守恒（大守恒方程）：

在模型校准中，若进出 COD 不守恒，首先应检查：

1. 进水 COD 分馏（S_I 是否准确？）
2. 有无遗漏的 COD 组分（如沉淀污泥带走的 COD）
3. 矩阵系数是否存在错误

5.5 化学计量与动力学的正交分离

正交分离的实践价值：

5.6 完整示例：从零构建 2 过程 × 4 组分矩阵

以最简异养菌模型为例，构建过程如下。

设定：

• 组分：SS（底物）、XB（生物量）、SO（溶氧）、XP（衰减产物）
• 过程：好氧生长、内源衰减
• 参数：YH = 0.67 gCOD/gCOD，fP = 0.08（惰性残余物比例）

步骤 1：定性描述过程

步骤 2：确定化学计量系数（利用 COD 守恒推导）

过程 1（以"生成 1 gCOD X_B"为参考量）：

COD 守恒验证过程 1：(-1.493)×1 + (1.0)×1 + (-0.493)×(-1) = -1.493+1+0.493 = 0 ✓

过程 2（以"消耗 1 gCOD X_B"为参考量）：

COD 守恒验证过程 2：(-1.0)×1 + (-0.92)×(-1) + (+0.08)×1 = -1+0.92+0.08 = 0 ✓

步骤 3：确定速率表达式

# 过程 1：好氧异养生长（Monod 动力学 + 溶氧限制）
rho_1 = mu_max * (S_S / (K_S + S_S)) * (S_O / (K_O + S_O)) * X_B

# 过程 2：内源衰减（一阶衰减）
rho_2 = b_d * X_B

步骤 4：完整 Peterson 矩阵

步骤 5：写出完整控制方程（稳态 CSTR）

这就是用 Peterson 矩阵系统表达的最简异养菌模型。ASM1 是在此基础上扩展到 13 个组分、8 个过程的完整版本。

5.7 开关函数：无需 if-else 的环境切换

速率表达式中的开关函数（Switching Functions）使模型能在单一方程集中自动处理好氧/缺氧/厌氧切换，而无需任何条件判断：

缺氧生长速率表达式示例：

当 SO > 0.5 mg/L 时，KOH/(KOH + SO) 趋近 0，缺氧生长自动被压制为接近零。

5.8 本章练习

⭐ 基础题

1. Peterson 矩阵的行、列、矩阵元素分别代表什么含义？
2. 通用控制方程 dCⱼ/dt = ... + Σᵢ(νᵢⱼ·ρᵢ) 中，第二项的物理意义是什么？
3. 为什么溶解氧 S_O 在 COD 守恒中的当量是 −1 gCOD/gO₂，而不是 +1？

⭐⭐ 进阶题

1. 在 5.6 节的矩阵中，验证过程 2（内源衰减）的 COD 守恒（写出计算过程）。
2. 为只含自养硝化的系统构建 Peterson 矩阵：

• 组分：SNH、SNO、SO、XBA（4 个）
• 过程：自养菌好氧生长（1 个），Y_A = 0.24 gCOD/gCOD
• 提示：1 gN NH₄⁺→NO₃⁻ 消耗 4.57 gO₂；SNO 系数为 +1/YA（gN/gCOD）
• 对 COD 组分验证 COD 守恒（SNH 和 SNO 的 COD 当量均为 0）

⭐⭐⭐ 挑战题

1. 在 5.6 节矩阵基础上，增加缺氧异养生长过程（以 NO₃⁻ 替代 O₂ 为电子受体）：

• 新增组分：S_NO（NO₃⁻-N）
• 缺氧效率系数 η_g = 0.8
• 构建 3 过程 × 5 组分的完整矩阵
• 利用 SNO COD 当量 = −2.86 gCOD/gN，推导 SNO 在缺氧生长行的化学计量系数
• 验证缺氧生长行的 COD 守恒
• 写出完整速率表达式（含 O₂ 抑制开关函数）

推荐阅读：

• Henze, M. et al. (2000). Activated Sludge Models ASM1, ASM2, ASM2d and ASM3. IWA STR No. 9，第 1–2 章（模型结构说明）
• Gujer, W. (2008). Systems Analysis for Water Technology. Springer，第 12 章（Peterson 矩阵的数学基础）
• Petersen, E.E. (1965). Chemical Reaction Analysis. Prentice Hall（矩阵方法的原始来源）

目录 | 上一章：第 4 章：反应动力学基础——Monod 方程与 CSTR | 下一章：第 6 章：ASM1 模型完全解读

第 6 章：ASM1 模型完全解读

学习目标：

1. 记住并理解 ASM1 的 13 个组分
2. 逐一解读 ASM1 的 8 个生物过程
3. 理解开关函数在 ASM1 速率表达式中的具体应用
4. 能够读懂并使用完整的 ASM1 Peterson 矩阵
5. 掌握 ASM1 默认参数集并理解各参数的物理意义
6. 独立推导异养菌好氧生长的全部化学计量系数

前置要求：第 2-5 章全部内容

6.1 ASM1 概览

ASM1（Activated Sludge Model No. 1）是 IWA 工作组于 1987 年发布的第一个标准化活性污泥模型，由 Henze、Grady、Gujer、Marais 和 Matsuo 联合提出。尽管已有 ASM2d、ASM3 等后续模型，ASM1 至今仍是国际上应用最广泛的活性污泥模型，是理解整个 ASM 系列的基础。

ASM1 的覆盖范围：

• 有机物去除（碳氧化）
• 硝化（Nitrification）：NH₄⁺→NO₃⁻
• 反硝化（Denitrification）：NO₃⁻→N₂
• 不包含：生物除磷（→ASM2d）、胞内储存物（→ASM3）

ASM1 的规模：

6.2 ASM1 的 13 个组分

6.2.1 组分分类

ASM1 的 13 个组分按物理性质和化学性质分为四类：

溶解性有机物（S 前缀）：

颗粒性有机物（X 前缀）：

溶解性无机物（S 前缀）：

颗粒性有机氮：

6.2.2 组分在系统中的"命运"

6.3 ASM1 的 8 个过程

过程概览

6.3.1 过程 1：异养菌好氧生长

文字描述：在好氧条件下，异养菌以 SS 为碳源和能源，以 O₂ 为电子受体，生长并合成新细胞（XBH）。同时消耗氨氮（SNH）用于细胞氮合成，消耗碱度（SALK）。

速率表达式：

• μ_H：异养菌最大比增长速率（d⁻¹）
• KS：异养菌对 SS 的半饱和常数（gCOD/m³）
• K_OH：异养菌对 O₂ 的半饱和常数（gO₂/m³）

化学计量系数推导（以"生成 1 gCOD X_BH"为参考）：

SS 系数：每生成 1 gCOD 细胞，消耗 1/YH gCOD 底物 → −1/Y_H

SO 系数：底物中有 YH 部分用于合成细胞，其余 (1−YH) 部分被氧化释放能量，需消耗 (1−YH)/YH gO₂ → −(1−YH)/Y_H

SNH 系数：每 gCOD 细胞含氮量为 iXB gN/gCOD，这些氮来自 SNH 的消耗 → −iXB

SALK 系数：SNH 中每消耗 1 mol NH₄⁺-N（14 gN），碱度减少 1/14 mol（因 NH₄⁺ 被同化时释放 H⁺） → −i_XB/14

COD 守恒验证：

6.3.2 过程 2：异养菌缺氧生长（反硝化）

文字描述：在缺氧（无 O₂，有 NO₃⁻）条件下，异养菌以 SS 为碳源，以 NO₃⁻ 为电子受体进行反硝化（NO₃⁻→N₂），同时生长。缺氧生长比好氧生长效率稍低（以ηg < 1 体现）。

速率表达式：

• KOH/(KOH + S_O)：O₂ 的抑制开关函数（无 O₂ 时才激活）
• SNO/(KNO + S_NO)：NO₃⁻ 的激活 Monod 函数
• η_g：缺氧条件下的比增长速率校正系数（0.6~0.8，< 1 反映缺氧条件下细胞生长效率稍低）

化学计量系数：

注意：在过程 2 中，SO 系数为 0（无 O₂ 参与），而 SNO 系数为负（消耗 NO₃⁻）。

COD 守恒验证：

（SNO 的 COD 当量为 −2.86，系数为 −(1−YH)/(2.86·YH)，乘积 = +(1−YH)/Y_H）

6.3.3 过程 3：自养菌好氧生长（硝化）

文字描述：在好氧条件下，自养硝化菌以 NH₄⁺ 为能源（将其氧化为 NO₃⁻），以 CO₂ 为碳源，消耗大量 O₂，生长并合成新细胞（X_BA）。每 gN NH₄⁺ 氧化为 NO₃⁻ 消耗约 4.57 gO₂（理论值）。

速率表达式：

• μA：自养菌最大比增长速率（d⁻¹，远小于 μH）
• K_NH：对 NH₄⁺ 的半饱和常数（gN/m³）
• K_OA：自养菌对 O₂ 的半饱和常数（gO₂/m³）

化学计量系数（推导见附注）：

COD 守恒验证（仅 COD 组分）：

等等——注意 SNH 和 SNO 的 COD 当量均为 0（氮组分不携带 COD），所以只需：

这不等于 0！这是因为自养菌从 CO₂ 固定碳——碳源（CO₂）有 COD 当量。

更正的 COD 守恒：

自养菌利用 CO₂ 作为碳源（CO₂ 中碳的氧化态为 +4，固定到细胞中的碳氧化态约为 0）。在 ASM1 中，CO₂/碳酸盐碱度通过 S_ALK 追踪，但 CO₂ 固定带来的 COD 变化已经包含在整体守恒中。对于自养菌：

简化的 COD 验证（包含 S_O 的 −1 当量）：

这不为零，因为 YA 取自能量学（14 gCOD/4.57 gO₂×YA），自养菌的 COD 确实来自 CO₂ 固定。这在 ASM1 框架中是已知的"CO₂ 固定"修正项。

实践注意：对自养过程 COD 守恒的验证需考虑碳源（CO₂），在实际的 ASM1 实现中，全厂 COD 守恒方程已经将此项纳入考量。

6.3.4 过程 4：异养菌衰减（死亡-再生）

文字描述：异养菌的衰减采用 ASM1 特有的"死亡-再生"概念（Death-Regeneration Concept）：衰减的生物量不直接被氧化，而是部分转化为惰性残余物（XP），其余转化为慢速可降解底物（XS），供系统内其他菌群再利用。

重要提示：这与 ASM3 的"内源呼吸"概念完全不同，是 ASM1/ASM2d 的一个理论简化。"死亡-再生"在模型中实质上是一种内源呼吸的等价表达，但通过 XS 的再生，间接产生了 OUR（后续异养菌消耗 XS 时消耗 O₂）。

速率表达式：

化学计量系数：

COD 守恒验证：

6.3.5 过程 5：自养菌衰减

结构与过程 4 完全相同，只是主体为 X_BA。

速率表达式：

化学计量系数：（与过程 4 结构相同，以 XBA 替代 XBH）

6.3.6 过程 6：有机氮氨化（Ammonification）

文字描述：溶解性可降解有机氮（SND）在异养菌（XBH）的催化作用下转化为氨氮（S_NH）。这模拟了蛋白质类溶解性有机氮的氨化过程。

速率表达式（一阶，以 X_BH 为催化剂）：

• k_a：氨化速率系数（m³/gCOD/d）

化学计量系数：

6.3.7 过程 7：有机物水解

文字描述：颗粒性慢速可降解底物（XS）在异养菌（XBH）产生的胞外酶作用下水解为溶解性易降解底物（SS）。水解速率由 XS/XBH 比值（比底物浓度）控制，在好氧和缺氧条件下均可发生，但缺氧时效率较低（以 ηh 修正）。

速率表达式（表面积限制的 Monod 型）：

其中：

• k_h：最大水解速率（gCOD/gCOD/d）
• K_X：水解的半饱和常数（gCOD/gCOD）
• η_h：缺氧条件下水解的修正系数（0.4~0.8）
• 方括号内是双条件开关：好氧时用 SO 激活，缺氧时用 NO₃⁻ 激活（但效率乘以 ηh）

化学计量系数：

6.3.8 过程 8：有机氮水解

文字描述：颗粒性有机氮（XND）随 XS 的水解而同步转化为溶解性有机氮（S_ND）。

速率表达式（比例于过程 7）：

化学计量系数：

6.4 ASM1 完整 Peterson 矩阵

下表列出 ASM1 的完整化学计量矩阵（空白处系数为 0）：

符号约定：

• Y_H = 异养菌产率系数（0.67 gCOD/gCOD）
• Y_A = 自养菌产率系数（0.24 gCOD/gCOD）
• f_P = 内源残余物比例（0.08）
• i_XB = 生物量含氮量（0.086 gN/gCOD）
• i_XP = 内源残余物含氮量（0.06 gN/gCOD）

速率表达式（右列）：

6.5 ASM1 默认参数集

以下是 Henze et al. (2000) 给出的 ASM1 默认参数，分别对应 10°C 和 20°C：

化学计量参数（与温度无关）

动力学参数

关键参数的工程直觉

• μH >> μA（6.0 vs 0.8）：异养菌比自养菌快约 7-8 倍，决定了 SRT 的设计下限
• b_H 受温度影响大（0.62 vs 0.20）：10°C 时衰减只有 20°C 的 32%，污泥产量在低温时显著增加
• KOH vs KOA（0.20 vs 0.40）：自养菌对溶氧需求更高，DO < 1 mg/L 时硝化受抑制明显
• η_g = 0.80：反硝化时细胞生长效率为好氧的 80%，常被误解为 20% 的能量"损失"——实际上是缺氧代谢的能量获取效率比好氧低

6.6 控制方程的完整推导示例

以 S_NH（氨氮） 为例，在一个 CSTR 中：

整理：

这就是系统中氨氮动态的完整控制方程，清晰体现了 NH₄⁺ 的四条去向：对流出水、异养合成消耗、硝化消耗、有机氮氨化补充。

6.7 ASM1 的局限性

ASM1 是里程碑式的模型，但也有明确的设计边界：

6.8 本章练习

⭐ 基础题

1. ASM1 有哪 13 个组分？按溶解性/颗粒性、有机/无机分类列出。
2. 解释"死亡-再生"概念：当 X_BH 衰减时，产生了哪些组分？各比例如何？
3. 在过程 1（好氧异养生长）中，为什么 SNH 系数为 −iXB？

⭐⭐ 进阶题

1. 独立推导过程 2（缺氧异养生长）中 S_NO 的化学计量系数，写出推导过程（从 COD 守恒出发）。
2. 对于一个 SRT=10d、HRT=6h、20°C 的 CSTR，已知 ρ₁=50 gCOD/m³/d、ρ₃=2 gN/m³/d、ρ₆=0.5 gN/m³/d，进水 SNH=35 gN/m³，写出 SNH 的稳态方程并计算稳态 S_NH（假设 ρ₂=0）。
3. 验证过程 4（异养菌衰减）的 COD 守恒（参数：f_P=0.08）。

⭐⭐⭐ 挑战题

1. 在 ASM1 中，系统的氧消耗速率（OUR，Oxygen Uptake Rate）由哪几个过程贡献？写出 OUR 的完整表达式。
2. 推导 ASM1 中系统的净污泥产量（Net Sludge Production, NSP）公式：从各过程对 XBH、XBA、XP、XI 的贡献出发，整合稳态排泥量。

推荐阅读：

• Henze, M., Grady, C.P.L., Gujer, W., Marais, G.v.R., Matsuo, T. (1987). "A general model for single-sludge wastewater treatment systems." Water Research, 21(5), 505–515.（ASM1 原始论文）
• Henze, M. et al. (2000). Activated Sludge Models ASM1, ASM2, ASM2d and ASM3. IWA STR No. 9.（权威参考，含完整矩阵表格）
• Metcalf & Eddy / AECOM. Wastewater Engineering: Treatment and Resource Recovery (5th ed.)，第 7 章

目录 | 上一章：第 5 章：Peterson 速率矩阵——数学结构与物理意义 | 下一章：第 7 章：ASM2d——生物除磷模型

第 7 章：ASM2d——生物除磷模型

学习目标：

1. 理解强化生物除磷（EBPR）的代谢生理学机制
2. 掌握 PAO 的厌氧-好氧/缺氧代谢循环
3. 了解 ASM2d 相对于 ASM1 新增的组分与过程
4. 理解反硝化 PAO（DPAO）的意义
5. 掌握 PAO 与 GAO 之间的竞争关系
6. 能够描述 ASM2d 与 ASM1 的主要差异

前置要求：第 5-6 章（Peterson 矩阵、ASM1 完整解读）

7.1 为什么 ASM1 无法描述生物除磷？

ASM1 发布后（1987 年），污水处理行业逐渐广泛应用强化生物除磷（Enhanced Biological Phosphorus Removal, EBPR）工艺（如 A²/O、UCT、SBR）。然而，ASM1 完全没有磷的组分——它无法预测磷的去除效果，更无法优化除磷工艺的运行。

EBPR 的核心微生物是聚磷菌（Phosphorus-Accumulating Organisms, PAO），其代谢行为高度独特：

• 在厌氧段：释放磷酸盐，吸收挥发性脂肪酸（VFA）合成胞内有机物（PHA）
• 在好氧/缺氧段：氧化 PHA 获取能量，超量吸收磷酸盐合成多聚磷（Poly-P）

这种"先释磷后超量摄磷"的循环使得整体系统能够从污水中去除磷——但这套机理 ASM1 完全无法捕捉。

ASM2（1995）和 ASM2d（1999）正是为解决这一问题而开发的。其中 ASM2d 是 ASM2 的改进版，增加了反硝化 PAO 的能力，是目前工程应用中更常用的版本。

7.2 PAO 的代谢生理学

理解 ASM2d 的关键是理解 PAO 的代谢循环，这是模型所有新增组分和过程的物理基础。

7.2.1 厌氧阶段（PAO 释磷 + VFA 吸收）

关键点：

1. VFA（S_A）必须以乙酸为主——复杂有机物需要先发酵产生 VFA
2. 能量来自 Poly-P（X_PP）的水解（ATP 生成），同时释放 PO₄³⁻ 到溶液中→进水磷浓度升高是正常现象
3. PHA（X_PHA）作为碳和能量的储备，是后续好氧/缺氧摄磷的"燃料"

7.2.2 好氧/缺氧阶段（PAO 摄磷 + PHA 氧化）

关键点：

• 摄磷量 >> 释磷量（"超量"摄磷 = EBPR 的本质）
• 排泥时，XPP 随 XPAO 一起从系统排出，从而实现磷的去除
• 系统中的磷去除量 = 排泥中 X_PP 的含量

7.2.3 PAO 代谢的整体循环图

7.3 胞内储存物：PHA、Poly-P 与糖原

ASM2d 显式追踪三类 PAO 的胞内储存物，这是与 ASM1 最大的概念差异之一：

注意：在 ASM2d 标准版本中，糖原（Glycogen）被合并到 X_PAO 的整体代谢中处理，而不是作为单独组分追踪。在更复杂的扩展版（如含 GAO 的模型）中，糖原才被显式建模。

7.4 ASM2d 的组分体系

7.4.1 总组分数：19 个

ASM2d 在 ASM1 的基础上增加了磷组分和 PAO 相关组分：

新增溶解性组分（相对于 ASM1）：

新增颗粒性组分：

修改说明：

• ASM1 的 SS 在 ASM2/ASM2d 中被拆分为 SF（可发酵底物）+ S_A（VFA）
• 因此 ASM2d 的可降解底物更精细，能区分 VFA 和非 VFA 的有机物

7.4.2 ASM2d 与 ASM1 组分对比

7.5 ASM2d 的 21 个过程

相比 ASM1 的 8 个过程，ASM2d 共有 21 个过程，新增的主要是 PAO 相关过程。

7.5.1 过程分组

异养菌过程（与 ASM1 类似，但底物从 SS 改为 SF 和 S_A）：

• 过程 1-3：异养菌好氧生长（以 SF 和 SA 为底物）
• 过程 4-5：异养菌缺氧生长
• 过程 6-7：异养菌衰减
• 过程 8：发酵（SF → SA，在厌氧条件下）
• 过程 9-10：水解

PAO 过程（全新）：

自养硝化（与 ASM1 相同）：

• 过程 19-20：自养菌好氧生长、衰减

磷沉淀（ASM2d 特有）：

• 过程 21：化学磷沉淀（如铁盐/铝盐化学除磷）

7.5.2 核心 PAO 过程速率表达式

过程 11（厌氧 X_PHA 储存）——最关键的 PAO 过程：

• 反应必须在严格厌氧条件下发生（O₂ 和 NO₃⁻ 均被抑制）
• 驱动力来自 X_PP（Poly-P 的水解提供能量）
• S_A（VFA）必须可用

过程 12（好氧 PAO 生长）：

7.6 ASM2d 的新概念：反硝化 PAO（DPAO）

ASM2（1995）的局限：原 ASM2 假设 PAO 只能在好氧条件下摄磷，而缺氧条件下无法利用 NO₃⁻ 作为电子受体。

实践观察：工程中发现约 50% 的 PAO 可以在缺氧条件下利用 NO₃⁻（甚至 NO₂⁻）进行摄磷，这被称为反硝化 PAO（Denitrifying PAO, DPAO）。

ASM2d（1999）的改进：在 ASM2 基础上为 PAO 增加了缺氧代谢途径（过程 13、15），用修正系数 η_NO₃,PAO（< 1）描述 PAO 的缺氧代谢效率。

工程意义：

• DPAO 同时实现脱氮（消耗 NO₃⁻）和除磷（摄取 PO₄³⁻），是 A²N²P 等新型工艺的理论基础
• 减少了对好氧段容积的需求，节省曝气能耗
• 在深度脱氮除磷的设计中，DPAO 比例是重要的校准参数

7.7 PAO vs GAO：影响除磷效率的竞争

聚糖菌（Glycogen-Accumulating Organisms, GAO） 是与 PAO 竞争的微生物：

GAO 增殖的不利工况：

• 进水 COD/P 比过高（VFA 充裕而磷相对少）
• 高温（> 25°C）
• pH 较低（< 7.0）
• 进水中乙酸比例低而丙酸比例高

标准 ASM2d 的局限：不包含 GAO 子模型，无法预测 GAO 增殖导致的除磷效率下降。含 GAO 的扩展模型（如 Zeng 等，2003；Filipe 等，2001）已有发表，但尚未被纳入 IWA 标准模型。

7.8 ASM2d Peterson 矩阵概览

以下是 ASM2d 核心 PAO 相关过程的矩阵片段（仅展示 PAO 特有组分，以便理解）：

注意 COD 守恒：

• 过程 11：SA（COD）→ XPHA（COD），SPO4 和 XPP 无 COD；COD 守恒于有机物组分
• 过程 12：XPHA（COD）→ XPAO（COD），部分氧化消耗 S_O；COD 守恒

7.9 ASM2d 与 ASM1 的关键差异总结

7.10 何时选择 ASM2d 而非 ASM1？

选择 ASM2d 的情形：

• 系统含厌氧段（A²/O、UCT、JHB 工艺等）
• 出水 TP 有明确标准（如 < 0.5 mg/L）
• 研究或优化 EBPR 性能
• 需要预测化学/生物联合除磷

坚持 ASM1 的情形：

• 没有 EBPR（纯碳氮去除）
• 参数数据有限（ASM2d 参数更多，校准难度更大）
• 计算资源受限（ASM2d 计算量约为 ASM1 的 2-3 倍）

7.11 本章练习

⭐ 基础题

1. 描述 PAO 在厌氧段和好氧段各自发生什么？各消耗/生成什么物质？
2. 为什么厌氧段进水磷浓度反而会升高？这是正常现象吗？
3. ASM2d 中 SF 和 SA 的区别是什么？为什么要将 ASM1 的 S_S 拆分？

⭐⭐ 进阶题

1. 在 A²/O 工艺中，碳源（VFA）的分配是 EBPR 效率的关键。如果进水 VFA 不足，PAO 和 GAO 哪个会被优先选择？为什么？
2. 解释为什么 ASM2d 的缺氧摄磷过程（过程 13）中，SPO4 系数为负（摄磷），而厌氧释磷过程（过程 11）中 SPO4 系数为正？
3. 在 ASM2d 中，如果不区分 PAO 的好氧摄磷和 DPAO 的缺氧摄磷，使用 ASM2（非 ASM2d）建模会导致什么预测误差？

⭐⭐⭐ 挑战题

1. 为一个 UCT 工艺（厌氧-缺氧-好氧，带特殊回流）绘制碳、氮、磷三种元素在各段的流向图，并标注涉及的 ASM2d 主要过程编号。
2. 如果某污水厂的进水 C/P 比异常高（C:P > 100），根据 ASM2d 模型推断：EBPR 效率如何？需要采取什么措施？从建模角度如何预测改善效果？

推荐阅读：

• Henze, M., Gujer, W., Mino, T., Matsuo, T., Wentzel, M.C., Marais, G.v.R., & van Loosdrecht, M.C.M. (1999). "Activated Sludge Model No. 2d, ASM2d." Water Science and Technology, 39(1), 165–182.（ASM2d 原始论文）
• Mino, T., van Loosdrecht, M.C.M., & Heijnen, J.J. (1998). "Microbiology and biochemistry of the enhanced biological phosphate removal process." Water Research, 32(11), 3193–3207.（EBPR 生化机理综述）
• Metcalf & Eddy / AECOM. Wastewater Engineering (5th ed.)，第 8 章（生物除磷设计）

目录 | 上一章：第 6 章：ASM1 模型完全解读 | 下一章：第 8 章：ASM3——概念范式修正

第 8 章：ASM3——概念范式修正

学习目标：

1. 理解 ASM1"死亡-再生"概念的局限与争议
2. 掌握 ASM3 引入"内源呼吸"（Endogenous Respiration）的动机
3. 理解胞内储存物 X_STO 在 ASM3 中的核心作用
4. 能够比较 ASM1 和 ASM3 对 OUR 与污泥产量的不同预测机制
5. 掌握在实际工程中选择 ASM1 vs ASM3 的判断依据

前置要求：第 6 章（ASM1 完整解读）

8.1 ASM1 的"死亡-再生"：一个必要的但有争议的简化

8.1.1 ASM1 的衰减概念

在 ASM1（以及 ASM2d）中，微生物的衰减采用"死亡-再生"（Death-Regeneration）概念：

这意味着：

• 衰减本身不直接消耗氧气（过程 4 的 S_O 系数 = 0）
• 氧气消耗发生在"再生"过程中——即后续异养菌消耗 X_S 时（通过过程 1/2）
• 从能量学上看，系统中存在一个"内部碳循环"：XBH 衰减 → XS → 再次被 X_BH 消耗

8.1.2 "死亡-再生"的问题

问题 1：与真实内源呼吸不符

真实情况是，微生物维持自身（Maintenance Energy）通过直接氧化胞内物质实现，而不是先"死亡"再被"再生"。实验观测到的内源呼吸（Endogenous OUR）是持续发生的，即使在没有外部底物时。

问题 2：OUR 预测偏差

在批式实验（Batch Test）中，将底物（S_S）加入含有活性污泥的反应器后，监测 OUR 变化：

ASM1 有时会高估或低估 OUR 的时序分布，特别是在动态条件下。

问题 3：污泥产量预测的偏差

在高 SRT 系统（> 15 d）或低负荷系统中，ASM1 使用死亡-再生概念会导致对污泥产量的预测系统偏差，特别是当进水中含有大量慢速降解底物时。

8.2 ASM3 的根本性改进：胞内储存物与内源呼吸

ASM3（1999）由 Gujer、Henze、Mino 和 van Loosdrecht 提出，相比 ASM1 进行了两个根本性概念修正：

8.2.1 引入胞内储存物（Intracellular Storage，X_STO）

ASM3 的核心新组分是 X_STO（胞内储存有机物），代表微生物在底物充足时临时储存的有机物（如 PHA、糖原等的通称）。

关键洞见：在 ASM3 中，底物的快速吸收（SS → XSTO）与细胞生长（XSTO → XBH）被分为两个独立过程，而在 ASM1 中它们被合并为一步（SS → XBH）。这种分离更符合微生物在"盛宴-饥荒"（Feast-Famine）环境中的真实行为。

8.2.2 "内源呼吸"替代"死亡-再生"

ASM3 用内源呼吸（Endogenous Respiration）概念替代 ASM1 的死亡-再生：

8.3 ASM3 的结构

8.3.1 组分（13 个，与 ASM1 相同数量）

ASM3 保留了与 ASM1 相近的 13 个组分，但引入了 XSTO 并去掉了 XND 和 S_ND（氮水解过程简化）：

8.3.2 过程（12 个）

ASM3 的 12 个过程：

核心差异对比（ASM1 vs ASM3）：

8.4 ASM3 对 OUR 和污泥产量预测的改善

8.4.1 批式实验 OUR 的预测改善

在标准批式 OUR 测试中，ASM3 能更准确地再现 OUR 的时序分布：

ASM3 的预测机制：

1. 底物存在阶段（Feast）：

• 过程 3：SS → XSTO（储存，消耗少量 O₂ 但速率快）
• 过程 5：XSTO → XH（生长，同步消耗 O₂）
• 总 OUR = 储存 OUR + 生长 OUR → 较高

1. 底物耗尽阶段（Famine）：

• 过程 7：X_STO → CO₂（内源，消耗 O₂）
• 过程 9：X_H 内源衰减（消耗 O₂）
• 总 OUR = XSTO 内源 + XH 内源 → 有一个稳定的"内源基线"

这与实验观测吻合更好，特别是对于 SBR（序批式反应器）系统。

8.4.2 污泥产量预测的改善

ASM3 通过分离储存和生长过程，能更准确地预测以下场景下的污泥产量：

8.5 ASM1 vs ASM3 vs ASM2d：综合对比

8.6 ASM1 vs ASM3 的选择指南

在以下情况优先选择 ASM3：

1. SBR 系统：盛宴-饥荒循环是 SBR 的特征，X_STO 的动态行为不可忽视
2. 动态模拟精度要求高：如在线控制（MPC）、动态设计验证
3. 低 F/M 比系统（高 SRT）：内源呼吸占主导，死亡-再生的误差更显著
4. 好氧颗粒污泥（AGS）：储存行为是 AGS 的核心代谢特征
5. 精确 OUR 测定与模拟：如基于 OUR 的在线软测量

在以下情况优先选择 ASM1：

1. 首次建模、资源有限：ASM1 更简单，校准参数更少
2. 稳态设计计算：对于稳态工况，ASM1 的预测精度通常足够
3. 数据有限：ASM3 需要更多实验数据（特别是 X_STO 相关参数）
4. 与历史数据对比：历史模型基于 ASM1，保持一致性
5. 教学目的：ASM1 更适合理解生物模型的基础概念

实践建议（BIOMATH/GMP 协议推荐）：

• 对于大多数市政污水厂（包含碳氮去除）的工程模拟，ASM1 仍然是默认选择
• 当需要更精确的动态模拟或系统中 SBR 特征显著时，考虑 ASM3 或 ASM1 + 储存扩展
• 对含 EBPR 的系统，几乎必须使用 ASM2d（或含 EBPR 的 ASM3 扩展版）

8.7 ASM3 的实践挑战

8.7.1 参数增多问题

ASM3 引入了 X_STO 相关的新参数：

这些参数需要通过批式呼吸测定（Respirometry）实验单独标定，增加了校准工作量。

8.7.2 软件支持

目前主流模拟软件（BioWin、GPS-X、SUMO、WEST）均支持 ASM3，但用户需要注意各软件对 ASM3 的具体实现可能略有差异（如 X_SS 的定义方式、默认参数集来源等）。

8.8 ASM 系列模型演进总览

8.9 本章练习

⭐ 基础题

1. 解释 ASM1"死亡-再生"与 ASM3"内源呼吸"的主要区别。在这两种概念下，微生物衰减时 O₂ 的消耗分别发生在什么时候？
2. ASM3 中的 X_STO 代表什么？它在哪种环境条件下积累，在哪种条件下消耗？
3. 为什么 ASM3 对 SBR 系统的 OUR 预测比 ASM1 更准确？

⭐⭐ 进阶题

1. 对比 ASM1 的过程 4（异养菌衰减）和 ASM3 的过程 9（X_H 好氧内源衰减）：

• 各自产生哪些组分？
• 各自的 S_O 化学计量系数是什么？
• 对 Peterson 矩阵 COD 守恒的影响有何不同？

1. 在一个 SRT = 20d 的系统中，ASM1 预测的净污泥产量（Y_obs）= 0.2 gVSS/gCOD。如果改用 ASM3，预测值是偏高还是偏低？解释原因。

⭐⭐⭐ 挑战题

1. 设计一个批式实验方案，用于区分 ASM1（死亡-再生）和 ASM3（内源呼吸）对 OUR 的不同预测：

• 实验条件设置（底物浓度、污泥浓度、O₂ 供给）
• OUR 测量时间序列
• 如何从实验数据判断哪个模型更符合实际？

1. 某工程师要用 ASM3 模拟一个 A/O 系统（好氧-厌氧），进水 SS = 200 mgCOD/L。在好氧段开始的前 30 分钟（SBR 盛宴阶段），XSTO 的积累速率如何与 X_H 的生长速率相比较？哪个过程主导？（定性分析）

推荐阅读：

• Gujer, W., Henze, M., Mino, T., & van Loosdrecht, M.C.M. (1999). "Activated Sludge Model No. 3." Water Science and Technology, 39(1), 183–193.（ASM3 原始论文）
• van Loosdrecht, M.C.M. & Henze, M. (1999). "Maintenance, endogenous respiration, lysis, decay and predation." Water Science and Technology, 39(1), 107–117.（内源呼吸与死亡-再生的概念辨析）
• Koch, G., Krebs, P., & Gujer, W. (2000). "Calibration of Activated Sludge Model No. 3 for Swiss municipal wastewater." Water Science and Technology, 41(12), 369–376.（ASM3 校准案例）

目录 | 上一章：第 7 章：ASM2d——生物除磷模型 | 下一章：第 9 章：模型实现——Python 编程实战

第 9 章：模型实现——Python 编程实战

学习目标：

1. 用 Python + SciPy 实现 ASM1 的完整 ODE 系统
2. 将 Peterson 矩阵以代码形式规范表达
3. 实现单反应器 CSTR 的动态模拟并可视化结果
4. 了解主流开源工具（WaterTAP、QSDsan）的使用方式
5. 掌握参数灵敏度实验的编程方法

前置要求：第 5-6 章（Peterson 矩阵、ASM1）；Python 基础（numpy、scipy、matplotlib）

9.1 编程环境准备

9.1.1 所需依赖

pip install numpy scipy matplotlib

ASM1 实现无需任何专业水处理库——标准科学计算栈即可。

9.1.2 文件结构建议

asm1_simulation/
├── asm1_params.py      # 参数定义
├── asm1_model.py       # 化学计量矩阵 + 速率函数
├── asm1_reactor.py     # CSTR 控制方程
└── run_simulation.py   # 运行脚本 + 可视化

9.2 核心设计思路：Peterson 矩阵的代码化

Peterson 矩阵的数学结构天然适合矩阵运算：

用 numpy 的矩阵乘法可以直接表达这个公式，而不需要手写 13 个独立方程。这正是 Peterson 矩阵在编程上的优雅之处。

9.3 ASM1 参数定义

# asm1_params.py

def default_params_20C():
    """ASM1 默认参数（20°C，来自 Henze et al. 2000）"""
    return {
        # ── 化学计量参数（与温度无关）──
        'Y_H':   0.67,   # 异养菌产率系数           gCOD/gCOD
        'Y_A':   0.24,   # 自养菌产率系数           gCOD/gCOD
        'f_P':   0.08,   # 衰减产物中惰性比例       gCOD/gCOD
        'i_XB':  0.086,  # 生物量含氮量             gN/gCOD
        'i_XP':  0.06,   # 内源残余物含氮量         gN/gCOD

        # ── 异养菌动力学参数 ──
        'mu_H':  6.0,    # 最大比增长速率           d⁻¹
        'K_S':   20.0,   # S_S 半饱和常数           gCOD/m³
        'K_OH':  0.20,   # O₂ 半饱和常数（异养）    gO₂/m³
        'K_NO':  0.50,   # NO₃⁻ 半饱和常数          gN/m³
        'b_H':   0.62,   # 衰减系数                 d⁻¹
        'eta_g': 0.80,   # 缺氧生长修正系数         —

        # ── 自养菌动力学参数 ──
        'mu_A':  0.80,   # 最大比增长速率           d⁻¹
        'K_NH':  1.00,   # NH₄⁺ 半饱和常数          gN/m³
        'K_OA':  0.40,   # O₂ 半饱和常数（自养）    gO₂/m³
        'b_A':   0.20,   # 衰减系数                 d⁻¹

        # ── 水解参数 ──
        'k_h':   3.00,   # 最大水解速率             gCOD/gCOD/d
        'K_X':   0.03,   # 水解半饱和常数           gCOD/gCOD
        'eta_h': 0.40,   # 缺氧水解修正系数         —

        # ── 氨化参数 ──
        'k_a':   0.08,   # 氨化速率系数             m³/gCOD/d
    }


def scale_to_temperature(params, T, base_T=20):
    """
    使用 Arrhenius 方程将参数缩放至目标温度
    theta 值来自 Henze et al. (2000)
    """
    theta = {
        'mu_H': 1.072, 'b_H': 1.072,
        'mu_A': 1.103, 'b_A': 1.072,
        'k_h':  1.041, 'k_a': 1.072,
    }
    scaled = params.copy()
    for key, th in theta.items():
        if key in scaled:
            scaled[key] = scaled[key] * th ** (T - base_T)
    return scaled

9.4 化学计量矩阵与速率函数

# asm1_model.py
import numpy as np

# 组分索引（便于可读性）
S_I  = 0   # 溶解性惰性有机物
S_S  = 1   # 易降解底物
X_I  = 2   # 颗粒性惰性有机物
X_S  = 3   # 慢速降解底物
X_BH = 4   # 活性异养菌
X_BA = 5   # 活性自养菌
X_P  = 6   # 衰减产物（惰性）
S_O  = 7   # 溶解氧
S_NO = 8   # 硝态氮
S_NH = 9   # 氨态氮
S_ND = 10  # 溶解性有机氮
X_ND = 11  # 颗粒性有机氮
S_ALK = 12 # 碱度

N_COMP = 13  # 组分总数
N_PROC = 8   # 过程总数


def build_stoichiometry(p):
    """
    构建 ASM1 化学计量矩阵 ν (8×13)
    行 = 过程，列 = 组分
    正值 = 生成，负值 = 消耗
    """
    Y_H, Y_A = p['Y_H'], p['Y_A']
    f_P = p['f_P']
    i_XB, i_XP = p['i_XB'], p['i_XP']

    nu = np.zeros((N_PROC, N_COMP))

    # ── 过程 1：异养菌好氧生长 ──────────────────────────────
    nu[0, S_S]  = -1 / Y_H
    nu[0, X_BH] = +1
    nu[0, S_O]  = -(1 - Y_H) / Y_H
    nu[0, S_NH] = -i_XB
    nu[0, S_ALK]= -i_XB / 14

    # ── 过程 2：异养菌缺氧生长（反硝化）────────────────────
    nu[1, S_S]  = -1 / Y_H
    nu[1, X_BH] = +1
    nu[1, S_NO] = -(1 - Y_H) / (2.86 * Y_H)
    nu[1, S_NH] = -i_XB
    nu[1, S_ALK]= (1 - Y_H) / (14 * 2.86 * Y_H) - i_XB / 14

    # ── 过程 3：自养菌好氧生长（硝化）──────────────────────
    nu[2, X_BA] = +1
    nu[2, S_O]  = -(4.57 - Y_A) / Y_A
    nu[2, S_NO] = +1 / Y_A
    nu[2, S_NH] = -i_XB - 1 / Y_A
    nu[2, S_ALK]= -i_XB / 14 - 1 / (7 * Y_A)

    # ── 过程 4：异养菌衰减 ───────────────────────────────
    nu[3, X_S]  = +(1 - f_P)
    nu[3, X_BH] = -1
    nu[3, X_P]  = +f_P
    nu[3, X_ND] = +(i_XB - f_P * i_XP)

    # ── 过程 5：自养菌衰减 ───────────────────────────────
    nu[4, X_S]  = +(1 - f_P)
    nu[4, X_BA] = -1
    nu[4, X_P]  = +f_P
    nu[4, X_ND] = +(i_XB - f_P * i_XP)

    # ── 过程 6：有机氮氨化 ───────────────────────────────
    nu[5, S_NH] = +1
    nu[5, S_ND] = -1
    nu[5, S_ALK]= +1 / 14

    # ── 过程 7：有机物水解 ───────────────────────────────
    nu[6, S_S]  = +1
    nu[6, X_S]  = -1

    # ── 过程 8：有机氮水解 ───────────────────────────────
    nu[7, S_ND] = +1
    nu[7, X_ND] = -1

    return nu


def calc_rates(C, p):
    """
    计算 ASM1 的 8 个过程速率 ρ（单位：g/m³/d）
    C: 浓度向量（13 个组分）
    p: 参数字典
    """
    rho = np.zeros(N_PROC)

    # 从向量中取出各组分（防止负值造成数值问题）
    s_s  = max(C[S_S],  0.0)
    x_s  = max(C[X_S],  1e-10)   # 防止除以零
    x_bh = max(C[X_BH], 1e-10)
    x_ba = max(C[X_BA], 1e-10)
    s_o  = max(C[S_O],  0.0)
    s_no = max(C[S_NO], 0.0)
    s_nh = max(C[S_NH], 0.0)
    s_nd = max(C[S_ND], 0.0)
    x_nd = max(C[X_ND], 0.0)

    mu_H  = p['mu_H'];  K_S  = p['K_S']
    K_OH  = p['K_OH'];  K_NO = p['K_NO']
    b_H   = p['b_H'];   eta_g= p['eta_g']
    mu_A  = p['mu_A'];  K_NH = p['K_NH']
    K_OA  = p['K_OA'];  b_A  = p['b_A']
    k_h   = p['k_h'];   K_X  = p['K_X']
    eta_h = p['eta_h']; k_a  = p['k_a']

    # 过程 1：异养菌好氧生长
    rho[0] = mu_H * (s_s / (K_S + s_s)) \
                  * (s_o / (K_OH + s_o)) \
                  * x_bh

    # 过程 2：异养菌缺氧生长
    rho[1] = mu_H * (s_s / (K_S + s_s)) \
                  * (K_OH / (K_OH + s_o)) \
                  * (s_no / (K_NO + s_no)) \
                  * p['eta_g'] * x_bh

    # 过程 3：自养菌好氧生长
    rho[2] = mu_A * (s_nh / (K_NH + s_nh)) \
                  * (s_o / (K_OA + s_o)) \
                  * x_ba

    # 过程 4：异养菌衰减
    rho[3] = b_H * x_bh

    # 过程 5：自养菌衰减
    rho[4] = b_A * x_ba

    # 过程 6：有机氮氨化
    rho[5] = k_a * s_nd * x_bh

    # 过程 7：有机物水解（好氧 + 缺氧）
    f_xs = (x_s / x_bh) / (K_X + x_s / x_bh)
    aerobic_switch = s_o / (K_OH + s_o)
    anoxic_switch  = eta_h * (K_OH / (K_OH + s_o)) * (s_no / (K_NO + s_no))
    rho[6] = k_h * f_xs * (aerobic_switch + anoxic_switch) * x_bh

    # 过程 8：有机氮水解（与过程 7 等比例）
    rho[7] = rho[6] * (x_nd / x_s) if x_s > 1e-10 else 0.0

    return rho

9.5 CSTR 控制方程

# asm1_reactor.py
import numpy as np
from asm1_model import build_stoichiometry, calc_rates, N_COMP

# 颗粒性组分索引（受 SRT 控制）
PARTICULATE = [2, 3, 4, 5, 6, 11]  # X_I, X_S, X_BH, X_BA, X_P, X_ND


def cstr_ode(t, C, C_in, HRT, SRT, KLa, SO_sat, params, nu):
    """
    ASM1 单 CSTR 的 ODE 右端函数。

    参数：
        t     : 时间（d），scipy 需要但未直接使用
        C     : 当前浓度向量（13 个组分）
        C_in  : 进水浓度向量（13 个组分）
        HRT   : 水力停留时间（d）
        SRT   : 污泥龄（d）
        KLa   : 曝气传质系数（d⁻¹）
        SO_sat: 溶氧饱和浓度（g/m³，默认 8.0）
        params: 参数字典
        nu    : 化学计量矩阵（8×13）

    返回：
        dC/dt 向量（13 个组分）
    """
    C = np.maximum(C, 0.0)   # 防止负浓度

    # 计算过程速率
    rho = calc_rates(C, params)

    # 生物反应项：ν^T · ρ（13 维向量）
    reaction = nu.T @ rho

    # 对流项：(C_in - C) / HRT
    convection = (C_in - C) / HRT

    # 颗粒性组分的 SRT 排泥项：- C / SRT（仅对颗粒性组分）
    sludge_loss = np.zeros(N_COMP)
    for i in PARTICULATE:
        sludge_loss[i] = -C[i] / SRT

    # 曝气项（仅对 S_O）
    aeration = np.zeros(N_COMP)
    aeration[7] = KLa * (SO_sat - C[7])   # S_O 索引 = 7

    dCdt = convection + reaction + sludge_loss + aeration
    return dCdt

9.6 完整动态模拟示例

# run_simulation.py
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import solve_ivp

from asm1_params import default_params_20C
from asm1_model import build_stoichiometry, S_S, X_BH, X_BA, S_O, S_NO, S_NH, N_COMP
from asm1_reactor import cstr_ode

# ─── 1. 参数设置 ───────────────────────────────────────────
params = default_params_20C()
nu = build_stoichiometry(params)

# ─── 2. 反应器设计参数 ──────────────────────────────────────
HRT  = 0.5    # 水力停留时间（d = 12 h）
SRT  = 10.0   # 污泥龄（d）
KLa  = 200.0  # 曝气传质系数（d⁻¹），对应较强曝气
SO_sat = 8.0  # 溶氧饱和浓度（g/m³，20°C）

# ─── 3. 进水水质设置 ─────────────────────────────────────────
# [S_I, S_S, X_I, X_S, X_BH, X_BA, X_P, S_O, S_NO, S_NH, S_ND, X_ND, S_ALK]
C_in = np.zeros(N_COMP)
C_in[0]  = 30.0   # S_I   gCOD/m³（惰性溶解 COD）
C_in[1]  = 70.0   # S_S   gCOD/m³（易降解底物）
C_in[2]  = 55.0   # X_I   gCOD/m³（惰性颗粒 COD）
C_in[3]  = 200.0  # X_S   gCOD/m³（慢速降解底物）
C_in[7]  = 0.0    # S_O   进水无溶氧
C_in[8]  = 0.0    # S_NO  进水硝态氮为零
C_in[9]  = 35.0   # S_NH  gN/m³（进水氨氮）
C_in[10] = 3.0    # S_ND  gN/m³（溶解性有机氮）
C_in[11] = 10.0   # X_ND  gN/m³（颗粒性有机氮）
C_in[12] = 5.0    # S_ALK mol HCO₃⁻/m³

# ─── 4. 初始条件（冷启动：基本与进水相同）──────────────────
C0 = C_in.copy()
C0[4] = 500.0   # X_BH 初始生物量（gCOD/m³，假设有接种）
C0[5] = 50.0    # X_BA 初始自养菌
C0[7] = 2.0     # S_O  初始溶氧

# ─── 5. 运行 ODE 求解器 ──────────────────────────────────────
t_span = (0, 60)          # 模拟 60 天
t_eval = np.linspace(0, 60, 1000)  # 输出时间点

sol = solve_ivp(
    fun=cstr_ode,
    t_span=t_span,
    y0=C0,
    t_eval=t_eval,
    args=(C_in, HRT, SRT, KLa, SO_sat, params, nu),
    method='LSODA',       # 适用于刚性 ODE（Stiff ODE）
    rtol=1e-6,
    atol=1e-8,
    max_step=0.01,
)

print(f"ODE 求解状态：{'成功' if sol.success else '失败 - ' + sol.message}")

# ─── 6. 结果可视化 ───────────────────────────────────────────
t = sol.t
C = sol.y   # shape: (13, len(t_eval))

fig, axes = plt.subplots(2, 3, figsize=(14, 8))
fig.suptitle('ASM1 单 CSTR 动态模拟（SRT=10d, HRT=12h, T=20°C）', fontsize=13)

# 图 1：底物 COD
axes[0, 0].plot(t, C[S_S], label='S_S（易降解）', color='tab:orange')
axes[0, 0].set_title('底物 COD');  axes[0, 0].set_ylabel('gCOD/m³')
axes[0, 0].legend(); axes[0, 0].set_xlabel('时间 (d)')

# 图 2：生物量
axes[0, 1].plot(t, C[X_BH], label='X_BH（异养菌）', color='tab:blue')
axes[0, 1].plot(t, C[X_BA], label='X_BA（自养菌）', color='tab:red')
axes[0, 1].set_title('活性生物量'); axes[0, 1].set_ylabel('gCOD/m³')
axes[0, 1].legend(); axes[0, 1].set_xlabel('时间 (d)')

# 图 3：溶解氧
axes[0, 2].plot(t, C[S_O], label='S_O', color='tab:cyan')
axes[0, 2].axhline(2.0, ls='--', color='gray', label='DO 控制目标 2 mg/L')
axes[0, 2].set_title('溶解氧'); axes[0, 2].set_ylabel('gO₂/m³')
axes[0, 2].legend(); axes[0, 2].set_xlabel('时间 (d)')

# 图 4：氨氮 & 硝态氮
axes[1, 0].plot(t, C[S_NH], label='S_NH（氨氮）', color='tab:green')
axes[1, 0].plot(t, C[S_NO], label='S_NO（硝态氮）', color='tab:purple')
axes[1, 0].set_title('氮形态'); axes[1, 0].set_ylabel('gN/m³')
axes[1, 0].legend(); axes[1, 0].set_xlabel('时间 (d)')

# 图 5：污泥总量（X_BH + X_BA + X_P + X_I + X_S）
X_total = C[2] + C[3] + C[4] + C[5] + C[6]
axes[1, 1].plot(t, X_total, label='总 VSS（估算）', color='tab:brown')
axes[1, 1].set_title('混合液悬浮固体'); axes[1, 1].set_ylabel('gCOD/m³')
axes[1, 1].legend(); axes[1, 1].set_xlabel('时间 (d)')

# 图 6：TN 去除
TN_in  = C_in[S_NH] + C_in[S_NO] + C_in[10] + C_in[11]
TN_eff = C[S_NH] + C[S_NO] + C[10]   # 出水 TN（无颗粒性）
axes[1, 2].plot(t, TN_eff, label='出水 TN（估算）', color='tab:olive')
axes[1, 2].axhline(TN_in, ls=':', color='gray', label=f'进水 TN={TN_in:.0f} gN/m³')
axes[1, 2].set_title('总氮去除'); axes[1, 2].set_ylabel('gN/m³')
axes[1, 2].legend(); axes[1, 2].set_xlabel('时间 (d)')

plt.tight_layout()
plt.savefig('asm1_simulation.png', dpi=150, bbox_inches='tight')
plt.show()

# ─── 7. 稳态结果输出 ─────────────────────────────────────────
print("\n── 稳态结果（t = 60d）──")
C_ss = C[:, -1]
print(f"  S_S  (出水COD)  : {C_ss[S_S]:.2f} gCOD/m³")
print(f"  S_NH (出水氨氮) : {C_ss[S_NH]:.2f} gN/m³")
print(f"  S_NO (出水硝氮) : {C_ss[S_NO]:.2f} gN/m³")
print(f"  S_O  (溶解氧)   : {C_ss[S_O]:.2f} gO₂/m³")
print(f"  X_BH (异养菌)   : {C_ss[X_BH]:.1f} gCOD/m³")
print(f"  X_BA (自养菌)   : {C_ss[X_BA]:.1f} gCOD/m³")

9.6.1 典型输出结果

运行上述代码后，预期稳态结果约为：

注意：本例中仅有好氧段，无缺氧段，故无反硝化。出水 S_NO 即为硝化产物。

9.7 参数灵敏度实验

了解哪些参数对模型输出影响最大，是模型校准的基础。

# 参数灵敏度实验：改变 SRT，观察稳态出水氨氮
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import solve_ivp

# ... （省略 import 和公共参数设置，与 9.6 相同）

SRT_values = [3, 5, 7, 10, 15, 20, 30]
NH4_steady = []
NO3_steady = []

for srt in SRT_values:
    sol = solve_ivp(
        fun=cstr_ode, t_span=(0, 100), y0=C0,
        args=(C_in, HRT, srt, KLa, SO_sat, params, nu),
        method='LSODA', rtol=1e-6, atol=1e-8,
        t_eval=[100],   # 只取最终时间点
    )
    NH4_steady.append(sol.y[S_NH, -1])
    NO3_steady.append(sol.y[S_NO, -1])

plt.figure(figsize=(8, 5))
plt.plot(SRT_values, NH4_steady, 'o-', label='S_NH（氨氮）', color='tab:green')
plt.plot(SRT_values, NO3_steady, 's-', label='S_NO（硝态氮）', color='tab:purple')
plt.xlabel('SRT（污泥龄，d）')
plt.ylabel('稳态出水浓度（gN/m³）')
plt.title('SRT 对硝化效果的影响（ASM1 单 CSTR）')
plt.legend(); plt.grid(True, alpha=0.3)
plt.axvline(x=5, ls='--', color='red', alpha=0.5, label='硝化临界 SRT ≈ 5d（20°C）')
plt.tight_layout()
plt.savefig('srt_sensitivity.png', dpi=150)

9.8 开源工具介绍

9.8.1 WaterTAP（美国 DOE/NAWI）

简介：由美国能源部国家先进水技术创新中心（NAWI）资助开发，基于 IDAES 框架的开源水处理优化平台。

pip install watertap

特点：

• 内置 ASM1、ASM2d 属性包
• 支持与能源系统模型耦合（全厂能耗分析）
• 基于 Pyomo 的数学优化框架，可进行参数估计和最优化设计
• 适合：工程优化、成本分析、系统集成

# WaterTAP ASM1 使用示意（需安装 watertap）
from watertap.property_models.unit_specific.activated_sludge.asm1_properties import ASM1ParameterBlock
from watertap.unit_models.cstr_injection import CSTR_Injection

GitHub：https://github.com/watertap-org/watertap

9.8.2 QSDsan（美国 UIUC）

简介：由伊利诺伊大学香槟分校开发的卫生系统全生命周期分析框架，内置 ASM1、ASM2d、ADM1 实现。

pip install qsdsan

特点：

• 完整的 ASM 系列实现（ASM1、ASM2d、ADM1）
• 内置 BSM1 全厂基准测试模型
• 支持不确定性分析和 Monte Carlo 模拟
• 适合：全厂模型、LCA/TEA 分析、研究型应用

# QSDsan ASM1 使用示意
import qsdsan as qs
from qsdsan.processes import ASM1

asm1 = ASM1()
asm1.show()   # 显示完整的组分和过程列表

GitHub：https://github.com/QSD-Group/QSDsan

9.8.3 其他 GitHub 资源

• activated-sludge-model：多个 Python/MATLAB 实现，适合教学对比
• pyasm：轻量级 ASM 实现，代码结构清晰
• 搜索建议：在 GitHub 上搜索 ASM1 Python scipy 或 activated sludge model ODE

9.9 常见数值问题与调试技巧

9.10 本章练习

⭐ 基础题

1. 运行 9.6 节的模拟代码，将 SRT 从 10d 改为 3d，观察 XBA 和 SNH 的变化。解释观察到的现象。
2. 在 buildstoichiometry 函数中，找到过程 2（缺氧生长）的 SNO 系数行，结合第 6 章的推导验证其正确性。

⭐⭐ 进阶题

1. 修改代码，将 KLa 从 200 d⁻¹ 改为 50 d⁻¹，模拟 DO 不足时的系统行为。

• 稳态 S_O 变为多少？
• 对 SNH 和 SNO 有何影响？用 ASM1 过程解释。

1. 实现一个函数 calcOUR(C, nu, rho)，计算系统的瞬时耗氧速率（OUR = −Σ(νi,SO × ρi)）并绘制 OUR 随时间的变化曲线。

⭐⭐⭐ 挑战题

1. 将单 CSTR 扩展为串联两个 CSTR：第一个为缺氧段（KLa=0），第二个为好氧段（KLa=200）。实现两个反应器的 ODE 系统并模拟 A/O 工艺的稳态行为（需设置内回流）。
2. 对以下参数分别做 ±20% 的灵敏度分析，绘制出水 SNH 对各参数的灵敏度柱状图：muA, KNH, bA, K_OA。哪个参数对硝化效果影响最大？

推荐阅读：

• SciPy 文档：scipy.integrate.solve_ivp（stiff ODE solver 选项）
• WaterTAP 文档：watertap.readthedocs.io
• QSDsan 文档：qsdsan.readthedocs.io
• Copp, J.B. (ed.) (2002). The COST Simulation Benchmark: Description and Simulator Manual. EUR 19993 EN.（BSM1 基准测试模型，包含完整 Matlab/Simulink 代码）

目录 | 上一章：第 8 章：ASM3——概念范式修正 | 下一章：第 10 章：模型校准方法论

第 10 章：模型校准方法论

学习目标：

1. 理解"模型校准"与"调参数"的本质区别
2. 掌握 BIOMATH、STOWA、GMP 三大主流校准协议的核心步骤
3. 能够规划并执行一个完整的 ASM1/ASM2d 校准流程
4. 了解灵敏度分析在校准中的关键作用
5. 熟悉主流商业模拟软件的功能与适用场景

前置要求：第 6-9 章（ASM1、ASM2d、ASM3、Python 实现）

10.1 校准的本质：不是"调参"，是"诊断"

10.1.1 常见误区

许多工程师第一次接触模型校准时，会陷入一个典型误区：

"模型出水 NH₄⁺ 比实测高 3 mg/L，那就把 μ_A 调大一点。"

这种做法——在不理解原因的情况下直接修改动力学参数——在 GMP（Good Modelling Practice）体系中被明确批评，称之为"参数拨号盘调校"（parameter knob-turning）。其危害在于：

• 可能掩盖了真正的问题（如进水 COD 分馏错误、水力模型偏差）
• 修改后的模型在其他工况下可能完全失效
• 参数失去物理意义，无法用于工艺优化

10.1.2 科学的校准框架

模型校准（Model Calibration）的正确定义：

在严格的数据质量控制下，通过系统化的步骤，使模型输出与观测数据相符，同时保证所有参数在其物理合理范围内，且模型能够对独立数据集进行验证。

校准的核心目标：

数据驱动 vs 机理驱动：

• 优先通过独立实验确定参数（如呼吸测定法测 μA、YH）
• 只有在实验参数无法直接使用时，才通过优化拟合
• 永远不要修改化学计量参数（YH、YA、f_P），除非有充分的实验依据

10.2 三大主流校准协议

10.2.1 BIOMATH 协议（Ghent 大学，Vanrolleghem 等）

比利时根特大学 BIOMATH 研究组提出的 8 步系统化协议，是最早规范化的 ASM 校准框架：

10.2.2 STOWA 协议（荷兰水研究基金会）

由荷兰 STOWA（应用水研究基金会）发布，在荷兰工程实践中广泛使用，风格更注重工程实用性：

STOWA 与 BIOMATH 的主要差异：

• STOWA 将灵敏度分析融入步骤 5（非独立步骤）
• STOWA 更强调"先稳态后动态"的顺序
• BIOMATH 对水力模型的独立校准更系统

10.2.3 GMP 统一协议（IWA 良好建模实践，2013）

参考文献：Rieger, L., Gillot, S., Langergraber, G., Ohtsuki, T., Shaw, A., Takács, I., & Winkler, S. (2013). Guidelines for Using Activated Sludge Models. IWA Scientific and Technical Report No. 22.

GMP（Good Modelling Practice）协议是对 BIOMATH、STOWA、HSG Sim（德国）、WERF（美国）等多个协议的统一融合，是目前最权威的 ASM 校准指南。

GMP 五阶段框架：

GMP 的关键创新：引入了校准层级（Calibration Hierarchy）概念：

大多数工程项目采用层级 1-2 即可达到足够精度。

10.3 校准全流程详解

10.3.1 步骤一：进水特征化（最关键步骤）

进水 COD 分馏决定了模型 60-70% 的预测准确性。

实验方法（推荐组合）：

典型市政污水分馏范围：

警告：SI 占比虽然较小，但直接决定出水溶解性 COD 的下限。如果 SI = 30 mg/L，出水 COD 永远不可能低于 30 mg/L，无论工艺如何优化。

10.3.2 步骤二：水力模型校准

活性污泥反应器的真实混合模式通常介于 CSTR 和 PFR 之间，水力模型的误差会直接传递到生物模型。

示踪剂测试（Tracer Test）：

• 向系统注入脉冲示踪剂（LiCl、荧光素、NaCl）
• 监测出水浓度随时间变化（RTD 曲线，Residence Time Distribution）
• 用 N 个 CSTR 串联模型拟合 RTD，确定 N 值（通常 2-6）

N 的工程估算（无示踪剂时）：

• 完全混合氧化沟：N = 1-2
• 廊道式曝气池：N = 4-6
• 推流式曝气池：N ≥ 8

10.3.3 步骤三：稳态校准顺序

稳态校准遵循严格的顺序（不可打乱），原因是各层次参数之间存在依赖关系：

步骤 ① COD 守恒检查（必须首先通过）：

10.3.4 步骤四：灵敏度分析

灵敏度分析回答："哪些参数最值得花精力校准？"

局部灵敏度指数（Local Sensitivity Index）：

其中：

• yi：第 i 个输出变量（如出水 SNH）
• θj：第 j 个参数（如 μA）
• S_ij：参数 j 对输出 i 的无量纲灵敏度

数值估算（有限差分法）：

def local_sensitivity(params, key, output_fn, delta=0.01):
    """计算单个参数的局部灵敏度（中心差分）"""
    p_plus = params.copy()
    p_minus = params.copy()
    p_plus[key]  *= (1 + delta)
    p_minus[key] *= (1 - delta)

    y_plus  = output_fn(p_plus)
    y_minus = output_fn(p_minus)
    y_base  = output_fn(params)

    dy_dp = (y_plus - y_minus) / (2 * delta * params[key])
    return dy_dp * params[key] / y_base   # 无量纲灵敏度

ASM1 对出水 S_NH 的关键参数灵敏度（典型结论）：

10.3.5 步骤五：动态校准与验证

动态校准数据要求：

• 至少 7-14 天的连续监测数据
• 进水流量和水质的逐时变化（至少每 2h 一个数据点）
• 出水关键指标的在线监测（DO、NH₄⁺-N 传感器）或高频采样

验证准则（来自 GMP 协议建议值）：

10.4 商业模拟软件概览

10.4.1 主流软件对比

10.4.2 软件选择建议

10.4.3 软件的局限性

重要提醒：所有商业软件都是"黑盒"，同一套 ASM1 模型在不同软件中可能因：

• 沉淀模型实现不同
• 数值求解方法不同
• 界面参数定义微妙差异

导致相同输入产生不同输出。建议在项目开始前验证软件默认设置与文献的一致性。

10.5 校准的常见误区与陷阱

误区 1：数据不好就调参

症状：质量守恒差异 > 15%，仍强行校准 正确做法：先修复数据质量问题（流量计核查、采样方案改进）

误区 2：只用稳态数据校准，用动态验证

症状：稳态完美匹配，动态模拟完全失效 原因：稳态可以用多种参数组合拟合，但只有一种组合能同时匹配动态行为 正确做法：至少用部分动态数据校准

误区 3：过度校准（Overfitting）

症状：模型完美匹配校准数据，但无法预测独立数据集 原因：参数自由度过多，模型"记忆"了噪声 正确做法：遵循"最小参数集原则"——只修改灵敏度分析识别出的关键参数

误区 4：忽略水力模型

症状：对完全混合系统（N=1 CSTR）效果好，但对推流系统误差大 正确做法：始终先完成水力模型校准，再进行生物模型校准

误区 5：修改化学计量参数

症状：将 YH 从 0.67 调整为 0.55 来匹配污泥产量 问题：YH 的物理意义明确（由细胞能量学决定），不应大幅偏离文献范围 正确做法：先检查是否 XI 分馏不准确（XI 影响污泥产量）；或 b_H 偏低

10.6 本章练习

⭐ 基础题

1. 解释"死亡-再生"和"内源呼吸"概念在模型校准中的影响：如果用 ASM1 校准一个 SRT=20d 的系统，为什么可能会低估实际的 OUR？
2. 列出 COD 守恒方程，并说明在什么情况下 COD 守恒误差 > 15% 时应停止校准而检查数据。
3. 什么是"校准层级"？一个普通的市政污水厂一般需要达到哪个层级？

⭐⭐ 进阶题

1. 设计一个 OUR 呼吸测定实验，用于测定某市政污水厂进水的 SS 和 XS 分馏。

• 实验设备和试剂清单
• 数据记录方案（采样频率、测量参数）
• 如何从 OUR 曲线计算 S_S/总 COD 比值

1. 对一个出水 NH₄⁺-N 偏高（实测 8 mg/L，模型预测 2 mg/L）的系统，按 GMP 协议写出诊断步骤（至少 5 步），先检查什么，后检查什么？

⭐⭐⭐ 挑战题

1. 使用第 9 章的 Python ASM1 实现，编写一个局部灵敏度分析脚本：

• 以出水 S_NH 为目标变量
• 对 6 个参数（μA, KNH, bA, KOA, μH, bH）计算局部灵敏度指数
• 绘制灵敏度柱状图，并解释结果的工程含义

1. 假设你是某污水厂的技术顾问，厂方希望提高出水 TN 去除率（当前 TN_eff = 15 mg/L，目标 < 10 mg/L）。设计一个两阶段的模型研究方案：第一阶段（现状校准），第二阶段（工艺优化情景分析）。

推荐阅读：

• Rieger, L. et al. (2013). Guidelines for Using Activated Sludge Models. IWA STR No. 22.（GMP 协议标准文本，必读）
• Hulsbeek, J.J.W. et al. (2002). "A practical protocol for dynamic modelling of activated sludge systems." Water Science and Technology, 45(6), 127–136.（STOWA 协议）
• Vanrolleghem, P.A. et al. (2003). "A comprehensive model calibration procedure for activated sludge models." Proceedings WEFTEC 2003.（BIOMATH 协议）
• Hauduc, H. et al. (2010). "A systematic approach for model verification: application on seven published activated sludge models." Water Science and Technology, 61(4), 825–839.

目录 | 上一章：第 9 章：模型实现——Python 编程实战 | 下一章：第 11 章：前沿发展与新兴模型

第 11 章：前沿发展与新兴模型

学习目标：

1. 了解 ASM 系列向两步硝化、Anammox、N₂O 排放方向的扩展
2. 掌握厌氧消化模型 ADM1 的结构与位置
3. 了解好氧颗粒污泥（AGS）建模的独特挑战
4. 理解全厂基准测试模型 BSM1/BSM2 的意义
5. 把握数字孪生与机器学习混合建模的最新进展（2024-2025）

前置要求：第 5-10 章（ASM 系列模型、校准方法论）

11.1 ASM 扩展：突破一步硝化的简化

11.1.1 两步硝化模型

ASM1 中，硝化被简化为一步：NH₄⁺ → NO₃⁻（AOB+NOB 合并为 X_BA）。然而，在许多实际系统中，这一简化带来显著误差：

一步简化的问题：

• 无法模拟 NO₂⁻ 积累现象（亚硝化工艺的核心）
• 无法预测 AOB 和 NOB 的竞争（短程硝化控制的理论基础）
• 无法描述 DO 和 SRT 对 NO₂⁻/NO₃⁻ 比例的影响

两步硝化扩展（Two-step Nitrification）：

新增组分：XAOB、XNOB（分别建模）；S_NO₂（亚硝态氮）

工程应用：

• 短程硝化-反硝化（SHARON 工艺）的建模与优化
• Anammox 系统中 NO₂⁻ 浓度的精确预测
• 一体化固定膜活性污泥（IFAS）系统中 AOB/NOB 的空间分布

11.1.2 Anammox 模型

厌氧氨氧化（Anaerobic Ammonium Oxidation, Anammox）是近年来最重要的污水脱氮技术之一，其反应：

优势：

• 无需有机碳源（节省 COD）
• 曝气能耗减少约 60%（仅硝化至亚硝化阶段）
• 污泥产量极低（Anammox 菌生长极慢，μ_max ≈ 0.08 d⁻¹）

Anammox 模型特点：

主流实现：

• ASM1 + Anammox 扩展（X_ANX 新增组分）
• CANON（单一自养脱氮）工艺的 AOB+ANX 耦合模型
• Müller 模型、Hao 模型等学术实现

11.1.3 N₂O 排放模型

为什么重要：N₂O（一氧化二氮）是一种强温室气体（GWP 是 CO₂ 的 265 倍），污水处理系统是 N₂O 的重要排放源，可占污水厂总碳足迹的 40-80%。

N₂O 产生的两条主要途径：

主流 N₂O 模型：

IWA N₂O 模型关键方程（途径 1，AOB 羟胺路径）：

其中 S_NH₂OH（羟胺）是需要额外追踪的中间体。

11.2 厌氧消化模型：ADM1

11.2.1 ADM1 概述

厌氧消化模型 No. 1（Anaerobic Digestion Model No. 1, ADM1） 于 2002 年由 IWA 发布，是厌氧消化过程的第一个标准化模型，与 ASM1 并列为 IWA 模型体系的两大支柱。

ADM1 的规模：

ADM1 描述的四个主要降解阶段：

11.2.2 ASM1 与 ADM1 的接口

在全厂模型中，二沉池污泥（含 XBH、XBA、XP、XI 等 ASM1 组分）进入厌氧消化单元，需要从 ASM 组分转换为 ADM1 组分，这称为ASM-ADM1 接口（Interface Transformer）：

关键接口变量：

11.2.3 ADM1 的工程应用

• 沼气产量预测：全厂能量平衡的核心
• 沼液水质预测：返流液对主处理线的影响
• 消化池稳定性评估：VFA/碱度比、氨抑制（游离氨）
• 污泥投加优化（Co-digestion）：混合底物的沼气产率最大化

11.3 好氧颗粒污泥（AGS）模型

11.3.1 AGS 的特殊性

好氧颗粒污泥（Aerobic Granular Sludge, AGS） 是近年最重要的活性污泥技术革新之一，以 Nereda® 工艺为代表。其建模挑战远超传统絮状活性污泥：

传统活性污泥假设：

• 完全混合（每处浓度相同）
• 无扩散梯度
• 单一功能群均匀分布

AGS 的实际情况：

• 颗粒内部存在显著氧气浓度梯度（表层好氧，内部缺氧/厌氧）
• 颗粒分层结构：外层 AOB/NOB，内层 Anammox/PAO/异养菌
• 盛宴-饥荒（Feast-Famine）序批运行是颗粒形成的必要条件

11.3.2 AGS 的多尺度建模框架

三个尺度：

扩散-反应方程（以球形颗粒内部的 S_O 为例）：

边界条件：颗粒表面 SO = 液相 SO；颗粒中心 ∂S_O/∂r = 0

11.3.3 机器学习在 AGS 建模中的应用

2024-2025 年，混合建模（Hybrid Modeling）在 AGS 领域成为热点：

• 替代颗粒内部 PDE：用神经网络（PINN, Physics-Informed Neural Network）替代颗粒内部扩散-反应方程，计算速度提升 100-1000 倍
• 颗粒稳定性预测：基于操作参数（SBR 循环、进水 COD、剪切力）预测颗粒粒径分布
• 实时数字孪生：将 ML 预测与在线传感器数据结合，实现 Nereda® 工艺的实时控制

11.4 全厂基准测试模型：BSM1 与 BSM2

11.4.1 BSM1（Benchmark Simulation Model No. 1）

BSM1 是 IWA/COST 工作组开发的全厂基准测试平台，提供一个标准化的参照系，使不同研究者、不同控制策略可以在完全相同的模型框架下进行公平比较。

BSM1 构成：

• 5 个 CSTR 反应器（前 2 个缺氧，后 3 个好氧）
• 1 个 10 层 Takács 沉淀模型（非理想沉淀）
• ASM1 生物动力学
• 标准进水文件（14 天动态数据，含干旱天和雨天）
• 5 个评价指标：出水质量指数（EQI）、曝气能耗（AE）、泵送能耗（PE）、污泥产量（SP）、溢流量（OV）

BSM1 的使用场景：

• 对比不同曝气控制策略
• 评估硝化/反硝化协调控制效果
• 测试在线软测量算法

11.4.2 BSM2（扩展版）

BSM2 在 BSM1 基础上增加了：

• 主线：MBR 或传统活性污泥（可选）
• 初沉池（Primary Clarifier）
• 污泥处理线：厌氧消化（ADM1）+ 沼气回收
• 脱水 + 沼液回流
• 全厂能量平衡（热电联产 CHP）

BSM2 的开源资源：Matlab/Simulink 完整代码可免费从 IWA 网站获取，是学习全厂建模的最佳实践材料。

11.5 数字孪生：ASM 与机器学习的融合

11.5.1 什么是污水处理的数字孪生？

数字孪生（Digital Twin） 是物理系统的实时数字镜像：

关键要素：

1. 实时数据同化（Data Assimilation）：传感器数据不断更新模型状态
2. 软测量（Soft Sensing）：用模型预测难以直接测量的变量（如各组分浓度、污泥活性）
3. 预测性控制（MPC）：模型预测未来 N 步，在线优化控制策略

11.5.2 混合建模框架（Hybrid Modelling）

纯机理模型（ASM）和纯数据驱动模型（ML）各有缺陷：

主流混合架构：

架构 1：串联型（Series Hybrid）

• ML 负责进水表征（解决进水 COD 分馏难测量的痛点）
• ASM 负责生物过程计算（保持机理可解释性）

架构 2：残差型（Residual/Correction Hybrid）

• ASM 负责"大趋势"预测
• ML 修正 ASM 无法捕捉的非线性偏差（如传感器漂移、未知干扰）

架构 3：PINN（物理信息神经网络）

• 神经网络的训练同时满足数据拟合和物理方程约束
• 特别适合：减少训练数据需求、提高外推能力

11.5.3 自动校准技术

传统校准：手动调参（工程师经验），耗时数周 自动校准（Auto-Calibration）：

方法 1：全局优化（Global Optimization）

# 概念代码
from scipy.optimize import differential_evolution

def objective(params_to_calibrate):
    # 用给定参数运行 ASM1 模拟
    # 计算与实测数据的误差（RMSE）
    ...

result = differential_evolution(
    func=objective,
    bounds=parameter_bounds,    # 参数物理约束范围
    maxiter=1000,
    popsize=15,
    seed=42,
)

方法 2：贝叶斯优化（Bayesian Optimization）

• 用高斯过程（Gaussian Process）建立参数→误差的代理模型
• 智能选择下一个试验点，收敛速度比随机搜索快 10-100 倍
• 适合参数维度 < 20 的情形

方法 3：ensemble Kalman Filter（EnKF）

• 在线参数估计（实时更新参数）
• 特别适合传感器数据连续更新的数字孪生场景

11.5.4 实时控制与优化（2024-2025 进展）

案例：Nereda® 工艺的数字孪生（Royal HaskoningDHV）

• 将 AGS 机理模型与 LSTM 神经网络结合
• 实时预测出水 NH₄⁺、NO₃⁻、TP，每 15 分钟更新
• 自动调整 SBR 循环时序，节能 15-25%

案例：GPS-X + ML（Hydromantis，2024）

• 在 GPS-X 平台集成机器学习模块
• 自动进水特征化（用在线传感器数据替代手工 COD 分馏）
• 将校准时间从数周缩短至数小时

新兴方向（2025年活跃研究）：

11.6 CFD 与生物模型耦合

为什么要 CFD-生物耦合？

• ASM 模型假设 CSTR 内完全混合，但实际反应器存在显著的流体力学异质性
• 反应器死区、短流会导致实际 HRT 远低于名义 HRT
• 特别在 MBR、氧化沟、氨基体大型反应器中，流场非均匀性显著

耦合框架：

计算挑战：CFD-ASM 耦合的计算量比单纯 ASM 高 100-10000 倍，通常需要 GPU 计算或高性能集群。

11.7 本章练习

⭐ 基础题

1. ASM1 将 NH₄⁺→NO₂⁻→NO₃⁻ 合并为一步。在什么样的工艺或运行条件下，这种简化会导致显著误差？
2. Anammox 菌的最大比增长速率 μmax ≈ 0.08 d⁻¹（35°C）。计算 Anammox 系统所需的最小 SRT（假设 bANX = 0.01 d⁻¹）。
3. 解释什么是"数字孪生"。对于一座日处理量 10 万吨的污水厂，数字孪生能提供哪三个核心价值？

⭐⭐ 进阶题

1. N₂O 是一种强温室气体（GWP₁₀₀ = 265）。若某污水厂每年处理 TN = 1000 吨，其中 1% 以 N₂O 形式排放，计算折算为 CO₂ 当量的年排放量，并讨论减少 N₂O 排放的工程措施。
2. 比较串联型混合模型（ASM+ML）和 PINN 方法的优缺点。对于一个数据量有限（仅 6 个月运行数据）的新建污水厂，哪种方法更适合？解释原因。

⭐⭐⭐ 挑战题

1. 设计一个简化的 1D 颗粒污泥扩散-反应模型（球形颗粒，半径 R = 1 mm）：

• 写出颗粒内部 S_O 的稳态扩散-反应方程（球坐标）
• 假设只有异养好氧生长过程，给出速率项
• 说明如何离散化（有限差分法）并用 Python 数值求解
• 定性描述当液相 SO = 2 mg/L 时，颗粒内部 SO 的径向分布形状

1. 调研 Nereda® 工艺（好氧颗粒污泥 SBR），从数字孪生角度分析：

• 系统中需要追踪哪些关键状态变量？
• 哪些变量难以直接测量，需要软测量/ML 预测？
• 提出一个具体的实时控制优化方案（如何调节 SBR 循环各阶段时长）

推荐阅读：

• Batstone, D.J. et al. (2002). "The IWA Anaerobic Digestion Model No. 1 (ADM1)." Water Science and Technology, 45(10), 65–73.（ADM1 原始论文）
• de Kreuk, M.K., Heijnen, J.J., & van Loosdrecht, M.C.M. (2005). "Simultaneous COD, nitrogen, and phosphate removal by aerobic granular sludge." Biotechnology and Bioengineering, 90(6), 761–769.（AGS 建模核心文献）
• Wenqi Yang. et al. (2025). "Machine Learning in Wastewater Treatment: A Comprehensive Bibliometric Review" ACS ES&T Water

目录 | 上一章：第 10 章：模型校准方法论 | 下一章：第 12 章：资源汇总与持续学习指南

第 12 章：资源汇总与持续学习指南

学习目标：

1. 系统整理本教程涵盖的所有核心资源
2. 掌握经典教材与前沿文献的阅读路径
3. 了解中文资源、开源工具、在线课程的具体获取方式
4. 制定一份切实可行的 12-16 周个人学习计划

前置要求：完成第 1-11 章的学习

12.1 必读核心教材（5 本）

第一梯队：模型原著（必读）

《Activated Sludge Models ASM1, ASM2, ASM2d and ASM3》

• 作者：Henze, M., Gujer, W., Mino, T., van Loosdrecht, M.C.M.（编）
• 出版：IWA Publishing，2000
• 编号：IWA Scientific and Technical Report No. 9
• 重要性：★★★★★——所有 ASM 模型的权威原始文献。工作中引用模型必引此书。包含完整的 Peterson 矩阵表格、默认参数集和使用说明。
• 获取：IWA Publishing 官网购买（PDF 版）；部分大学图书馆有电子版

《Biological Wastewater Treatment: Principles, Modelling and Design》

• 作者：Henze, M., van Loosdrecht, M.C.M., Ekama, G.A., Brdjanovic, D.（编）
• 出版：IWA Publishing，2008
• 重要性：★★★★★——迄今为止最全面的生物污水处理教材。理论推导深入，实例丰富。每章均有 ASM 模型视角的解读。研究生教材首选。
• 中文注记：无官方中文译本，但可配合郝晓地等译本对照阅读

第二梯队：工程应用（必读）

《Wastewater Engineering: Treatment and Resource Recovery》（第 5 版）

• 作者：Metcalf & Eddy / AECOM（Tchobanoglous 等）
• 出版：McGraw-Hill，2014
• 重要性：★★★★☆——工程实践的"百科全书"。第 7-8 章含大量 ASM 模型在工程设计中的应用案例，附有设计计算表格。
• 中文注记：有中文译本《废水工程：处理及资源回收》（第 4 版旧译本）

《Guidelines for Using Activated Sludge Models》

• 作者：Rieger, L., Gillot, S., Langergraber, G. 等
• 出版：IWA Publishing，2013
• 编号：IWA Scientific and Technical Report No. 22
• 重要性：★★★★★——GMP 校准协议的官方文本，实际工程模拟的操作指南。第一个真正意义上的"模型用户手册"。
• 注意：若只买一本 IWA 报告，选这本

《Systems Analysis for Water Technology》

• 作者：Gujer, W.
• 出版：Springer，2008（2011 年软封重印）
• 重要性：★★★★☆——Peterson 矩阵引入者 Willi Gujer 的亲笔教材。从控制论和系统工程视角解读水处理模型，数学推导最严密，适合有数学背景的读者。

12.2 进阶参考文献

12.2.1 按主题分类

模型校准与验证

• Vanrolleghem PA, Spanjers H, Petersen B, Ginestet P, Takács I. "Estimating (combinations of) Activated Sludge Model No. 1 parameters and components by respirometry." Water Science and Technology, 1999, 39(1): 195–214.
• Hauduc H, Rieger L, Takács I, Héduit A, Vanrolleghem PA, Gillot S. "A systematic approach for model verification: application on seven published activated sludge models." Water Science and Technology, 2010, 61(4): 825–839.
• Gernaey KV, van Loosdrecht MCM, Henze M, Lind M, Jørgensen SB. "Activated sludge wastewater treatment plant modelling and simulation: state of the art." Environmental Modelling & Software, 2004, 19(9): 763–783.

生物除磷（EBPR）

• Mino T, van Loosdrecht MCM, Heijnen JJ. "Microbiology and biochemistry of the enhanced biological phosphate removal process." Water Research, 1998, 32(11): 3193–3207.
• Oehmen A, Lemos PC, Carvalho G, Yuan Z, Keller J, Blackall LL, Reis MAM. "Advances in enhanced biological phosphorus removal: from micro to macro scale." Water Research, 2007, 41(11): 2271–2300.（EBPR 最重要的综述之一）

N₂O 排放

• Kampschreur MJ, Temmink H, Kleerebezem R, Jetten MSM, van Loosdrecht MCM. "Nitrous oxide emission during wastewater treatment." Water Research, 2009, 43(17): 4093–4103.
• Spérandio M, Lang L, Sabba F, Nerenberg R, Vanrolleghem PA, Domingo-Félez C, et al. "Modelling N₂O production and emissions." In: IWA Publishing. 2022.
• Yao H, Gao X, Guo J, Wang H, Zhang L, Fan L, Jia F, Guo J, Peng Y. "Contribution of nitrous oxide to the carbon footprint of full-scale wastewater treatment plants and mitigation strategies: a critical review." Environmental Pollution, 2022, 313: 120295.

好氧颗粒污泥

• de Kreuk MK, Heijnen JJ, van Loosdrecht MCM. "Simultaneous COD, nitrogen, and phosphate removal by aerobic granular sludge." Biotechnology and Bioengineering, 2005, 90(6): 761–769.
• Pronk M, Giesen A, Thompson A, Robertson S, van Loosdrecht MCM. "Aerobic granular biomass technology: advancements in design, applications and further developments." Water Practice and Technology, 2017, 12(4): 987–996.

机器学习与数字孪生

• Newhart KB, Holloway RW, Hering AS, Cath TY. "Data-driven performance analyses of wastewater treatment plants: A review." Water Research, 2019, 157: 498–513.
• Torfs E, Nicolai N, Daneshgar S, Copp JB, Haimi H, Ikumi D, et al. "The transition of WRRF models to digital twin applications." Water Science and Technology, 2022, 85(10): 2840–2853.
• Alvi M, Batstone D, Mbamba CK, Keymer P, French T, Ward A, Dwyer J, Cardell-Oliver R. "Deep learning in wastewater treatment: a critical review." Water Research, 2023, 245: 120518.

12.2.2 关键学术期刊

12.3 中文学习资源

12.3.1 中文教材

《污水生物处理：原理、设计与模拟（原著第 2 版）》

• 作者：陈光浩，Mark van Loosdrecht，George Ekama，Damir Brdjanovic
• 出版：中国建筑工业出版社，2022
• ISBN：9787112270453
• 推荐指数：★★★★★——国内最重要的 ASM 中文参考书，翻译质量高

《活性污泥数学模型》

• 原著：国际水协废水生物处理设计与运行数学模型课题组
• 译者：张亚雷，李咏梅
• 出版：同济大学出版社，2002
• 推荐指数：★★★★☆——ASM 官方报告的中译版，直接对应 IWA STR No. 9

《污水生物处理的数学模型与应用》

• 作者：施汉昌，邱勇
• 出版：中国建筑工业出版社，2014
• ISBN：9787112161843
• 推荐指数：★★★★☆——国内学者撰写，结合中国工程实践

12.3.2 在线中文资源

知乎（zhihu.com）：

• 搜索"活性污泥模型 ASM"→ 可找到多篇专业解读文章
• 搜索"Peterson 矩阵"→ 有工程师分享的理解笔记
• 关注话题：水处理工程、污水处理、环境工程

Bilibili（bilibili.com）：

• 搜索"活性污泥模型"→ 部分高校公开课视频
• 搜索"污水处理数学模型"→ 研究生课程录像
• 搜索"ASM Python"→ 有编程实现教学

中国大学 MOOC（icourse163.org）：

• 搜索"水污染控制工程"→ 多所高校的环境工程主干课程
• 注意：专门针对 ASM 的系统课程目前较少，需自行组合

CSDN / 博客园：

• 搜索"ASM1 Python 实现"→ 有工程师分享的代码片段
• 质量参差不齐，需结合教材验证

12.3.3 微信公众号 & 社群

• 微信公众号：水处理技术、加拿大GL环境、迅模SUMO、微风轻语breecho
• 微信群：可通过知乎/公众号的评论区加入相关技术交流群
• 学术社群：中国环境科学学会水处理与回用专业委员会

12.4 开源软件与代码库

12.4.1 Python 生态

自学起点代码（本教程第 9 章提供）：

• 从零实现的 ASM1 CSTR（4 个文件，< 300 行）
• 最适合理解模型内部机制

12.4.2 Matlab/Simulink 资源

• BSM1 官方代码：从 IWA 网站免费获取（Matlab/Simulink 格式）
• COST 基准测试：包含完整的沉淀模型、控制策略测试框架
• 建议：有 Matlab 许可证的研究机构优先使用 BSM1 官方代码

12.4.3 商业软件试用

12.5 12-16 周系统学习计划

第一阶段：打地基（第 1-4 周）

第一阶段里程碑：能手算单底物 CSTR 稳态（出水 COD、MLSS、OUR、污泥产量）

第二阶段：核心突破（第 5-8 周）

第二阶段里程碑：能从零构建 ASM1 Peterson 矩阵并写出任意组分的控制方程

第三阶段：编程实战（第 9-12 周）

第三阶段里程碑：独立完成 Python ASM1 单反应器动态模拟，产出图表

第四阶段：进阶与前沿（第 13-16 周）

最终里程碑：能够设计和执行一个完整的污水厂生物模型应用项目（从数据收集到结果输出）

12.5.1 学习时间分配建议

每周 8-10 小时，建议分配如下：

12.5.2 学习效率提升技巧

1. 主动回顾（Active Recall）：每章学完后，不看书，在白纸上重新推导 Peterson 矩阵的 COD 守恒
2. 对照软件验证：用 Python 模拟结果与 GPS-X 或 BioWin 的结果对照，发现差异时深入排查
3. 建立概念图谱：用思维导图记录 ASM1/ASM2d/ASM3 的关联与差异
4. 找真实数据练习：从文献或污水厂年报中找真实的进出水数据，尝试手动分馏并建立模型
5. 加入学习社群：与同学/同事一起学习，定期分享和讨论问题

12.6 常用缩略词与符号速查表

12.7 致谢与说明

12.7.1 本教程的局限性

本教程旨在提供从入门到进阶的系统性学习框架，但以下方面需要读者通过其他资源深化：

• 沉淀模型：Takács、Vesilind 沉淀模型未涵盖（但对全厂模型至关重要）
• 膜生物反应器（MBR）：MBR 的特殊水力和传质特性未涉及
• 高级氧化、催化等物化过程：本教程专注生物过程
• 中文工程案例：受篇幅限制，中国本土污水厂校准案例未详细展开
• 实验室技能：OUR 测定、进水分馏等实验技术需通过实际操作学习

12.7.2 版本信息

• 教程版本：2026.03（基于 2026 年 3 月的文献调研）
• 核心引用模型版本：ASM1（1987/2000）、ASM2d（1999）、ASM3（1999）、GMP（2012）
• 前沿内容截止时间：2025 年底

12.8 结语：建模是工程师的"第二语言"

活性污泥模型从 1987 年的 ASM1 发展到今天融合机器学习的数字孪生，走过了近 40 年。这段历程揭示了一个核心规律：

模型是理解的工具，而不是目的本身。

对于环境工程师而言，掌握 ASM 系列模型和 Peterson 矩阵的真正价值，不在于能用软件输出漂亮的图表，而在于：

• 理解污水处理系统的本质是电子流动（从有机物到电子受体）
• 认识到COD 守恒是一切模型的基石
• 知道参数有物理意义，校准需要实验数据的支撑
• 具备批判性地阅读模型研究文献的能力
• 能够设计实验来区分不同的模型假设

当你能够独立构建一个 Peterson 矩阵、验证 COD 守恒、并用 Python 模拟动态响应时，你就已经从"使用者"成长为"理解者"。这是所有后续进阶——数字孪生、ML 混合建模、N₂O 减排——的共同基础。

学无止境，但方向明确。祝学习顺利。

本教程为开放学习材料，欢迎反馈与改进建议。

目录 | 上一章：第 11 章：前沿发展与新兴模型 |