MBR中膜污染的人工神经网络预测研究进展

doi:10.19965/j.cnki.iwt.2021-0469

摘要/Abstract

摘要：

膜生物反应器（MBR）作为一种新型废水处理技术在污水处理方面具有广阔的应用前景。但是，膜污染是制约MBR进一步发展的瓶颈性问题。近年来，随着数学算法及计算机技术的发展，将人工神经网络（ANN）等机器学习算法应用于MBR的膜污染预测成为研究的热点。总结了膜污染的影响因素，探讨了基于经典数学模型膜污染预测的优缺点，综述了近年来国内外学者运用简单ANN、优化算法ANN和深度学习ANN对MBR膜污染预测的研究，提出优化算法ANN与深度学习ANN在面对复杂环境下更具优势。此外，还探讨了当前运用ANN机器学习算法进行膜污染预测存在的缺陷，指出ANN模型在中试和工业化规模的MBR膜污染预测中应用较少，并对其未来的发展进行了展望。

关键词: 膜生物反应器, 膜污染, 传统数学模型, 人工神经网络, 机器学习

Abstract:

As a new type of wastewater treatment technology，membrane bioreactors（MBR） have a broad application prospect for wastewater treatment. However，membrane fouling has becoming the bottleneck problem for wide MBR application.With the development of mathematical algorithms and computer technology in recent years，application of artificial neural network（ANN） as a machine learning algorithm for membrane fouling prediction has become the research hotspot.The factors influencing membrane fouling were summarized，the advantages and disadvantages of membrane fouling prediction based on classical mathematical models were discussed.And the recent studies on MBR membrane fouling prediction using simple ANN，optimization algorithm ANN and deep learning ANN were reviewed.It was proposed that optimization algorithm ANN and deep learning ANN had more advantages under the complex environment. In addition，the drawbacks of the current ANN machine learning algorithm for membrane fouling prediction were discussed.It was pointed out that this model had been limited used in pilot and industrial scale MBR，and the future directions of ANN models for membrane fouling prediction were put forword.

Key words: membrane bioreactors, membrane fouling, classical mathematical models, artificial neural network, machine learning

中图分类号:

X703

张浩良, 刘聪, 洪乾坤, 王侃鸣, 王红宇. MBR中膜污染的人工神经网络预测研究进展[J]. 工业水处理, 2022, 42(7): 15-23.

Haoliang ZHANG, Cong LIU, Qiankun HONG, Kanming WANG, Hongyu WANG. Research progress of artificial neural network for membrane fouling prediction in MBR[J]. Industrial Water Treatment, 2022, 42(7): 15-23.

https://www.iwt.cn/CN/Y2022/V42/I7/15

图/表 7

图1 影响膜污染的参数

Fig. 1 Parameters affecting membrane fouling

表1 几种经典预测膜污染数学模型

Table 1 Several classical mathematical models for predicting membrane fouling

模型	公式	适用情况	文献来源
串联阻力模型	$R = R m + R p + R c + R g + R c p$	根据实际选择阻力建模	〔11〕
Tansel通量预测模型	$t = τ l n [0.6 - (1 - α)] / α l n (e)$	通量下降至60%的时间	〔12〕
Chang通量模型	$J (x) = λ l J m i e λ l - e - λ l (e λ x + e - λ x)$	描述通量分布情况	〔13〕
Hagen-Poisenille公式	$d P (x, t) d x = - 8 μ r 2 u (x, t)$	描述黏性液体在水平圆管中的变化	〔14〕
Hermia通量模型	$d 2 t d V 2 = K d t d V n$	根据n取值建立的通量模型	〔15〕
Zuthi半经验数学模型	$d r p d t = - α p c S M P (t) J (t)$ $ρ c d h c d t = J (1 - k) C c (t)$	结合MLSS的过滤模型	〔16〕
Takeshi Sato通量模型	$J = Δ P R m + 843 Δ P C M L S S 0,926 C C O D 1.37 μ 0.326$	以MLSS与溶解性COD来预测过滤滤阻	〔17〕
Meng膜污染模型	$R f = 2.25 e x p (M L S S × 9 × 10 - 5) + 0.111 E P S - 1.99 × 10 - 2 P S D - 3.2$	基于污泥混合液特性的膜污染预测模型	〔18〕

表1 几种经典预测膜污染数学模型

Table 1 Several classical mathematical models for predicting membrane fouling

模型	公式	适用情况	文献来源
串联阻力模型	$R = R m + R p + R c + R g + R c p$	根据实际选择阻力建模	〔11〕
Tansel通量预测模型	$t = τ l n [0.6 - (1 - α)] / α l n (e)$	通量下降至60%的时间	〔12〕
Chang通量模型	$J (x) = λ l J m i e λ l - e - λ l (e λ x + e - λ x)$	描述通量分布情况	〔13〕
Hagen-Poisenille公式	$d P (x, t) d x = - 8 μ r 2 u (x, t)$	描述黏性液体在水平圆管中的变化	〔14〕
Hermia通量模型	$d 2 t d V 2 = K d t d V n$	根据n取值建立的通量模型	〔15〕
Zuthi半经验数学模型	$d r p d t = - α p c S M P (t) J (t)$ $ρ c d h c d t = J (1 - k) C c (t)$	结合MLSS的过滤模型	〔16〕
Takeshi Sato通量模型	$J = Δ P R m + 843 Δ P C M L S S 0,926 C C O D 1.37 μ 0.326$	以MLSS与溶解性COD来预测过滤滤阻	〔17〕
Meng膜污染模型	$R f = 2.25 e x p (M L S S × 9 × 10 - 5) + 0.111 E P S - 1.99 × 10 - 2 P S D - 3.2$	基于污泥混合液特性的膜污染预测模型	〔18〕

表2 机器学习常见算法及优缺点

Table 2 Typical machine learning algorithms and their advantages and disadvantages

类别	特征	应用	优点	缺点
随机森林	以决策树为基学习器的集成学习算法	分类与回归	本身精度优于单个算法；可以处理离散型和连续值；测试数据集速度较快	多个决策树时，训练所需时间和空间较大；噪音较大的样本容易过拟合；忽略了数据之间的相关性
邻近算法	靠有限的邻近的样本学习	分类与回归	训练速度快；对数据没有假设，准确度高	计算量过大；可理解性差；对训练数据的依赖性较大
支持向量机（SVM）	利用二次规划求解支持向量	分类与回归	使用核函数可以解决非线性问题；分类效果较好	对大规模训练样本难以实施；解决多分类问题存在困难；对缺失数据敏感，对参数和核函数选择敏感
神经网络	用于处理难以解释内部规律的问题	分类与回归	具有很强的泛化能力；高速寻找最优解的能力；具有自学习功能	无法解释其推理过程及依据；学习参数、权值较多；学习时间较长
线性回归	用直线较为精确地描述数据之间的关系	回归	对数据关系简单、量小效果较好；是许多非线性回归模型的基础；易于理解，有利于决策分析	对非线性或关系复杂数据难以建模

图2 2006—2020年Web of Science上ANN-膜污染文献数量

Fig. 2 Numbers of ANN-membrane fouling papers on Web of Science （2006—2020）

图3 ANN简单拓扑图

Fig. 3 ANN simple topology diagram

图4 人工神经网络分类及占比

Fig.4 Classification and percentage of artificial neural network

表3 2016—2020年ANNs在膜生物反应器膜污染模拟的应用

Table 3 Application of ANNs in membrane fouling simulation of membrane bioreactor （2016—2020）

模型	输入变量	输出变量	参考文献
MLPNN	COD、膜清洗时间、污泥滤过率、MLVS、pH、温度	膜透水率	〔36〕
MLPNN	HRT、时间、MLSS	TMP、COD	〔37〕
MLPNN	进水浊度、溶解氧、TMP	比滤饼阻力	〔38〕
MLPNN	pH、DO、COD、MLSS、TN、TP等	TMP	〔39〕
RBFNN	膜样本	界面相互作用	〔40〕
MLPNN PSO-ANN	温度、临界通量、MLSS、TMP	滤饼层阻力	〔41〕
PSO-WNN	MLSS、温度、压力、总阻力、COD	膜通量	〔42〕
SDBN	各种水质指标	膜透水率	〔43〕

参考文献 49

1	赵维电，王新华，高宝玉. A/O-生物膜系统处理煤化工废水［J］.环境工程学报，2012，6（10）：3481-3484.
	ZHAO Weidian， WANG Xinhua， GAO Baoyu. Treatment of coal chemical industry wastewater by an A/O-biofilm pilot system［J］.Chinese Journal of Environmental Engineering，2012，6（10）：3481-3484.
2	MENG Fangang， ZHANG Shaoqing，OH Y，et al. Fouling in membrane bioreactors：An updated review［J］. Water Research，2017，114：151-180. doi:10.1016/j.watres.2017.02.006
3	BAGHERI M， MIRBAGHERI S A. Critical review of fouling mitigation strategies in membrane bioreactors treating water and wastewater［J］. Bioresource Technology，2018，258：318-334. doi:10.1016/j.biortech.2018.03.026
4	YE Zhiping， YANG Jiaqian， ZHONG Na，et al. Tackling environmental challenges in pollution controls using artificial intelligence：A review［J］. Science of the Total Environment，2020，699：134279. doi:10.1016/j.scitotenv.2019.134279
5	GHAEDI A M， VAFAEI A.Applications of artificial neural networks for adsorption removal of dyes from aqueous solution：A review［J］.Advances in Colloid and Interface Science，2017，245：20-39. doi:10.1016/j.cis.2017.04.015
6	石宝强，张捍民，杨凤林，等. 人工神经网络在膜生物反应器膜污染预测中的应用前景［J］. 工业水处理，2006，26（12）：14-17. doi:10.3969/j.issn.1005-829X.2006.12.004
	SHI Baoqiang， ZHANG Hanmin， YANG Fenglin，et al. Prospect of artificial neural network in the study of membrane fouling in membrane bioreactor［J］. Industrial Water Treatment，2006，26（12）：14-17. doi:10.3969/j.issn.1005-829X.2006.12.004
7	SCHMITT F， DO K U. Prediction of membrane fouling using artificial neural networks for wastewater treated by membrane bioreactor technologies：Bottlenecks and possibilities［J］. Environmental Science and Pollution Research，2017，24（29）：22885-22913. doi:10.1007/s11356-017-0046-7
8	BAGHERI M， AKBARI A， MIRBAGHERI S A. Advanced control of membrane fouling in filtration systems using artificial intelligence and machine learning techniques：A critical review［J］. Process Safety and Environmental Protection，2019，123：229-252. doi:10.1016/j.psep.2019.01.013
9	韩永萍，肖燕，宋蕾，等. MBR膜污染的形成及其影响因素研究进展［J］. 膜科学与技术，2013，33（1）：102-110. doi:10.3969/j.issn.1007-8924.2013.01.020
	HAN Yongping， XIAO Yan， SONG Lei，et al. Progress of MBR membrane fouling formation and its influence factors［J］. Membrane Science and Technology，2013，33（1）：102-110. doi:10.3969/j.issn.1007-8924.2013.01.020
10	MENG Fangang， CHAE S R， DREWS A，et al. Recent advances in membrane bioreactors（MBRs）：Membrane fouling and membrane material［J］. Water Research，2009，43（6）：1489-1512. doi:10.1016/j.watres.2008.12.044
11	穆思图，樊慧菊，韩秉均，等. 中空纤维膜的膜污染过程及数学模型研究进展［J］. 膜科学与技术，2018，38（1）：114-121. doi:10.1016/j.memsci.2018.10.023
	MU Situ， FAN Huiju， HAN Bingjun，et al. Review of membrane fouling stages and mathematical models for hollow fiber membrane［J］. Membrane Science and Technology，2018，38（1）：114-121. doi:10.1016/j.memsci.2018.10.023
12	TANSEL B， BAO W Y， TANSEL I N. Characterization of fouling kinetics in ultrafiltration systems by resistances in series model［J］. Desalination，2000，129（1）：7-14. doi:10.1016/s0011-9164(00)00046-1
13	CHANG S， FANE A G. The effect of fibre diameter on filtration and flux distribution—Relevance to submerged hollow fibre modules［J］. Journal of Membrane Science，2001，184（2）：221-231. doi:10.1016/s0376-7388(00)00626-8
14	YOON S H， KIM H S， YEOM I T. Optimization model of submerged hollow fiber membrane modules［J］. Journal of Membrane Science，2004，234（1/2）：147-156. doi:10.1016/j.memsci.2004.01.018
15	HERMIA J. Constant pressure blocking filtration laws-application to power-law non-Newtonian fluids［J］. Transactions of the Institution of Chemical Engineers，1982，60：183-187.
16	ZUTHI M F R， GUO Wenshan， NGO H H，et al. New and practical mathematical model of membrane fouling in an aerobic submerged membrane bioreactor［J］. Bioresource Technology，2017，238：86-94. doi:10.1016/j.biortech.2017.04.006
17	SATO T， ISHII Y. Effects of activated sludge properties on water flux of ultrafiltration membrane used for human excrement treatment［J］. Water Science and Technology，1991，23（7/8/9）：1601-1608. doi:10.2166/wst.1991.0614
18	MENG Fangang， ZHANG Hanmin， YANG Fenglin，et al. Identification of activated sludge properties affecting membrane fouling in submerged membrane bioreactors［J］. Separation and Purification Technology，2006，51（1）：95-103. doi:10.1016/j.seppur.2006.01.002
19	MENG Fangang， SO-RYONG C， ANJA D，et al. Recent advances in membrane bioreactors （MBRs）：Membrane fouling and membrane material［J］. Water Research，2009，43（6）：1489-1512. doi:10.1016/j.watres.2008.12.044
20	JEONG Y， KIM Y， JIN Yongxun，et al. Comparison of filtration and treatment performance between polymeric and ceramic membranes in anaerobic membrane bioreactor treatment of domestic wastewater［J］. Separation and Purification Technology，2018，199：182-188. doi:10.1016/j.seppur.2018.01.057
21	MAMAH S C， GOH P S， ISMAIL A F，et al. Recent development in modification of polysulfone membrane for water treatment application［J］. Journal of Water Process Engineering，2021，40：101835. doi:10.1016/j.jwpe.2020.101835
22	WANG Kanming， MARTIN-GARCIA N， SOARES A，et al. Comparison of fouling between aerobic and anaerobic MBR treating municipal wastewater［J］. H2Open Journal，2018，1（2）：131-159. doi:10.2166/h2oj.2018.109
23	HUANG Zhi， ONG S L， NG H Y. Submerged anaerobic membrane bioreactor for low-strength wastewater treatment：Effect of HRT and SRT on treatment performance and membrane fouling［J］. Water Research，2011，45（2）：705-713. doi:10.1016/j.watres.2010.08.035
24	FALLAH N， BONAKDARPOUR B， NASERNEJAD B，et al. Long-term operation of submerged membrane bioreactor（MBR） for the treatment of synthetic wastewater containing styrene as volatile organic compound（VOC）：Effect of hydraulic retention time（HRT）［J］. Journal of Hazardous Materials，2010，178（1/2/3）：718-724. doi:10.1016/j.jhazmat.2010.02.001
25	AN Yingyu， WU Bing， WONG F S，et al. Post-treatment of upflow anaerobic sludge blanket effluent by combining the membrane filtration process：Fouling control by intermittent permeation and air sparging［J］. Water and Environment Journal，2010，24（1）：32-38. doi:10.1111/j.1747-6593.2008.00152.x
26	YOON S H. Membrane bioreactor processes［M］. New York：CRC Press，2015：201-204.
27	王朝朝，杨磊，闫立娜，等. 中空纤维膜生物反应器污泥特性与可持续通量评估［J］. 中国给水排水，2018，34（11）：88-92.
	WANG Zhaozhao， YANG Lei， YAN Lina，et al. Assessment of sludge properties and sustainable flux in hollow fiber membrane bioreactor［J］. China Water & Wastewater，2018，34（11）：88-92.
28	ROBLES Á， RUANO M V， CHARFI A，et al. A review on anaerobic membrane bioreactors（AnMBRs） focused on modelling and control aspects［J］. Bioresource Technology，2018，270：612-626. doi:10.1016/j.biortech.2018.09.049
29	李航. 统计学习方法［M］. 北京：清华大学出版社，2012：37-39.
	LI Hang. Statistical learning methods［M］. Beijing：Tsinghua University Press，2012：37-39.
30	周志华. 机器学习［M］. 北京：清华大学出版社，2016：53-57. doi:10.1007/978-1-4899-7502-7_910-1
	ZHOU Zhihua. Machine learning［M］. Beijing：Tsinghua University Press，2016：53-57. doi:10.1007/978-1-4899-7502-7_910-1
31	李威威，李春青，聂敬云，等. 膜生物反应器膜污染的随机森林预测模型［J］. 计算机应用，2015，35（S1）：135-137.
	LI Weiwei， LI Chunqing， NIE Jingyun，et al. Prediction model for mambrane bio-reactor fouling based on random forest［J］. Journal of Computer Applications，2015，35（S1）：135-137.
32	梁楷. 基于模拟退火算法的支持向量机在MBR膜污染中的应用研究［D］. 天津：天津工业大学，2017. doi:10.1109/sera.2017.7965730
	LIANG Kai. Application of Support Vector Machine based on simulated annealing algorithm in MBR membrane fouling［D］. Tianjin：Tianjin Polytechnic University，2017. doi:10.1109/sera.2017.7965730
33	WANG Zhan， ZHANG Ximing， ZHU Zhongya，et al. Influence of various operating conditions on cleaning efficiency in sequencing batch reactor（SBR） activated sludge process. Part V：Chemical cleaning model［J］. Journal of the Taiwan Institute of Chemical Engineers，2016，63：52-60. doi:10.1016/j.jtice.2016.03.022
34	CAI Yuhang， ZAIDI A A， SHI Yue，et al. Influence of salinity on the biological treatment of domestic ship sewage using an air-lift multilevel circulation membrane reactor［J］. Environmental Science and Pollution Research International，2019，26（36）：37026-37036. doi:10.1007/s11356-019-06813-4
35	PENDASHTEH A R， FAKHRU’L-RAZI A， CHAIBAKHSH N，et al. Modeling of membrane bioreactor treating hypersaline oily wastewater by artificial neural network［J］. Journal of Hazardous Materials，2011，192（2）：568-575. doi:10.1016/j.jhazmat.2011.05.052
36	ALKMIM A R， DE ALMEIDA G M， DE CARVALHO D M，et al. Improving knowledge about permeability in membrane bioreactors through sensitivity analysis using artificial neural networks［J］. Environmental Technology，2020，41（19）：2424-2438. doi:10.1080/09593330.2019.1567609
37	HAZRATI H， MOGHADDAM A H， ROSTAMIZADEH M. The influence of hydraulic retention time on cake layer specifications in the membrane bioreactor：Experimental and artificial neural network modeling［J］. Journal of Environmental Chemical Engineering，2017，5（3）：3005-3013. doi:10.1016/j.jece.2017.05.050
38	CHEW C M， AROUA M K， HUSSAIN M A. A practical hybrid modelling approach for the prediction of potential fouling parameters in ultrafiltration membrane water treatment plant［J］. Journal of Industrial and Engineering Chemistry，2017，45：145-155. doi:10.1016/j.jiec.2016.09.017
39	SCHMITT F， BANU R， YEOM I T，et al. Development of artificial neural networks to predict membrane fouling in an anoxic-aerobic membrane bioreactor treating domestic wastewater［J］. Biochemical Engineering Journal，2018，133：47-58. doi:10.1016/j.bej.2018.02.001
40	ZHAO Zhitao， LOU Yang， CHEN Yifeng，et al. Prediction of interfacial interactions related with membrane fouling in a membrane bioreactor based on radial basis function artificial neural network（ANN）［J］. Bioresource Technology，2019，282：262-268. doi:10.1016/j.biortech.2019.03.044
41	HAMEDI H， EHTESHAMI M， MIRBAGHERI S A，et al. New deterministic tools to systematically investigate fouling occurrence in membrane bioreactors［J］. Chemical Engineering Research and Design，2019，144：334-353. doi:10.1016/j.cherd.2019.02.003
42	蔡国帅. 改进的神经网络及CFD在MBR模拟仿真中的应用研究［D］. 天津：天津工业大学，2018.
	CAI Guoshuai. Application of improved neural network and CFD in MBR simulation［D］. Tianjin：Tianjin Polytechnic University，2018.
43	HAN Honggui， ZHANG Huijuan， LIU Zheng，et al. Data-driven decision-making for wastewater treatment process［J］. Control Engineering Practice，2020，96：104305. doi:10.1016/j.conengprac.2020.104305
44	郑树泉，王倩，武智霞. 工业智能技术与应用［M］. 上海：上海科学技术出版社，2019：250-251.
	ZHEN Shuquan， WANG Qian， WU Zhixia. Industrial intelligence technology and applications［M］. Shanghai：Shanghai Science and Technology Press，2019：250-251.
45	MIRBAGHERI S A， BAGHERI M， BAGHERI Z，et al. Evaluation and prediction of membrane fouling in a submerged membrane bioreactor with simultaneous upward and downward aeration using artificial neural network-genetic algorithm［J］. Process Safety and Environmental Protection，2015，96：111-124. doi:10.1016/j.psep.2015.03.015
46	刘志峰，潘丹，王建华，等. PSO-BP神经网络在MBR工艺中的膜污染预测［J］. 北京工业大学学报，2012，38（1）：126-131. doi:10.11936/bjutxb2012010126
	LIU Zhifeng， PAN Dan， WANG Jianhua，et al. Flux prediction of MBR based on PSO-BP neural network［J］. Journal of Beijing University of Technology，2012，38（1）：126-131. doi:10.11936/bjutxb2012010126
47	LU Jie， BEHBOOD V， HAO Peng，et al. Transfer learning using computational intelligence：A survey［J］. Knowledge-Based Systems，2015，80：14-23. doi:10.1016/j.knosys.2015.01.010
48	SHI Shuai， XU Guoren. Novel performance prediction model of a biofilm system treating domestic wastewater based on stacked denoising auto-encoders deep learning network［J］. Chemical Engineering Journal，2018，347：280-290. doi:10.1016/j.cej.2018.04.087
49	CHOI Y J，OH H， LEE S，et al. Investigation of the filtration characteristics of pilot-scale hollow fiber submerged MF system using cake formation model and artificial neural networks model［J］. Desalination，2012，297：20-29. doi:10.1016/j.desal.2012.04.013

[1]	顾先涛, 樊培培, 陈晓春, 高宇祥, 周仲康, 张俊杰, 马晓薇, 计巧珍, 吴妍, 徐亚艳, 董浩声, 段忠辛, 杨林, 高忠辉. 特高压换流站调相机外冷水系统腐蚀结垢预测模型研究[J]. 工业水处理, 2025, 45(2): 132-137.
[2]	师雅琪, 孟广源, 陈鹏, 张芯婉, 付涛, 杨正武, 张连胜, 张乐华. 基于神经网络精准预测含铬废酸电氧化再生效果[J]. 工业水处理, 2025, 45(1): 131-138.
[3]	李莹, 刘强, 项玮, 曲吉祥, 杨翠萍, 范秀磊. MBR与HMBR除污效能及相关功能微生物对比研究[J]. 工业水处理, 2024, 44(7): 156-161.
[4]	李冰, 吴迪, 石岩, 李海翔, 李甫, 马毅. 膜耦合技术对沼液浓缩及净水效果的影响[J]. 工业水处理, 2024, 44(5): 156-163.
[5]	史金卓, 胡以松, 肖文倩, 李松华, 杨媛, 田文瑞. 电化学-膜生物反应器强化污废水处理的研究进展[J]. 工业水处理, 2024, 44(5): 32-41.
[6]	任芝军, 白莹, 王秋稳, 韩金龙, 刘晓阳. 膜污染的光学监测技术研究进展[J]. 工业水处理, 2024, 44(4): 10-18.
[7]	张棱威, 宁荣盛, 袁江, 于水利. 导电膜膜蒸馏研究进展[J]. 工业水处理, 2024, 44(4): 30-37.
[8]	潘伟亮, 谭秀晴, 欧阳荭霖, 颜山脊. 生物炭强化厌氧膜生物反应器处理废水性能的研究进展[J]. 工业水处理, 2024, 44(4): 38-45.
[9]	尹萌萌, 王禹翰, 张坤, 王冠, 徐维国, 王波. 基于两性离子的纳滤膜抗污染改性方法研究进展[J]. 工业水处理, 2024, 44(3): 37-44.
[10]	李棒, 田腾飞, 吴俊峰, 朱新锋, 韩昌睿, 崔璐雪, 张霞, 贠延滨. 膜蒸馏处理脱硫废水过程中污染物组成、分布及形成机理[J]. 工业水处理, 2024, 44(2): 139-146.
[11]	冯丁, 刘晶静, 马文丹, 刘玉学, 杨尘, 张萌萌. 基于机器学习的生物炭吸附重金属建模研究进展[J]. 工业水处理, 2024, 44(12): 1-11.
[12]	朱海东, 朱卫兵. 邯郸某垃圾填埋场渗滤液处理站扩容改造工程实例[J]. 工业水处理, 2024, 44(12): 192-198.
[13]	戚滢滢, 苏洋舟, 程晓英, 刘强, 张晓磊. 双膜法处理化工废水过程中反渗透膜污染研究[J]. 工业水处理, 2024, 44(11): 142-147.
[14]	田茂芝, 丁梓尧, 孙晨, 周玮钰, 王圣智, 万瀚宇, 李昆. 养殖废水中Fe³⁺累积对藻菌共生体EPS分泌及膜污染特征的影响[J]. 工业水处理, 2024, 44(10): 60-67.
[15]	司马聪, 张新波, 程衍斌, 王慧中, 杜青, 钟玲玲, NGO Huu Hao. DcMFC-AnMBR耦合系统处理含磺胺嘧啶养猪废水的性能研究[J]. 工业水处理, 2024, 44(10): 68-75.

选择文件类型/文献管理软件名称

选择包含的内容