基于仿真模型的生物滤池硝化功能研究

项目背景

循环水养殖系统中的生物滤池主要依靠硝化微生物将总氨氮和亚硝酸盐转化为硝酸盐，其运行状态直接影响养殖水体的水质稳定性。传统方法通常依赖水质指标进行事后判断，难以及时反映生物滤池内部硝化微生物的功能变化。

本项目以循环水养殖系统为研究对象，结合 LibRAS 机理仿真数据、水质参数和硝化微生物状态变量，研究生物滤池硝化功能的状态评估、时序预测与反馈调节方法，为循环水养殖系统的智能运行和水质预警提供依据。

我的职责

负责项目整体研究方案设计与技术路线规划
梳理生物滤池硝化过程、水质指标和微生物状态之间的关系
负责 LibRAS 仿真数据的整理、变量筛选与数据集构建
构建总氨氮、亚硝酸盐、硝酸盐、溶解氧等水质变量与 AOB、NOB 状态变量之间的预测任务
使用 iTransformer 等时序模型开展硝化微生物状态预测实验
设计生物滤池硝化功能状态分级与标签构建方案
探索增氧量、循环流量等设备参数的反馈调节策略
负责模型结果分析、指标评价和研究内容总结

核心功能

对循环水养殖系统中的水质与微生物状态进行联合分析
基于仿真数据构建生物滤池硝化功能研究数据集
使用水质变量预测 AOB、NOB 等硝化微生物状态
构建稳定、轻度受限和明显受限等硝化功能状态标签
分析总氨氮、亚硝酸盐、硝酸盐和溶解氧对硝化功能的影响
探索基于预测结果的增氧与循环流量反馈调节方法
输出预测曲线、误差指标及不同变量的模型评价结果

技术方案

项目采用“机理仿真—数据处理—状态预测—功能评价—反馈调节”的技术路线。

首先，使用 LibRAS 和 OpenModelica 构建循环水养殖系统仿真环境，模拟鱼池、生物滤池、增氧设备、循环泵和固液分离等模块的运行过程，并获取总氨氮、亚硝酸盐、硝酸盐、溶解氧、AOB 和 NOB 等关键变量。

随后，使用 Python 对仿真结果进行时间对齐、异常值检查、特征筛选和训练集划分，构建多变量时序预测数据集。以 TAN、NO₂⁻、NO₃⁻ 和 DO 等水质参数作为输入，以 AOB 和 NOB 状态变量作为输出，使用 iTransformer 等深度学习模型开展多步时序预测。

在预测结果基础上，结合水质变化、微生物状态和硝化过程机理，构建生物滤池硝化功能状态评价方法，并进一步探索以硝化功能稳定为目标的增氧量和循环流量反馈调节策略。

项目成果

完成循环水养殖系统水质与硝化微生物变量体系梳理
完成 LibRAS 仿真数据向时序预测数据集的转换
构建以 TAN、NO₂⁻、NO₃⁻ 和 DO 为输入，以 AOB、NOB 为输出的预测任务
完成 iTransformer 模型的初步训练、预测和结果评价流程
生成预测值、真实值以及 MAE、MSE、RMSE、MAPE 等评价指标
完成生物滤池硝化功能状态分级方案的初步设计
形成“水质预测—微生物状态估计—硝化功能评价—设备反馈调节”的研究框架

技术栈

Python、PyTorch、iTransformer、机器学习、LibRAS、OpenModelica