Processing math: 100%

响应面法优化冷冻-空气解冻预处理切削液废水

常阳阳, 于静洁, 王少坡, 邱春生, 马华继. 响应面法优化冷冻-空气解冻预处理切削液废水[J]. 环境工程学报, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140
引用本文: 常阳阳, 于静洁, 王少坡, 邱春生, 马华继. 响应面法优化冷冻-空气解冻预处理切削液废水[J]. 环境工程学报, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140
CHANG Yangyang, YU Jingjie, WANG Shaopo, QIU Chunsheng, MA Huaji. Optimization of freeze-air thawing process for cutting fluid wastewater pretreatment with response surface methodology[J]. Chinese Journal of Environmental Engineering, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140
Citation: CHANG Yangyang, YU Jingjie, WANG Shaopo, QIU Chunsheng, MA Huaji. Optimization of freeze-air thawing process for cutting fluid wastewater pretreatment with response surface methodology[J]. Chinese Journal of Environmental Engineering, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140

响应面法优化冷冻-空气解冻预处理切削液废水

    作者简介: 常阳阳(1995—),男,硕士研究生。研究方向:污水处理与工艺系统模拟。E-mail:1614183344@qq.com
    通讯作者: 于静洁(1978—),女,博士,教授。研究方向:污水处理与工艺系统模拟。E-mail:yjj.mary@163.com
  • 基金项目:
    国家自然科学基金资助项目(51678388)
  • 中图分类号: X703.1

Optimization of freeze-air thawing process for cutting fluid wastewater pretreatment with response surface methodology

    Corresponding author: YU Jingjie, yjj.mary@163.com
  • 摘要: 采用冷冻-空气解冻法对切削液废水进行预处理,使用单因素实验和响应面法探究了解冻时间、冷冻时间和冷冻-空气解冻总次数对解冻后挥发到空气中的有机碳质量及烧杯中上层浮沫、中层废水、下层废水各部分的有机碳质量占原切削液废水总有机碳质量的百分比(ηηηη)的影响,且考察了3个影响因素的交互作用和优化了最佳操作条件。结果表明:各影响因素对预处理后待后续处理的出水(即中层水)η′的影响大小顺序为冷冻-空气解冻总次数>冷冻时间>解冻时间;在冷冻时间为19.84 h、解冻时间为6.94 h、冷冻-空气解冻总次数为3次时,响应面法模拟得到的η′的最低响应值为25.26%,3次平行验证实验得到η实测值为26.60%。经冷冻-空气解冻预处理后废水中油滴平均粒径较原切削液废水明显增大,浮沫层中油滴成串或者成片存在。
  • 含氧多环芳烃(oxygenated polycyclic aromatic hydrocarbons,OPAHs)是指在多环芳烃(PAHs)的苯环上含有一个或多个羰基氧,或是含有羟基基团的一类化合物;它主要由化石或生物质燃料不完全燃烧产生,也可由环境中的多环芳烃因光氧化反应、化学氧化反应或生物转换等多种方式产生。由于其较为稳定难以降解,具有比亲代PAHs更强的毒性[12]和致突变性[3],有一部分含氧多环芳烃单体还被认为是直接的诱变剂和致癌物[4].目前国内外对于含氧多环芳烃的研究,主要集中于该类化合物的总量分析、源解析或者毒性分析等相关领域[5],各种研究文献对OPAHs的检测数据相对较少[1],故为能快速补充数据库毒性数据,采用定量结构-毒性关系(quantitative structure-toxicity relationship,QSTR)相关研究为简便而又高效的理论研究方法. 金玲敏等[6]对此进行了富有成效的尝试,利用计算得到多种描述符,建构了预测OPAHs对斑马鱼胚胎急性毒性的模型。但该法首先需要计算多种描述符,过程复杂,且创新稍有不足;其次预测的结果误差偏大,平均误差达到0.371. 为此本研究创新提出新的计算简单的结构参数,采用神经网络法建模,能提高预测准确度。该法对含氧多环芳烃急性毒性的QSTR研究未见有相关报道.

    神经网络法是一种基于数据驱动的误差逆向传播算法,对复杂的非线性系统,具有很强的自适应和自学习能力[7],能模拟生命过程中的神经网络行为,对数据进行智能信息化处理,故该法在化学、环境、机械等众多学科中得到广泛应用[810]. 利用神经网络法进行QSTR研究[11],对环境污染物在环境中的危险性评价具有独特的作用. 在前期[1213]研究工作的基础上,根据文献[6]所列32个含氧多环芳烃分子,分析这些OPAHs分子的结构与其对斑马鱼胚胎的毒性之间的相关关系,寻找毒性数据的大小与结构之间的内在规律,从而新定义了一种可表征原子电性结构与空间结构特性的原子特征值δi,并根据多环芳烃苯环上不同位置连接羟基时,毒性大小也不一样的变化特性,对基团原子特征值δi进行校正后,建构了一种新的定位键指数L. 利用建构的新指数,与利用软件计算并优化筛选的电性拓扑态指数、及电性距离矢量3类指数有机结合,建立了一种可用于预测含氧多环芳烃对斑马鱼胚胎的急性毒性的神经网络模型,所得结果令人满意. 本研究工作成果对建立含氧多环芳烃的毒性数据库、对环境污染物的快速分析检测,具有重要的理论价值和实际意义.

    32个含氧多环芳烃对斑马鱼胚胎的急性毒性,相关数据来源于文献[6],这里毒性值采用半数效应浓度EC50的对数lgEC50表示,将分子及其生物毒性实验值lgEC50列于表1.

    表 1  含氧多环芳烃的分子结构参数及其毒性
    Table 1.  Molecular structural parameters and the toxicity of oxygenated polycyclic aromatic hydrocarbons
    序号No.含氧多环芳烃Oxygenated polycyclic aromatic hydrocarbonsLE16M14M21M32lgEC50
    实验值Exp.预测值Pre.误差Err.
    1 氧杂蒽酮Xanthone 71.637 12.028 37.064 7.201 7.730 2.000 1.996 −0.004
    2 1,2-苯并苊醌Aceanthrenequinone 83.638 24.113 32.946 9.077 12.462 1.950 2.114 0.164
    3 1,2-二羟基蒽醌1,2-dihydroxyanthraquinone 97.699 24.375 21.206 16.522 17.428 2.270 2.381 0.111
    4 4,5-亚菲基酮4,5-phenanthrylene ketone 71.712 12.192 33.992 6.508 9.100 1.480 1.480 0
    5 9-芴酮9-fluorenone 59.783 11.888 35.483 6.792 7.631 2.400 2.060 −0.340
    6 2,7-二羟基萘2,7-dihydroxynaphthalene 64.804 0 20.364 12.852 1.469 2.300 2.064 −0.236
    7 1,6-二羟基萘1,6-dihydroxynaphthalene 63.834 0 22.492 12.015 2.858 1.780 2.065 0.285
    8 2-羟基-9-芴酮2-hydroxy-9-fluorenone 72.992 11.929 26.253 12.353 8.584 1.500 1.499 −0.002
    9 5,12-萘并萘醌5,12-naphthacenequinone 89.567 25.090 39.987 14.650 15.275 1.720 1.722 0.002
    10 2,3-二羟基萘2,3-dihydroxynaphthalene 62.891 0 22.650 9.486 2.842 1.780 1.780 0
    11 1,5-二羟基萘1,5-dihydroxynaphthalene 63.419 0 24.921 10.750 4.336 1.870 2.065 0.195
    12 1,8-二羟基蒽醌1,8-dihydroxyanthraquinone 100.685 24.406 21.315 17.793 17.634 2.300 2.381 0.081
    13 萘嵌苯酮Perinaphthenone 59.712 11.585 33.513 8.071 5.133 1.080 1.163 0.083
    14 11h-苯并[a]芴-11-酮11h-benzo[a]fluorene-11-one 77.712 12.502 45.710 7.142 9.537 1.700 2.063 0.363
    15 2-羟基蒽醌2-hydroxyanthraquinone 84.919 24.273 23.761 18.391 13.913 1.110 1.115 0.005
    16 1,4-二羟基蒽醌1,4-dihydroxyanthraquinone 98.769 24.406 21.216 17.632 17.682 2.700 2.381 −0.320
    17 菲醌Phenanthrene-quinone 71.710 23.659 34.082 10.699 9.284 0.301 0.280 −0.021
    18 1,2-萘醌1,2-naphthoquinone 53.710 22.136 22.278 10.674 4.491 0.301 0.281 −0.020
    19 1,4-苯醌1,4-benzoquinone 35.710 20.566 9.066 13.534 1.213 0 −0.004 −0.004
    20 1,4-蒽醌1,4-anthraquinone 71.567 23.271 27.685 14.982 8.531 0.301 0.267 −0.034
    21 9-羟基苯并[a]芘9-hydroxybenzo[a]pyrene 100.278 0 60.746 7.923 1.593 0.301 0.229 −0.072
    22 1,4-萘二醌1,4-naphthoquinone 53.710 22.384 20.406 13.670 6.891 −1.000 −0.997 0.003
    23 12-羟基苯并[a]芘12-hydroxybenzo[a]pyrene 101.609 0 49.077 6.428 4.073 1.980 2.065 0.085
    24 1,3-二羟基萘1,3-dihydroxynaphthalene 62.320 0 22.257 11.226 2.934 2.300 2.065 −0.235
    25 2,6-二羟基萘2,6-dihydroxynaphthalene 64.333 0 20.318 13.012 1.480 1.840 2.065 0.225
    26 苊醌Acenaphthenequinone 65.710 23.055 23.440 8.462 9.740 1.650 1.502 −0.148
    27 1-羟基-9-芴酮 1-hydroxy-9-fluorenone 72.492 11.949 29.331 10.239 10.408 1.740 1.743 0.003
    28 苯并[c]菲[1,4]醌Benzo[c]phenanthrene-1,4-dione 89.567 24.221 40.254 15.517 11.054 1.150 1.151 0.001
    29 7,12-苯并蒽醌Benz[a]anthracene-7,12-dione 89.638 25.260 42.633 14.230 16.262 0.845 0.807 −0.038
    30 苯并蒽酮1,9-benz-10-anthrone 77.712 12.494 45.859 7.733 8.894 2.360 2.046 −0.314
    31 芘-4,5-二酮Pyrene-4,5-dione 83.638 24.186 32.708 10.279 11.516 0.301 0.483 0.182
    32 1,4-菲醌Phenanthrene-1,4-dione 71.638 23.442 30.193 14.625 9.422 0.176 0.176 0
     | Show Table
    DownLoad: CSV

    分子的结构决定分子的性质,分子中的原子不同、基团不同、连接位置不同、原子或基团受环境影响不同,均会影响分子的物理化学性质. 通过考察文献[6]中32个含氧多环芳烃对斑马鱼胚胎的急性毒性与分子结构之间的关系,定义了一种新的可以应用于表征含氧多环芳烃OPAHs分子的原子特征值(δi)为:

    stringUtils.convertMath(!{formula.content}) (1)

    式(1)中,mi、hi、χi分别为非氢原子i的价电子数、直接连接的氢原子个数、鲍林电负性值,χc为碳原子的鲍林电负性. 由于含氧多环芳烃中,连接在苯环上不同位置的基团,对含氧多环芳烃的毒性大小影响也不同,为此对含氧多环芳烃苯环上不同位置基团的特征值进行了校正:

    stringUtils.convertMath(!{formula.content}) (2)

    式(2)中,Ji为基团连接在苯环上所在位置数. 如1,2-二羟基蒽醌分子,1位羟基氧原子的δi´值为34.274、2位羟基氧原子δi´值为37.701. 在分子拓扑理论基础上,建构一种新的指数L

    stringUtils.convertMath(!{formula.content}) (3)

    式(3)中的Σ表示每一个化学键对分子的贡献. 由于该指数是在校正了基团非氢原子在苯环上所连接的位置后,综合每个化学键对分子的贡献值,故将该指数命名为定位键指数. 根据公式(3)计算得到含氧多环芳烃的定位键指数值L列于表1中.

    对于化合物对生物的毒性,很难只用一种指数反映其变化规律,故常需要2种甚至2种以上的指数进行有机结合,才能建立指数与化合物对生物毒性之间良好的相关关系。考察文献[6]中含氧多环芳烃对斑马鱼胚胎毒性大小与分子结构的关系,用Chemoffice3D绘图软件勾画了OPAHs分子的分子结构。利用MATLAB应用软件自编的程序[1415],计算了32个OPAHs分子的电性拓扑状态指数Em和电性距离矢量Mn。通过回归分析优化筛选了电性拓扑状态指数的E16、电性距离矢量的M14M21M32共4个结构参数,与定位键指数L结合,与含氧多环芳烃对斑马鱼胚胎的急性毒性lgEC50的相关性最优. 描述符L表征的是对应于分子拓扑图中每一边(化学键)的本征值、电性拓扑状态指数E16表征的是非氢原子=O的本征值,电性距离矢量的M14表征的是第二类碳原子(—C—)之间的相互作用、M21表征的是第二类碳原子与羰基氧原子(=O)的相互作用、M32则表征的是第三类碳原子与第九类氧原子(—O)相互作用. 正是使用了3类不同的描述符结合,故本研究可对不同的类型化合物进行建立模型;由于毒性机制增加了系统的空间异质性和复杂性,而这里选择的几类参数蕴含了化合物的电性和空间结构信息,故参数与急性毒性之间能建立良好的相关关系;经过对定位键指数(主要是原子特征值)稍进行修正,发现将其应用于芳烃、农药分子的急性毒性研究,也能取得较好的结果. 将优化筛选的E16M14M21M32等数据也列于表1.

    将计算得到的32个含氧多环芳烃的定位键指数L、电性拓扑状态指数Em、电性距离矢量Mn等3类指数,与其对斑马鱼胚胎的急性毒性lgEC50(µmol·L−1),用MINITAB数据分析统计软件的最佳子集回归方法进行相关关系的分析,所得结果见表2.

    表 2  lgEC50与参数的最佳变量子集回归结果
    Table 2.  Results of parameters and lgEC50 with best subsets regression
    序号No 变量子集Subset of variables b r Radj2 R2 F S FIT
    1 E16 1 0.3502 0.0934 0.1226 4.192 0.8499 0.1270
    2 LE16 2 0.5244 0.2250 0.2750 5.500 0.7858 0.3056
    3 LE16M32 3 0.7907 0.5850 0.6252 15.567 0.5750 1.1392
    4 E16M15M21M32 4 0.8050 0.5959 0.6480 12.427 0.5674 1.0355
    5 LE16M14M21M32 5 0.8273 0.6238 0.6845 11.280 0.5475 0.9896
    6 LE16M14M15M21M32 6 0.8274 0.6089 0.6846 9.043 0.5582 0.7980
      注:表2b表示变量数;r表示相关系数;Radj2表示调整的判定系数;R2表示决定系数;F表示Fischer检验值;S表示估计标准误差;FIT表示Kubinyi函数.
     | Show Table
    DownLoad: CSV

    表2FIT值由下列公式[16]计算得到:

    stringUtils.convertMath(!{formula.content}) (4)

    式(4)中,n为总的分子样本数,b为所建模型的变量个数,R2为相应模型的决定系数,根据该式计算得到的各模型的FIT值列于表2。一般FIT值越大,所建模型稳定性越好,预测能力也越强.

    表2可以看出,综合考虑相关系数、标准误差和FIT值的大小,模型(5)最好,即当使用定位键指数L、电性拓扑状态指数的E16、电性距离矢量的M14M21M32共5个参数时,其与含氧多环芳烃对斑马鱼胚胎的急性毒性有最佳的相关关系,建立的多元回归方程为:

    stringUtils.convertMath(!{formula.content}) (5)
    stringUtils.convertMath(!{formula.content})

    根据该多元回归模型预测得到的急性毒性lgEC50,与文献列出实验值的平均绝对误差为0.395,误差相对较大,而且方程的相关系数为0.8273,对于预测毒性数据能基本达到要求,但预测结果并不理想.

    为对含氧多环芳烃对斑马鱼胚胎急性毒性的预测进一步做神经网络研究,先对式(5)的稳定性、预测能力及是否有离域值进行检验. 采用公认的逐一剔除法进行检验,即每次剔除1个含氧多环芳烃分子,用剩余31个含氧多环芳烃分子回归,可建立32个方程,获得32个检验的相关系数(相关数据见表3),所有这些相关系数的平均值为r=0.8285,该值与式(5)的相关系数较为接近,说明预测生物毒性模型(5)的稳定性较好;再使用MINITAB数据预测分析统计软件,对多元线性回归预测毒性的模型(5),采用留一法进行交互检验,得到模型(5)交叉验证相关系数R2CV=0.5050,当R2CV大于0.5时,说明稳健性较好[17];再求R2adj(0.6238)与R2CV(0.5050)的差值,得到0.1188,两者差值小于0.3,一般认为当这两种相关系数的差值<0.3时,说明模型没有过拟合,不存在离域异常值,所以这里构建的多元回归预测模型有较好的稳定性,有一定的预测能力.

    表 3  检验的相关系数
    Table 3.  Inspection of correlation coefficient r
    剔除分子Remove molecule相关系数Correlation coefficient剔除分子Remove molecule相关系数Correlation coefficient剔除分子Remove molecule相关系数Correlation coefficient剔除分子Remove molecule相关系数Correlation coefficient剔除分子Remove molecule相关系数 Correlation coefficient
    10.827680.8293150.8273220.8328290.8335
    20.831790.8338160.8181230.8245300.8407
    30.8211100.8296170.8195240.8231310.8401
    40.8384110.8296180.8194250.8271320.8164
    50.8362120.8205190.8162260.8307
    60.8339130.8266200.8173270.8332
    70.8266140.8266210.8338280.8468
     | Show Table
    DownLoad: CSV

    为了提高对含氧多环芳烃对斑马鱼胚胎急性毒性预测结果的准确度,在多元回归模型式(5)的基础上,进一步采用在众多领域得到广泛应用的神经网络方法进行研究[18]. 神经网络隐含层数,按照Andrea[19]和许禄[20]规则综合后计算得到,计算公式为:

    stringUtils.convertMath(!{formula.content}) (6)

    式(6)中,n为样本总数,b为模型所取的变量数,H为神经网络三层结构中的隐含层数. 根据式(6)计算,H可取值2或3,经分别计算测试,发现H取3时,建立的神经网络预测模型相关系数最优. 故神经网络采用5-3-1的网络结构方式,并将32个含氧多环芳烃分子分为3个子集:训练集、测试集和验证集,以每5个分子作为一组,共分6组,具体分组分子见表4. 由于第六组只有1和2两个分子,故分别进入训练集和测试集. 神经网络模型的构成、总相关系数和各子集的相关系数见表4.

    表 4  神经网络模型的构成及结果
    Table 4.  Composition and Results of the neural network model
    神经网络模型Neural network model 总Total 训练集Training set 测试集Test set 验证集Validation set
    网络结构Network structure 5-3-1
    每组分子Each group molecules 第2,4,5个 第1个 第3个
    相关系数Correlation coefficient 0.9826 0.9828 0.9812 0.9987
     | Show Table
    DownLoad: CSV

    表4可以看出,总相关系数RT的值达到0.9826,3个子集的相关系数与总相关系数之间,较为接近. 而且对于预测毒性的模型来说,相关系数能达到0.98以上,说明构建的模型比较理想,该模型的权重和偏置见表5.

    表 5  神经网络模型的权重和偏置
    Table 5.  Weights and bias of neural network model
    层间变化Inter layer variation 权重Weight 偏置Skewing
    从输入层到隐蔽层Input to hidden 5.4333 1.8446 3.1702 7.1633 −18.8820 0.7736
    −1.9282 −5.3205 −5.3938 −7.5461 16.0280 −0.1719
    −0.6525 −0.9611 −3.7414 9.3688 5.4315 −1.6258
    从隐蔽层到输出层Hidden to output −1.2688 −1.0919 −1.1762 −0.2436
     | Show Table
    DownLoad: CSV

    神经网络模型的相关性明显优于多元回归模型,说明含氧多环芳烃的分子结构参数与其对斑马鱼胚胎的急性毒性之间是一种非线性关系. 利用该建构的神经网络模型进行预测含氧多环芳烃的生物毒性lgEC50,预测值与实验值的平均误差为0.112;在两者之间进行相关,所得方程的R2adj=0.9644,该值明显高于多元回归方程的R2adj =0.6238,神经网络法所得预测误差的平均值明显小于多元回归法预测值的平均误差0.395,说明神经网络法模型比多元回归法的预测精度更高. 与文献[6]采用密度泛函理论中的B3LYP方法,优化了含氧多环芳烃(OPAHs)的分子结构,然后建立预测模型所得的结果进行比较,文献方法预测毒性值的平均误差为0.371,本法构建的神经网络预测毒性模型的预测精度更好. 将本文的多元回归法和神经网络法所得的预测值(Pre.)与实验值(Exp.),分别作关系图(图1图2),从图1图2可以看出,神经网络模型的毒性预测结果更为可靠,准确度更高. 将神经网络法对含氧多环芳烃对斑马鱼胚胎的急性毒性lgEC50预测值也列入表1,将该值与实验值之间的误差,作雷达图(图3)可以看出,没有特别异常的误差值存在;将各化合物分子预测值的误差同时也作控制图(图4),同样可以看到各化合物急性毒性预测的最大误差和最小误差,均落在标准残差范围,正负残差基本对等,正负平均值就在零线,结果可控,说明预测化合物在应用域范围内,拟合效果也较好;也说明神经网络法预测lgEC50模型稳定可靠. 故建构的模型可应用于含氧多环芳烃毒性数据库的建立,是否适用于其它环境污染物毒性预测还需要实验验证.

    图 1  多元回归法lgEC50预测值与实验值的关系
    Figure 1.  Relationship between literal and calculated of lgEC50
    图 2  神经网络法lgEC50预测值与实验值的关系
    Figure 2.  Relationship between literal and calculated of lgEC50
    图 3  神经网络法误差雷达图
    Figure 3.  Radar diagram of the errors by neural network method
    图 4  误差控制图
    Figure 4.  Error control diagram

    含氧多环芳烃的毒性机制较为复杂,由于其含有羰基或羟基的极性氧原子,故化合物具有较好的水溶性,有更强的毒性[1];一般而言,多环芳烃的环数越多,毒性越强,即分子量越大的化合物,分子体积越大,疏水性越强,通常表现出更强的毒性[5];在含氧多环芳烃中,醌是一种高度氧化还原活性分子,更容易形成氧化的细胞大分子[1],从而表现出更强的毒性效应. 此外对含氧多环芳烃而言,羰基或羟基基团在苯环上连接的位置、连接的数量、相互之间的影响等等,均会影响含氧多环芳烃分子的生物毒性大小. 本文通过分析分子结构与毒性大小之间的关系,定义了原子特征值,并通过对连接在苯环上所在位置的基团,进行了原子特征值的校正,从而建构了新的定位键指数,分子体积越大,所得L值也越大,式(5)中定位键指数L前的系数也是正值,说明该指数与含氧多环芳烃的毒性变化规律一致;再将该指数与能反映基团电性的电性拓扑状态指数、能反映基团相互作用空间特性的电性距离矢量进行结合,从而建立良好的可以预测含氧多环芳烃对斑马鱼胚胎急性毒性的神经网络模型,从预测的毒性结果可看出,各个分子毒性预测值的误差较小;在32个含氧多环芳烃中,只有对31号分子芘-4,5-二酮的预测相对误差偏大,该分子的结构与其相邻的前3个分子的结构相近,但其毒性实验值lgEC50明显偏小,这可能与该分子处于相邻位置的两个羰基相互影响较大,导致lgEC50值异常有关. 总体而言,本文构建的含氧多环芳烃对斑马鱼胚胎急性毒性lgEC50的神经网络模型,预测结果的准确度较好,平均误差仅为0.112,优于文献方法预测误差的0.371.

    预测模型中使用的定位键指数是一种新定义建构的分子结构指数,是一种创新性提出的新的分子结构指数,它充分考虑了原子的电子层级、电负性、价电子等信息,也考虑了氢原子及所处环境的拓扑空间结构信息,而且它对不同结构的分子有很好的区分能力,而且计算也较为简单. 虽然本研究的样本数偏少,但从结果看,预测效果较好,这对扩充相关类似物的急性毒性数据库的数据有一定的理论指导意义,当然这还需要进行适当的实验进行验证. 如果化合物的浓度等发生变化,相应毒性数据也会发生改变,但可以通过对训练集的数据调整,模型会有适当变化.

    (1) 新定义了一个原子特征值,并对苯环上连接基团校正后,构建了一种新的定位键指数L,该指数对分子具有良好的区分性;同时计算并优化筛选了电性拓扑状态指数的E16、电性距离矢量的M14M21M32,将这5个参数有机结合,与含氧多环芳烃对斑马鱼胚胎的急性毒性之间进行定量结构-毒性相关性分析,按照神经网络5-3-1的三层网络结构,建立了预测急性毒性的神经网络模型,其总相关系数RT的值达到0.9826,结构与毒性之间的相关性令人满意,lgEC50预测值的平均误差为0.112,既优于多元回归法毒性预测值的平均误差0.395,也优于文献方法预测值的平均误差0.371.

    (2) 神经网络法比多元线性回归法的预测精度得到明显提高,说明分子结构与急性毒性之间是一种良好的非线性相关关系,呈现的不是线性关系.

    (3)含氧多环芳烃的生物毒性,除与含环数目的多少有关外,还与羰基或羟基连接的数量、连接的位置有关,环数越多,毒性越大.

  • 图 1  冷冻-空气解冻前后切削液废水对比图

    Figure 1.  Comparison diagram of cutting fluid wastewater before and after freezing-air thawing

    图 2  油包水型和水包油型乳状液

    Figure 2.  Water-in-oil emulsion and oil-in-water emulsion

    图 3  原切削液废水滴入去离子水和甲醇溶液的溶解状态

    Figure 3.  Dissolved state of the original cutting fluid wastewater dripped by deionized water and methanol solution

    图 4  解冻时间对ηηi的影响

    Figure 4.  Effect of thawing time on ηvol and ηi

    图 5  冷冻时间对ηηi的影响

    Figure 5.  Effect of freezing time on ηvol and ηi

    图 6  冷冻-空气解冻总次数对ηηi的影响

    Figure 6.  Effect of the cycle times of freezing-air thawing on ηvol and ηi

    图 7  解冻时间和冷冻时间交互作用的等高线和响应面

    Figure 7.  Contour lines and response surfaces of the interaction between thawing time and freezing time

    图 8  解冻时间和冷冻-空气解冻总次数交互作用的等高线和响应曲面

    Figure 8.  Contour lines and response surfaces of the interaction between thawing time and the cycle times of freezing-air thawing

    图 9  冷冻时间和冷冻-空气解冻总次数交互作用的等高线和响应面

    Figure 9.  Contour lines and response surfaces of the interaction between freezing time and the cycle times of freezing-air thawing

    图 10  冷冻-空气解冻前后切削液废水微观图

    Figure 10.  Micrograph of cutting fluid wastewater before and after freezing-air thawing

    表 1  响应面设计因素与水平

    Table 1.  Response surface design factors and levels

    因素水平及编码
    编码−101
    A 解冻时间/hX1678
    B 冷冻时间/hX2162024
    C 冷冻-空气解冻总次数X3234
    因素水平及编码
    编码−101
    A 解冻时间/hX1678
    B 冷冻时间/hX2162024
    C 冷冻-空气解冻总次数X3234
    下载: 导出CSV

    表 2  Box-Behnken设计方案及结果

    Table 2.  Box-Behnken design and results

    序号X1X2X3η′/%
    100026.07
    200024.98
    3−1−1026.32
    410−129.52
    5−10−128.02
    60−1129.78
    701−129.79
    800025.20
    9−10128.74
    100−1−130.45
    1111027.73
    1200025.22
    1301129.14
    1400024.89
    15−11029.03
    161−1028.26
    1710127.29
    序号X1X2X3η′/%
    100026.07
    200024.98
    3−1−1026.32
    410−129.52
    5−10−128.02
    60−1129.78
    701−129.79
    800025.20
    9−10128.74
    100−1−130.45
    1111027.73
    1200025.22
    1301129.14
    1400024.89
    15−11029.03
    161−1028.26
    1710127.29
    下载: 导出CSV

    表 3  η′回归模拟的方差分析

    Table 3.  ηmid′ analysis of variance for regression simulation

    项目平方和自由度均方FP显著性
    模型54.8896.1017.510.000 5**
    X10.0610.060.170.691 7
    X20.1010.100.280.614 3
    X31.0011.002.870.133 8
    X1X22.6212.627.540.028 7*
    X1X32.1812.186.250.041 0*
    X2X30.0010.000.000.987 0
    X121.4311.434.110.082 4
    X2216.51116.5147.410.000 2**
    X3227.12127.1277.870.000 0**
    残差2.4470.35
    失拟项1.5630.522.380.210 8
    误差项0.8840.22
    总离差57.3216
      注:*表示对结果影响显著(0.01<P<0.05);**表示对结果影响极显著(P<0.01)。
    项目平方和自由度均方FP显著性
    模型54.8896.1017.510.000 5**
    X10.0610.060.170.691 7
    X20.1010.100.280.614 3
    X31.0011.002.870.133 8
    X1X22.6212.627.540.028 7*
    X1X32.1812.186.250.041 0*
    X2X30.0010.000.000.987 0
    X121.4311.434.110.082 4
    X2216.51116.5147.410.000 2**
    X3227.12127.1277.870.000 0**
    残差2.4470.35
    失拟项1.5630.522.380.210 8
    误差项0.8840.22
    总离差57.3216
      注:*表示对结果影响显著(0.01<P<0.05);**表示对结果影响极显著(P<0.01)。
    下载: 导出CSV

    表 4  含油量测定

    Table 4.  Determination of oil content

    处理单元含油量/(mg·L−1) ξ/%备注
    原切削液废水3 624±5原切削液废水
    第3次解冻后上层浮沫18 738±830.84冷冻19.84 h,解冻6.94 h,冷冻-空气解冻3次
    第3次解冻后中层废水1 106±824.54
    第3次解冻后下层废水3 265±517.92
    解冻3次过程中总挥发性有机物26.69
    注:ξ为在冷冻19.84 h、解冻6.94 h、冷冻-空气解冻3次后上层、中层和下层含油质量在原废水总含油质量的百分比,而后通过差减法计算得第3次解冻后挥发性油的质量占原切削液废水总含油质量的百分比。
    处理单元含油量/(mg·L−1) ξ/%备注
    原切削液废水3 624±5原切削液废水
    第3次解冻后上层浮沫18 738±830.84冷冻19.84 h,解冻6.94 h,冷冻-空气解冻3次
    第3次解冻后中层废水1 106±824.54
    第3次解冻后下层废水3 265±517.92
    解冻3次过程中总挥发性有机物26.69
    注:ξ为在冷冻19.84 h、解冻6.94 h、冷冻-空气解冻3次后上层、中层和下层含油质量在原废水总含油质量的百分比,而后通过差减法计算得第3次解冻后挥发性油的质量占原切削液废水总含油质量的百分比。
    下载: 导出CSV
  • [1] 赵路霞, 张洛红, 王蔚, 等. 混凝-热活化过硫酸盐氧化处理金属切削液废水[J]. 西安工程大学学报, 2017, 31(2): 192-196.
    [2] 韩卓然, 于静洁, 王少坡, 等. 铝盐和铁盐混凝对切削液废水中有机物的去除特性[J]. 工业水处理, 2018, 38(3): 81-85. doi: 10.11894/1005-829x.2018.38(3).081
    [3] SEBARADAR S M, KARIM E, POURZAMANI H. Treatment of industrial wastewater contaminated with recalcitrant metal working fluids by the photo-Fenton process as post-treatment for DAF[J]. Journal of Industrial & Engineering Chemistry, 2017, 45: 412-420.
    [4] 张涛, 阮金锴, 程巍. 切削液废水处理技术研究进展[J]. 环境工程学报, 2020, 14(9): 2362-2377. doi: 10.12030/j.cjee.202006018
    [5] KRIZAN M J, MURIC A, PETRINIC I. Recent developments in membrane treatment of spent cutting-oils: A review[J]. Industrial & Engineering Chemistry Research, 2013, 52(23): 7603-7616.
    [6] CHEN G, HE G. Separation of water and oil from water-in-oil emulsion by freeze/thaw method[J]. Separation & Purification Technology, 2003, 31(1): 83-89.
    [7] FENG W, YIN Y, MENDOZA M D L. Freeze-thaw method for oil recovery from waste cutting fluid without chemical additions[J]. Journal of Cleaner Production, 2017, 148(1): 84-89.
    [8] 陆沁莹, 孙成杰, 魏朝良, 等. 金属加工油(液)有机挥发物含量的测定: 热重法[J]. 润滑油, 2019, 34(2): 53-56.
    [9] 佚名. 加州金属加工液1144法规对VOC的限制更加严格[J]. 润滑油, 2013, 28(1): 28.
    [10] SHU G, BAO C, CHEN H, et al. Fermentation optimization of goat milk with Lactobacillus acidophilus and Bifidobacterium bifidum by Box-Behnken design[J]. Acta Scientiarum Polonorum Technologia Alimentaria, 2016, 15(2): 151. doi: 10.17306/J.AFS.2016.2.15
    [11] 陈宗淇. 胶体与界面化学[M]. 北京: 高等教育出版社, 2001.
    [12] 刘程. 表面活性剂手册[M]. 2版. 北京: 北京工业大学出版社, 1995.
    [13] HE G, CHEN G. Lubricating oil sludge and its demulsification[J]. Drying Technology, 2002, 20(4/5): 1009-1018.
    [14] POPOVIC S, KARADZIC M, CAKL J. Optimization of ultrafiltration of cutting oil wastewater enhanced by application of twisted tapes: Response surface methodology approach[J]. Journal of Cleaner Production, 2019, 231: 320-330. doi: 10.1016/j.jclepro.2019.05.184
    [15] SWAMY G J, SANGAMITHRA A, CHANDRASEKAR V. Response surface modeling and process optimization of aqueous extraction of natural pigments from Beta vulgaris using Box-Behnken design of experiments[J]. Dyes and Pigments, 2014, 111: 64-74. doi: 10.1016/j.dyepig.2014.05.028
    [16] 孙烁, 刘其友, 陈水泉, 等. 利用响应面法对L-2菌株降解石油烃进行优化[J]. 化工进展, 2019, 38(12): 5512-5518.
    [17] 迟全勃. 试验设计与统计分析[M]. 重庆: 重庆大学出版社, 2015.
    [18] 张圆圆, 孟永斌, 张琳, 等. 响应面法优化微波辅助水蒸气蒸馏法提取油樟精油工艺[J]. 化工进展, 2020, 39(S2): 291-299.
    [19] SHEN N, WANG Q, QIN Y, et al. Optimization of succinic acid production from cane molasses by Actinobacillus succinogenes GXAS137 using response surface methodology(RSM)[J]. Food Science and Biotechnology, 2014, 23(6): 1911-1919. doi: 10.1007/s10068-014-0261-7
    [20] 董加宝, 彭心洁, 贺思. 响应面法优化虎杖大黄素的提取工艺[J]. 食品工业, 2020, 41(5): 1-4.
    [21] 迟延娜. 花生水相提油工艺中乳状液性质及其破除研究[D]. 无锡: 江南大学, 2014.
    [22] 张强, 张志伟, 王鑫, 等. 陶瓷膜在废切削液处理中的应用研究[J]. 当代化工, 2018, 47(4): 707-710. doi: 10.3969/j.issn.1671-0460.2018.04.012
    [23] 杨振生, 冯立建, 赵改. 基于精密超滤法的废切削液处理与回用研究[J]. 现代化工, 2019, 39(11): 158-162.
  • 加载中
图( 10) 表( 4)
计量
  • 文章访问数:  4584
  • HTML全文浏览数:  4584
  • PDF下载数:  49
  • 施引文献:  0
出版历程
  • 收稿日期:  2020-12-26
  • 录用日期:  2021-03-04
  • 刊出日期:  2021-05-10
常阳阳, 于静洁, 王少坡, 邱春生, 马华继. 响应面法优化冷冻-空气解冻预处理切削液废水[J]. 环境工程学报, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140
引用本文: 常阳阳, 于静洁, 王少坡, 邱春生, 马华继. 响应面法优化冷冻-空气解冻预处理切削液废水[J]. 环境工程学报, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140
CHANG Yangyang, YU Jingjie, WANG Shaopo, QIU Chunsheng, MA Huaji. Optimization of freeze-air thawing process for cutting fluid wastewater pretreatment with response surface methodology[J]. Chinese Journal of Environmental Engineering, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140
Citation: CHANG Yangyang, YU Jingjie, WANG Shaopo, QIU Chunsheng, MA Huaji. Optimization of freeze-air thawing process for cutting fluid wastewater pretreatment with response surface methodology[J]. Chinese Journal of Environmental Engineering, 2021, 15(5): 1588-1598. doi: 10.12030/j.cjee.202012140

响应面法优化冷冻-空气解冻预处理切削液废水

    通讯作者: 于静洁(1978—),女,博士,教授。研究方向:污水处理与工艺系统模拟。E-mail:yjj.mary@163.com
    作者简介: 常阳阳(1995—),男,硕士研究生。研究方向:污水处理与工艺系统模拟。E-mail:1614183344@qq.com
  • 1. 天津城建大学环境与市政工程学院,天津 300384
  • 2. 天津市水质科学与技术重点实验室,天津 300384
  • 3. 天津城建大学环境与市政市级实验教学示范中心,天津 300384
基金项目:
国家自然科学基金资助项目(51678388)

摘要: 采用冷冻-空气解冻法对切削液废水进行预处理,使用单因素实验和响应面法探究了解冻时间、冷冻时间和冷冻-空气解冻总次数对解冻后挥发到空气中的有机碳质量及烧杯中上层浮沫、中层废水、下层废水各部分的有机碳质量占原切削液废水总有机碳质量的百分比(ηηηη)的影响,且考察了3个影响因素的交互作用和优化了最佳操作条件。结果表明:各影响因素对预处理后待后续处理的出水(即中层水)η′的影响大小顺序为冷冻-空气解冻总次数>冷冻时间>解冻时间;在冷冻时间为19.84 h、解冻时间为6.94 h、冷冻-空气解冻总次数为3次时,响应面法模拟得到的η′的最低响应值为25.26%,3次平行验证实验得到η实测值为26.60%。经冷冻-空气解冻预处理后废水中油滴平均粒径较原切削液废水明显增大,浮沫层中油滴成串或者成片存在。

English Abstract

  • 切削液在机械加工中起润滑、冷却、保护和清洗的作用[1]。我国每年产生大量切削液废水,而切削液废水中有机物含量高且难于生物降解。因此,为防止切削液废水对水环境造成污染,处理切削液废水时,通常采用化学或者物理的方法对切削液废水进行预处理。

    在采用的化学方法中,可采用混凝沉淀法或Fenton法处理切削液废水。韩卓然等[2]使用聚合氯化铝与聚合硫酸铁处理了某机械制造厂铝加工过程中产生的切削液废水,结果表明,聚合氯化铝处理效果要好于聚合硫酸铁,但混凝过程中产生的大量絮体沉淀,难以处理且易造成二次污染。SEBARADAR等[3]采用破乳-光Fenton氧化法处理了切削液废水,对去除COD和石油类物质均有一定效果,但Fenton法处理切削液废水的成本偏高。在物理方法中,可用重力分离法和膜分离法处理切削液废水。重力分离法是通过重力作用,利用油水密度差将油和水进行分离[4],但重力法不能去除小油滴和乳化油。在膜分离法中,虽然KRIZAN等[5]的研究表明,改性膜可以提高切削液废水中油的去除率,但由于膜孔易堵塞造成膜污染,从而增加了处理成本。而采用冷冻-空气解冻法处理切削液废水,不添加任何化学药剂,不会对环境造成二次污染,并且操作简便。

    原切削液废水由于表面活性剂的作用使油水形成稳定的界面膜,导致油水不易分离,在冷冻-空气解冻过程中,油水界面膜易被破坏[6],从而使油水发生分离。FENG等[7]采用冷冻-空气解冻法对切削液废水进行了破乳实验,利用单因素实验分别考察了低温浴槽和冰箱2种冷冻方式、冷冻温度、冷冻时间、pH和是否投加NaCl对切削液废水中COD去除率的影响,结果表明,当冷冻温度由−8 ℃降到−20 ℃时,COD去除率由71.2%下降到68.7%,说明冷冻温度对该废水处理效果影响不显著。但FENG等并未对冷冻解冻后的切削液废水进行分层分析,也未考察经冷冻-空气解冻后挥发到空气中的有机物含量。陆沁莹等[8]采用热重法测定了切削油中有机挥发物的含量;而美国加州制定了[9]对金属切削液中有机挥发物含量进行控制的法规;这些研究结果均表明切削液废水中可能含有挥发性的有机物。

    目前还没有研究确定冷冻-空气解冻法预处理切削液废水的最佳解冻时间和冷冻-空气解冻次数。与单因素实验和正交实验不同,响应面优化法可以对影响因素进行连续数值优化,可以得到实验操作值外的非整数最优操作值,此外,响应面优化法还可以预测得到最优操作值工况下的最佳响应值。因此,本研究采用单因素实验和响应面法对冷冻-空气解冻预处理切削液废水的解冻时间、冷冻时间和冷冻-空气解冻次数进行了优化,并考察了经冷冻-空气解冻挥发到空气中的有机物的质量。

  • 原切削液废水取自天津市某机械加工厂,颜色呈乳白色,pH为7.95±0.29、TOC为(5 417±25) mg·L−1、油滴平均粒径为(278±9) nm、含油量为(3 624±5) mg·L−1

  • 采用海尔BCD-208K/A冰箱(青岛海尔股份有限公司)进行冷冻;采用SenTix940-3pH计(德国WTW)测定pH;采用TOC-VCPH分析仪(日本岛津公司)测定有机碳浓度;采用Nano ZS Zeta电位分析仪(英国Malvern公司)测定油滴平均粒径;采用红外分光测油仪(吉林市吉光科技有限责任公司)测定含油量;采用正置荧光显微镜(德国Zeiss公司)观测油滴微观形态。

  • 取550 mL有机碳质量为M0(式(1))的原切削液废水于500 mL玻璃烧杯中,如图1(a)所示,将玻璃烧杯置于−20 ℃的冰箱中进行冷冻,在室温下进行空气解冻。原切削液废水经过冷冻后,切削液废水全部处于冻结状态。在解冻初期,由于冻结冰块的表面和烧杯周壁与空气接触,温度上升较快而先融化成液体;随着解冻持续进行,融化的液体逐渐增多,冰块逐渐缩小,浮沫开始出现;当液体增加到一定量、冰块体积缩小到一定程度时,冰块下部浮在液体中,上部穿过浮沫与空气接触,直至冰块全部融化,最后废水出现稳定的分层现象,如图1(b)所示,液面漂浮一层浮沫,浮沫下面的中层液体较清澈,底层液体较浑浊。定义浮沫层为上层,由烧杯底以上2.5 cm之间的废水为下层,下层和上层之间的较清澈液体为中层。上层浮沫和下层较浑浊的液体可考虑回收再利用,而中层液体作为冷冻-空气解冻预处理后的出水,可考虑进一步处理。分别取冷冻-空气解冻后的上层浮沫和中、下层废水置于不同的空烧杯中,将上层浮沫溶于一定体积的去离子水中,而后分别测定各层废水的有机碳浓度(Ci),以各层废水的Ci乘以各层废水的体积(Vi)得到各层有机碳的质量Mi(式(2)),通过差值法计算出切削液废水经冷冻-空气解冻挥发到空气中的有机碳质量(式(3))。

    式中:M0为原切削液废水的总有机碳质量,mg;C0为原切削液废水的有机碳质量浓度,mg·L−1V0为原切削液废水的体积,mL;i记为上、中、下,分别代表冷冻-空气解冻后的上层浮沫、中层废水和下层废水;Mi为上、中、下各层的有机碳质量,mg;Ci为上、中、下各层的有机碳质量浓度,mg·L−1Vi为上、中、下各层的体积,mL;M为挥发到空气中的有机碳质量,mg。

    挥发物M和各层MiM0大小可表示为式(4)和式(5)。

    式中:ηMM0的占比;ηiMiM0的占比。

  • 1)解冻时间对ηηi的影响。在冷冻时间为12 h,冷冻-空气解冻总次数为1次时,探究解冻时间(5、6、7、8、9 h)对ηηi的影响,以η最小为目标,得出最佳解冻时间。

    2)冷冻时间对ηηi的影响。在最佳解冻时间下,冷冻-空气解冻总次数为1次时,探究冷冻时间(12、16、20、24、28 h)对ηηi的影响,以η最小为目标,得出最佳冷冻时间。

    3)冷冻-空气解冻总次数对ηηi的影响。在最佳解冻时间和冷冻时间下,探究冷冻-空气解冻总次数(1、2、3、4、5次)对ηηi的影响,以η最小为目标,得出最佳冷冻-空气解冻总次数。其中,ηηη均为最后一次解冻后的各部分测定值计算而来,η为每次解冻后产生的浮沫累积的计算结果(即每次解冻后撇去产生的浮沫,而后再进行下一次冷冻-空气解冻)。

  • 以单因素实验得到的最佳解冻时间、冷冻时间和冷冻-空气解冻总次数为基础,设计3因素3水平的响应面优化实验,以η最小为目标,采用Design Expert 10软件里的Box-Behnken响应面法对解冻时间、冷冻时间和冷冻-空气解冻总次数进行优化[10]。通过绘制响应曲面和等高线图可以得出解冻时间、冷冻时间和冷冻-空气解冻总次数的两两交互作用的大小,并可以预测最优解冻时间、冷冻时间和冷冻-空气解冻总次数操作条件下的η最佳响应值。

  • 采用Excel 2016软件进行统计分析;采用Design-Expert 10进行响应面结果分析;采用Origin 2019b软件作图。

  • 乳化液中以液珠形式存在的相称为内相(分散相),另一相称为外相(连续相)。乳化液总有一相是水,称为水相,另一相是与水不相溶的有机液体,称为油相[11]。如图2所示:外相为水、内相为油的乳化液为水包油(O/W)型乳化液;外相为油、内相为水的乳化液称为油包水(W/O)型乳化液。

    根据乳化液与外相液体混溶原理,利用稀释法[12],用水和有机液体稀释原切削液废水来判断原切削液废水类型。将200 μL原切削液废水分别滴入装有5 mL去离子水和5 mL甲醇的哈希管中,原切削液废水在水中呈层状缓慢下降,在甲醇溶液中迅速分散。最终状态如图3显示,可见,原切削液废水为W/O型乳化液。因为W/O型乳化液外相为油相,油相易于溶于甲醇,故而能在甲醇中迅速分散,并使其保持清澈透明。而W/O型乳化液的外油相不溶于水,故在水中分散缓慢,并使水呈浑浊状态。

  • 1)解冻时间对ηηi的影响。如图4所示,随着解冻时间的增加,η为12.79%~15.34%,无显著变化,这说明解冻时间对挥发性有机物的影响不大。ηη均呈现先升高后降低的趋势,而η呈现先降低后升高趋势,在解冻时间为7 h时,ηη最大值分别为25.82%和19.83%,η最小值为39.17%。原因可能是,在解冻时间为5~7 h时,切削液废水中的有机物一部分逐渐以浮沫的形式浮于水面,一部分由微小油滴融合成大油滴而沉入下层,另外有部分微小油滴聚集成油滴团沉入下层,从而导致η降低。在7 h后随着解冻时间的继续增加,上层部分浮沫破碎再次回到中层,已沉入下层的部分聚集成油滴团的微小油滴解体再次回到中层,从而导致η升高。η在解冻时间为7 h时最小,故最佳解冻时间为7 h。

    2)冷冻时间对ηηi的影响。如图5所示,随着冷冻时间的变化,η为17.66%~25.25%,说明冷冻时间对挥发性有机物影响较小。ηη均呈现先升高后降低的趋势,η在冷冻时间为24 h时达到最大值,为25.13%,而η在冷冻时间为20 h时达到最大值,为22.03%。η先降低后升高,η在冷冻时间为20 h时达到最小值,为35.72%。在冷冻过程中,切削液废水内相水滴和外油相均会冷冻凝固成冰晶,长大的冰晶会刺破油水界面膜[6],从而使表面活性剂从油水界面膜中被排出[13],造成油水界面膜强度降低,因此,在解冻过程中,水滴和油均会发生聚集,水滴会融合形成形成粒径更大的W/O乳状液滴,也会由于不完整的油水界面膜而聚集在一起,从而沉入下层,而油聚集后因密度小于水会上浮至上层,从而使得η升高,η降低。当冷冻时间由12 h增加至20 h时,内相水滴和外油相形成的冰晶量会增多,所以对油水界面膜的破坏更彻底,解冻时水相和油相更易聚集。在20 h后随着冷冻时间的延长,内相水滴和外油相形成的冰晶量仍旧会增多,在相同的解冻时间内,在任一解冻时间点,冷冻24 h和28 h的体系内存在的未解冻的微冰晶和微油晶会增多,这不利于水滴和油的聚集,所以冷冻时间增加至24 h和28 h时η增大。η在冷冻时间为20 h时最小,故最佳的冷冻时间为20 h。

    3)冷冻-空气解冻总次数对ηηi的影响。如图6所示,冷冻-空气解冻次总次数为3次时,ηη均达到最大,分别为26.09%和28.30%。由此可知,只有在第1、2、3次冷冻-空气解冻过程中有有机物质挥发到空气中,同时有浮沫产生。由于挥发性有机物在冷冻-空气解冻3次后已基本挥发完全,浮沫在第4次和第5次冷冻-空气解冻过程中也不再产生,故在3次冷冻-空气解冻后ηη均趋于稳定。由图6可知,当冷冻-空气解冻总次数由1次增加至5次时,η为17.04%~21.30%,并无显著变化,所以冷冻-空气解冻总次数对η影响较小。η在冷冻-空气解冻总次数为3次时最小,为26.75%,故选择最佳冷冻-空气解冻总次数为3次。

  • 1)响应面法设计。为评价各因素对响应值影响的强弱,根据响应面法原理,以解冻时间(X1)、冷冻时间(X2)、冷冻-空气解冻总次数(X3)为自变量,以η′为响应值建立模型,采用Design Expert 10软件里面的Box-Behnken响应面法对上述影响因素进行交互作用分析,同时进一步优化其操作值。以单因素实验结果为基础,采用Box-Behnken设计因素编码及水平,详见表1

    根据表1设计因素和水平,采用Box-Benhnken得到试验分析方案,详见表2前4列。根据表2中所列实验方案开展实验,所得实验结果详见表2第5列。

    2)响应面分析。根据表2中实验结果,采用Box-Behnken进行拟合[14],响应值η′和各因素之间的二次多项式回归方程如式(6)所示。

    模型的可决系数R2=0.957 5,即实际值与预测值之间的相关系数为95.75%,模拟η′和实测η误差较小[15];离散系数CV=2.13%<10%,说明模拟结果的可信度和精确度高;Radj2=0.902 8,说明η′的变化有90.28%来源于解冻时间、冷冻时间和冷冻-空气解冻总次数。精密度即信噪比,精密度为10.994大于4,说明回归方程拟合良好[16]η′回归模拟的方差分析结果见表3

    表3可知,模型P=0.000 5<0.01,说明该模型对结果影响是显著的,模型与实际情况相符,实验误差小,说明回归方程能较合理的预测冷冻-空气解冻预处理条件对η′的影响。失拟性检验P=0.210 8>0.05,在α=0.05水平上失拟差异不显著,即不存在失拟因素,得到的模型与期望函数模型比较相符[17-18]。根据F值的大小,可以得出3个因素对η′影响的大小顺序为X3>X2>X1,即冷冻-空气解冻总次数>冷冻时间>解冻时间。其中二次项X1X2X1X3对结果影响显著(0.01<P<0.05),X22X32效果显著(P<0.01)。

    4)双因素交互作用分析。3个影响因素之间相互作用的等高线和响应面图分别如图7~图9所示。等高线图中心位置呈椭圆形,说明两因素交互作用显著,而中心呈圆形的两因素交互作用较弱[19];椭圆长轴方向的因素影响效果要大于椭圆短轴方向的因素。响应面图中,响应曲面颜色越深,说明响应值越小;响应曲面越陡峭,说明因素对响应值的影响越大[20]

    图7反映了冷冻时间和解冻时间的交互作用对η′的影响。由图7(a)可以看出,等高线图形呈椭圆形,说明解冻时间和冷冻时间两因素交互作用显著。由于椭圆长轴方向指向冷冻时间,短轴方向指向解冻时间,故冷冻时间对η′的影响效果大于解冻时间。由图7(b)可以看出,响应曲面颜色逐渐加深,η′逐渐减小;响应曲面弯曲陡峭,说明解冻时间和冷冻时间对η′影响较强。

    图8反映了解冻时间和冷冻-空气解冻总次数的交互作用对η′的影响。由图8(a)可知,解冻时间和冷冻-空气解冻总次数之间交互作用显著;冷冻-空气解冻总次数对η′的影响效果大于解冻时间。由图8(b)可知,解冻时间和冷冻-空气解冻总次数对η′影响较大。

    图9反映了冷冻时间和冷冻-空气解冻总次数的交互作用对η′的影响。由图9(a)可以看出,等高线图形接近于圆形,这说明冷冻时间和冷冻-空气解冻总次数两因素交互作用不明显;由于指向冷冻-空气解冻总次数的中心轴略长于指向冷冻时间的中心轴,故冷冻-空气解冻总次数对η′的影响略大于冷冻时间。由图9(b)可以看出,响应曲面颜色逐渐加深,η′逐渐减小;响应曲面越弯曲陡峭,说明冷冻时间和冷冻-空气解冻总次数对η′影响较大。

    图7~图9可知,3个因素对η′的影响大小顺序为冷冻-空气解冻总次数>冷冻时间>解冻时间,这与表3中所得的F值结果一致。

    5)最优结果分析与模型的验证。通过Box-Behnken分析得到3个因素的最优操作值分别为解冻时间6.94 h、冷冻时间19.84 h、冷冻-空气解冻总次数3.06次,此时最佳响应值η′为25.26%。为了对预测结果进行验证,在解冻时间为6.94 h,冷冻时间为19.84 h,冷冻-空气解冻3次的操作条件下,进行3组平行验证实验,实测得到η为26.60%±0.34%,与模型预测值η′的相对误差为1.34%±0.34%,相对误差小于5%,这说明实测值与模型预测值之间吻合良好。由此可知,该模型对η′的相关优化和预测结果均是可靠的;实测得到中层废水水质指标,TOC值为(1 948.96±31.36) mg·L−1,pH为7.84±0.13、BOD5/COD为0.27±0.03。由BOD5/COD比值可知,中层废水的后续处理可以考虑使用生物法。

  • 在解冻时间为6.94 h,冷冻时间为19.84 h,冷冻-空气解冻3次的操作条件下,进行了3组平行验证实验。对其中1组验证实验后的解冻液进行平均粒径分析和微观形态观察,对3组平行验证实验后的解冻液进行了含油量测定。

    1)微观粒径分析。原切削液废水平均粒径为281 nm,冷冻-空气解冻第1、2和3次后的上层浮沫平均粒径分别为2 160、3 992和5 982 nm,冷冻-空气解冻3次后中层废水和下层废水的平均粒径分别为1 887 nm和2 239 nm。由此可知,每次冷冻-空气解冻之后的浮沫和第3次解冻后的中层、下层废水粒径较原切削液废水粒径均明显增大,且浮沫的粒径随着冷冻-空气解冻总次数的增加而逐渐增加。

    图10(a)可知,原切削液废水粒径很小,而经冷冻-空气解冻3次之后,中层和下层的水滴粒径变大,且下层废水粒径大于中层废水粒径。随着冷冻-空气解冻操作次数由1次增加至3次,浮沫中油滴粒径显著增大,第3次解冻后浮沫中油滴粒径,连结成一片。迟延娜[21]利用冷冻-空气解冻技术在花生水相提油过程中,观察乳状液在冷冻-空气解冻处理前后的微观结构,发现一次解冻后油滴明显变大或成串存在。FENG等[7]发现经冻融处理切削液废水后,液滴粒径也明显变大。

    2)验证实验前后含油量测定。原切削液废水及冷冻-空气解冻后各层含油量及占比见表4。由表4可知,冷冻-空气解冻之后,上层浮沫单位体积含油量为(18 738±8) mg·L−1,远高于原切削液废水。这可能是因为在冷冻-空气解冻后,油水发生分离,油的密度小于水而上浮。而下层废水单位体积含油量与原切削液废水相比几乎没有变化。中层废水体积约占原切削液废水总体积的75%,单位体积含油量为(1 106±8) mg·L−1ξ为24.54%。因上层浮沫和下层废水含油量较高,将上层浮沫和下层废水混合在一起,根据机械加工厂常用的切削液废水回收再利用方法,采用超滤膜[22-23]过滤上层浮沫和下层废水混合后的废液,得到的滤液中补充加入新的切削液浓缩液后,可将其再次使用到机械加工生产线中。

  • 1)采用冷冻-空气解冻法预处理切削液废水,解冻后产生的上层浮沫和下层废水可考虑回收再利用,中层废水作为冷冻-空气解冻预处理后的出水,其ηξ均较小,说明该处理方法有良好的预处理效果。

    2) 3个影响因素对η的影响顺序为冷冻-空气解冻总次数>冷冻时间>解冻时间。在响应面法得到的最优操作条件下(冷冻19.84 h、解冻6.94 h、冷冻-空气解冻3次),经响应面法模拟得到η′为25.26%,实测η为26.60%,两者相对误差小于5%,这说明响应面法预测结果可靠。

    3)在冷冻-空气解冻后,经过平均油滴粒径测定和微观观察,与原切削液废水相比,解冻后上层浮沫的粒径随着冷冻-空气解冻总次数的增加而逐渐增加,且连接成片,中层废水和下层废水的油滴粒径也明显增大或以成串形式存在。

参考文献 (23)

返回顶部

目录

/

返回文章
返回