Académique Documents
Professionnel Documents
Culture Documents
Directores de Tesis:
Dra. Berta Galán Corta
Dr. Javier R. Viguri Fuente
Santander, Septiembre 2017
UNIVERSIDAD DE CANTABRIA
Directores de Tesis:
Dra. Berta Galán Corta
Dr. Javier R. Viguri Fuente
Santander, Septiembre 2017
AGRADECIMIENTOS
Esta Tesis Doctoral no hubiera sido posible sin la ayuda de todas y cada una de las
personas que a continuación citaré y muchas de las cuales han vivido conmigo la
realización de esta Tesis, siendo mi pilar en los momentos de angustia y
desesperación.
Debo agradecer de manera especial y sincera a mis directores de Tesis, Dra. Berta
Galán Corta y Dr. Javier R. Viguri Fuente, por aceptarme para realizar esta Tesis
Doctoral bajo su dirección, su confianza en mi trabajo y capacidad para guiar mis
ideas ha sido un aporte invaluable. Debo destacar, por encima de todo, la
disponibilidad, apoyo y paciencia de la Dra. Berta Galán Corta que hizo que
nuestras largas discusiones concluyeran de forma beneficiosa tanto a nivel
científico como personal. Muchas gracias.
I
A MIS ABUELOS LEONOR Y RUFINO
BIFFY CLYRO
II
TABLA DE CONTENIDOS
AGRADECIMIENTOS ............................................................................................................ I
TABLA DE CONTENIDOS .................................................................................................... III
RESUMEN EJECUTIVO ...................................................................................................... VII
RESUMEN GENERAL .......................................................................................................... XI
1. INTRODUCCION ............................................................................................................. 1
III
4. MODELO MATEMÁTICO DE REACTORES MBBR EN EL TRATAMIENTO DE
AGUAS RESIDUALES DE ALTA CARGA ORGÁNICA .................................................. 97
5.1. Modelo matemático del proceso MBBR incluyendo sedimentación ........... 137
5.2. Condiciones de operación ................................................................................ 142
5.3. Resultados y discusión ........................................................................................ 142
IV
8. METODOLOGÍA DE OPTIMIZACIÓN DE UN PROCESO BAS ..................................... 195
V
RESUMEN EJECUTIVO
VII
EXECUTIVE SUMMARY
In this thesis it is presented the analysis and mathematical modeling with predation
and hydrolysis for a biological MBBR process (Moving Bed Biofilm Reactor) and a
BAS (Biofilm Activated Sludge) biological process at industrial scale.
IX
RESUMEN GENERAL
El proceso BAS (Biofilm Activaded Sludge) está constituido por una primera etapa
de biopelícula con uno o varios reactores MBBR en serie y una segunda etapa de
fangos activos (FA) en un reactor con crecimiento microbiano en suspensión. Esta
combinación de etapas le confiere como característica única: la proliferación de
diferentes grupos de microorganismos en cada etapa siendo los depredadores la
población mayoritaria en la etapa FA. La predominancia de depredadores en la
última etapa del proceso BAS aporta una ventaja económica dado que la
producción de fango y los requerimientos de nutrientes son mucho menores que
en los procesos biológicos convencionales.
XI
metabolismo de los microorganismos y sus interacciones en los reactores
biológicos. Los modelos de fangos activos ASM (Activated Sludge Models),
propuestos a finales de la década de los 80 por la asociación internacional del
agua (IWA, International Water Association), siguen siendo los más utilizados para
describir los procesos biológicos. Sin embargo, estos modelos no incluyen el
mecanismo de depredación de las bacterias, al no considerarse un proceso
biológico relevante en los procesos convencionales, dado que representa
aproximadamente un 5 % de la población microbiana. Actualmente, en la
literatura existen escasos trabajos que incluyan el mecanismo de depredación en
los modelos matemáticos utilizados para describir los procesos biológicos que
ocurren en una EDAR y no se encuentra ningún modelo aceptado por la
comunidad científica donde se incluya el proceso de depredación en un cultivo
de biopelícula y en procesos donde se combinan etapas de biopelícula con
etapas de cultivo en suspensión.
XII
condiciones de operación estables y flexibles adaptadas al proceso de
producción industrial.
XIII
lentamente biodegradables procedentes de la inactivación de los
microorganismos en el líquido del reactor y b) el crecimiento de microorganismos
depredadores en el líquido y en la biopelícula. El modelo se podrá utilizar para
diferentes tipos de aguas residuales con alta DQO tratadas en reactores MBBR
bajo diferentes condiciones de operación.
XIV
reactor MBBR2 en determinadas condiciones de carga orgánica (SCLR) y por
último la etapa donde predominan los microorganismos depredadores
corresponde con el reactor de fangos activos.
Los resultados tanto experimentales como simulados del proceso BAS, indican que
el mecanismo de depredación es el principal responsable de la reducción de los
requerimientos de nutrientes de hasta un 44 % (100DQOs:1,13N:0,24P) comparado
con los requerimientos típicos de un proceso de fangos activos convencional
(100DQOs:5N:1P). Respecto a la producción de fangos, se compararon los valores
simulados obtenidos mediante la activación y desactivación de la función
matemática que describe el proceso de depredación en la etapa FA,
obteniendo una disminución de hasta un 46 % cuando el proceso biológico de
depredación se activa en el modelo matemático. Además, se compararon los
resultados experimentales del sludge yield (Ton SST/Ton DQOs eliminada) entre los
procesos MBBR y BAS a escala industrial, siendo destacable una disminución de
hasta un 84 % cuando se opera con el proceso BAS. Por lo tanto, la implantación
de la etapa de fangos activos en la EDAR industrial para poder operar como un
proceso BAS supone una reducción en los costes operacionales de hasta un 30 %.
XV
fango en exceso y la producción de fango para cada escenario. La principal
reducción del coste total de operación proviene de la disminución de nutrientes.
Por último, se verifican las condiciones óptimas obtenidas para los valores de la
concentración de SST en la corriente de fango en exceso (SST P) y el factor de
recirculación de fango (R) mediante el método gráfico State Point Analysis (SPA),
el cual permite comprobar si la función de clarificación y espesamiento fallan en
la última etapa del proceso BAS cuando se opera con los valores óptimos de SST P
y R. El uso de modelos que incluyen depredación e hidrólisis apoyados en
herramientas de simulación, proporciona tanto predicciones de rendimiento más
precisas, como la posibilidad de optimizar sistemas complejos de EDAR basados
en BAS.
XVI
sistemática de optimización multi-objetivo del proceso global BAS para aguas
residuales con alta carga orgánica y limitación de nutrientes. Los resultados
obtenidos permiten dotarse de información útil para la toma de decisiones en la
operación y optimización de procesos de tratamiento biológico BAS, además de
mejorar la comprensión de las interacciones entre los diferentes grupos de
microorganismos involucrados.
XVII
OVERALL SUMMARY
Water consumption and water emissions from industrial activities are important
sustainability issues that cause a deterioration of the water bodies quality
associated to the change of the physical, chemical and biological characteristics.
The biological treatment of the wastewater improves its quality before being
discharged into the aquatic environment. An alternative to improve conventional
biological treatments is the moving bed biofilm reactor (MBBR) technology that
can be applied to both municipal and industrial wastewater. This technology is
based on the growth of microorganisms in a biofilm adhered to plastic carriers that
are in continuous movement in biological reactor. These carriers (small size and
high specific surface) allow growth of more microorganisms, greater activity and
greater resistance to toxic substances than biological flocs (growth in suspension)
in conventional reactors.
One of the main applications of the BAS process is the biodegradation of organic
matter in wastewater with high organic load and nutrient deficiency, such as
wastewater from the cellulose and viscose, petrochemical, pharmaceutical, food
and textile industries. The large volumes of highly contaminated wastewater from
these industrial sectors, together with the increasing standards of water quality,
constitute an adequate framework for the implementation of BAS process with
high operating efficiencies.
The optimal operation of a BAS process at industrial scale is facilitated when the
simulation and optimization with a successful model can be carried out. The
mathematical model requires to describe correctly the metabolism of
microorganisms and their interactions in biological reactors. The Active Sludge
Models (ASM), proposed by the International Water Association (IWA) in the late
XIX
1980's, are still the main models to describe biological processes. However, these
models do not include the predation mechanism of bacteria since it is not
considered a relevant biological process in conventional systems (represents
approximately 5 % of the microbial population). Currently, there are few studies in
the literature that include the predation mechanism in the mathematical models
used to describe the biological processes that occur in a wastewater treatment
plant (WWTP); additionally, there is not model accepted by the scientific
community where predation is included in a biofilm culture and/or in processes
where biofilm stages are combined with suspended culture stages.
The industrial installation in which this Thesis has been developed, is a WWTP based
on MBBR and/or BAS process to treat cellulose and viscose industry wastewater.
The WWTP was constructed and operated with two sequenced biological
processes. Initially, the MBBR process constituted by two MBBR reactors and a
secondary clarifier stage; subsequently, in BAS process where an active sludge
reactor was included. In both processes, the operation of the WWTP has been
limited by the production of the industrial plants linked to this WWTP. As a
consequence, different work scenarios with different wastewater origin and
characteristics the have been considered in the present Thesis.
With these premises, the postulated hypothesis of this Thesis is “that it is possible the
operation improvement of an industrial WWTP with a BAS process that treats
wastewater with high content in organic matter and limitation of nutrients, through
the generation of an integrated model (biofilm and suspension with predation),
which is implemented for simulation and multi-objective optimization”.
The achievement of this goal involves the industrial research focused to the
proposal of a general mathematical model that integrates biofilm and suspension
cultures stages, including predation mechanisms. This model, once validated, will
allow the simulation of the BAS process and its multi-objective optimization
obtaining useful information for decision making process in the optimal operation
of BAS technology apply to high organic load and nutrient limitation.
XX
Following the proposed general objective, a series of specific objectives with
associated tasks have been proposed, allowing the achievement of the related
results:
Model calibration is done for the parameters with higher influence on the WWTP
under study: stoichiometric parameters related to the nutrient content (N and P) in
the active biomass (heterotrophic, autotrophic and predators microorganisms)
and in inert biomass; the estimation was carried out based on experimental data.
Other parameters of the model were obtained from the literature.
The validation of the proposed model was confirmed using wastewater from the
cellulose and viscose industry with two in-series MBBR reactors working in three
scenarios of the industrial WWTP. The simulated values of soluble COD (CODs), Total
Suspended Solids (TSS), Total Soluble Nitrogen (TNs) and soluble inorganic
Phosphorus (SPO4) are compared with the experimental values in output streams of
reactors and the standard deviations calculated were lower than 15% in the three
different studied scenarios.
XXI
bulk liquid. The proposed model allows the simulation of the different substrates
and nutrients concentrations in the biofilm, establishing the limiting substrate for
microbial growth.
The first MBBR reactor is the bacterial stage, the second MBBR reactor is the
bacterial-predator stage and the AS reactor is the predator stage. Both
experimental and simulated BAS results shows the predation mechanism as the
main cause of nutrient requirements reductions: up to 44 % (100CODs:1.13N:0.24P)
compared to the conventional AS process (100CODs:5N:1P). Sludge generation is
compared switching predation process ON and OFF in the mathematical model,
obtaining a reduction of up to 46 % when predation was ON. In addition, the
experimental results of the sludge yield (Ton SST/Ton CODs removed) were
compared between the MBBR and BAS processes at industrial scale, with a
decrease up to 84 % when operates using the BAS process. Therefore, the
implementation of the activated sludge stage in the industrial MBBR based WWTP,
entails a reduction in operational costs up to 30 %.
XXII
Simulated results using BioWin do not fit properly the experimental concentrations
of COD and SST for the treatment of cellulose and viscose wastewaters (standard
deviations higher than 12 % and 25 %, respectively); however, using a general
chemical engineering process software, that includes a detailed model with
predation, the simulated results show deviations lower than 10 %.
The incorporation of the mathematical model to the ACM optimization tools allows
obtaining the optimal values for the CODs:N:P ratio, the excess sludge stream flow
rate and the sludge production for each studied scenario. The main reduction of
total operational cost comes from the nutrients diminution, with additional cost
reductions through the optimization of the production and concentration of excess
sludge.
Finally, the optimum conditions obtained for the values of the TSS concentration in
the excess sludge stream (TSSW) and the sludge recirculation factor (R) are verified
by the State Point Analysis (SPA) graphical method, which allows to check the
clarification and thickening functions in the last stage of the BAS process. The use
of models that include depredation and hydrolysis supported by general simulation
tools provides both more accurate predictions of performance and the
optimization of a complex WWTP based on BAS systems.
XXIII
The main contribution of this Thesis is the obtaining of a validated mathematical
model for the BAS process that integrates the MBBR stages and the AS stage,
including predation, together with the proposal of a systematic methodology of
multi-objective optimization of the global BAS process for wastewater with high
organic load and nutrient limitation. The obtained results allow obtaining useful
information to the decision making process in the operation and optimization of
BAS processes improving the understanding of the microorganisms interactions.
XXIV
1. INTRODUCCION
Calibración
Modelado Validación
matemático
1
Simulación
Procesos biológicos :
Biopelícula
Comunidades Suspensión
microbianas
Caracterización
de aguas
residuales
1
1.1. Caracterización del agua residual
Las aguas residuales son caracterizadas por contener una fracción orgánica y
una fracción inorgánica; a su vez, cada fracción se subdivide en distintas
fracciones en función de diferentes características tales como la solubilidad,
sedimentabilidad, biodegradabilidad, utilizables biológicamente y precipitables
como se muestra en la Figura 1-1 (Henze et al., 2008). Las fracciones orgánicas
biodegradables son transformadas por los microorganismos en productos estables
químicamente y en nuevos microorganismos, y las fracciones inorgánicas solubles
biológicamente utilizables son absorbidos por los microorganismos formando parte
de los mismos o transformándose a gas.
3
de análisis estandarizados basados en las dos propiedades citadas anteriormente:
a) DBO (demanda biológica de oxígeno) y, b) DQO (demanda química de
oxígeno) (van Haandel y van der Lubbe, 2015). En ambos métodos, la
concentración de material orgánico es calculada mediante el consumo del
oxidante empleado necesario para la oxidación del material orgánico.
4
1.2. Comunidades microbianas presentes en el tratamiento de aguas
residuales
Bacterias
Son las encargadas de degradar bioquímicamente los contaminantes del agua
residual, tales como el material orgánico y nutrientes. La bacteria puede formar
colonias en forma de flóculos, biopelícula o puede vivir de forma aislada
(bacterias nadadoras libres). Las bacterias constituyen el grupo más grande e
importante de un tratamiento biológico. La principal clasificación de las bacterias
se puede realizar en función del origen del carbono necesario para la síntesis de
nuevos microorganismos y en función de las condiciones de ausencia o presencia
de oxígeno en el reactor biológico (Figura 1-3).
Condiciones aerobias
(presencia de oxígeno)
CO2 + H2O NO3- + H2O
Heterótrofas Autótrofas
aerobias O2 aerobias O2
CO2 + N2
Condiciones anaerobias
SO42 (ausencia de oxígeno y de
-
nitrato)
SH2 + H2O+ CO2 Sin agente
oxidante externo
Heterótrofas Ácidos grasos
anaerobias volátiles
5
Los microorganismos heterótrofos utilizan como fuente de carbono el material
orgánico para su biosíntesis (nuevos microorganismos) en diferentes condiciones
del medio líquido: aerobias (agente oxidante externo, oxígeno), anóxicas
(ausencia de oxígeno y el agente oxidante es el nitrato) y en condiciones
anaerobias (ausencia de oxígeno y nitratos), con diferentes agentes oxidantes
externos tales como el sulfato y el dióxido de carbono o sin agente oxidante
externo (fermentación). Sin embargo, los microorganismos autótrofos están
relacionados con el denominado proceso de nitrificación (oxidación del
nitrógeno amoniacal a nitrato), utilizando el dióxido de carbono para su biosíntesis
en condiciones aerobias.
6
capaces de sobrevivir en condiciones de baja concentración de bacterias (von
Sperling, 2007).
Metabolismo bacteriano
El mecanismo más importante para la degradación de la materia orgánica
presente en el agua residual, es el metabolismo bacteriano. Para la selección del
tipo de tratamiento biológico, es importante entender las reacciones bioquímicas
que constituyen el metabolismo de los microorganismos.
7
El metabolismo bacteriano consta de tres fases que ocurren simultáneamente,
catabolismo, anabolismo y endogénesis. El material orgánico se degrada en la
fase de catabolismo microbiano, donde se transforma en productos estables
químicamente, liberando energía para ser utilizada en la síntesis de nuevo
material celular (anabolismo). En primer lugar, el material orgánico debe penetrar
en la célula a través de su membrana citoplasmática; si el material orgánico está
disuelto, penetra directamente; sin embargo, si el material orgánico está en
suspensión (partículas de gran tamaño molecular), estás deben reducirse de
tamaño mediante hidrólisis por exoenzimas producidas por la propia célula.
8
Biomasa
Nutrientes Heterótrofa
exógenos Endogénesis
(N y P) Anabolismo
Material
orgánico
disuelto Material
Material
orgánico Inerte
Hidrólisis Energía particulado
particulado
endógeno endógeno
Catabolismo
Productos
finales Nutrientes
CO2 y H2O endógenos
Material
orgánico
particulado
exógeno
9
para la síntesis de nuevo material celular. Este es el motivo por el que el
oxígeno disuelto es el primer aceptor de electrones utilizado por los
microorganismos. Una vez consumido el oxigeno, las condiciones dejan de ser
aerobias. Si en el medio existen iones nitrato (condiciones anóxicas), los
microorganismos son capaces de utilizar el nitrato para su respiración
(desnitrificación). Seguidamente, cuando el nitrato ha sido consumido
completamente, las condiciones del medio son estrictamente anaerobias y los
sulfatos son reducidos a sulfuro de hidrógeno. Por lo tanto, mientras en el medio
exista una sustancia con mayor liberación de energía, las otras no serán
utilizadas (Lubberding, 1995). En este contexto, los microorganismos se pueden
adaptar a las diferentes condiciones del medio líquido: a) estrictamente
aerobios, solamente utilizan el oxígeno para su respiración, b) facultativos,
utilizan preferentemente el oxígeno, pero si este no está presente pueden
utilizar el ión nitrato, y c) estrictamente anaerobios, utilizan el sulfato o el dióxido
de carbono como aceptor de electrones.
El objetivo del catabolismo es almacenar tanta energía como sea posible en una
forma disponible para los microorganismos por lo que la rapidez de degradación
del material orgánico y el ratio de reproducción de los microorganismos aerobios
es mucho mayor que los microorganismos fermentativos (Metcalf y Eddy, 2003).
Una clasificación general de los microorganismos presentes en los tratamientos
biológicos para aguas residuales en función de su catabolismo se muestra en la
Tabla 1-1.
10
Tabla 1-1. Clasificación de los microorganismos en función de la fuente de carbono, productos finales,
aceptor y donador de electrones (Metcalf y Eddy, 2003).
Fuente
Donador Aceptor Productos
Bacteria Reacción de
e- e- finales
carbono
Heterótrofa Material Material
Oxidación O2 CO2 y H2O
aerobia orgánico orgánico
Autótrofa
Nitrificación CO2 NH4+ O2 NO3- y H2O
aerobia
Sustrato Biomasa
(Material orgánico) (población bacteriana)
Tiempo
11
Fase estacionaria: la concentración de biomasa permanece prácticamente
constante en el tiempo debido a que el sustrato comienza a escasear en el
reactor, limitando el crecimiento bacteriano y por lo tanto la velocidad de
crecimiento bacteriano es equivalente a la velocidad de muerte celular.
12
1.3. Clasificación general de los procesos biológicos para el tratamiento
de aguas residuales
Los flóculos están formados por bacterias, pero además pueden ser colonizados
por otros microorganismos, tales como los protistas, metazoos y bacterias
filamentosas. Los protistas y metazoos contribuyen a la eliminación de sólidos
(bacterias) en el agua depurada (von Sperling, 2007). Sin embargo, la
proliferación de bacterias filamentosas pude ser beneficiosa o perjudicial en la
cohesión del flóculo. Las bacterias filamentosas se originan por la división celular
de otras bacterias que se quedan asociadas entre sí, formando largos filamentos
que en ocasiones pueden llegar a medir varios milímetros de longitud. Un correcto
balance entre las bacterias formadoras de flóculo (microestructura) y bacterias
filamentosas que dan consistencia al flóculo (macroestructura) es necesario para
asegurar la buena sedimentabilidad de los flóculos (Ferrer y Seco, 2007; Zornoza et
al., 2008).
13
función metabólica de las bacterias es diferente. Si en el medio líquido la
concentración de oxígeno disuelto es menor a 0,5 g/m3 (von Sperling, 2007), en el
interior del flóculo, se asume que las condiciones son anóxicas (si en el medio hay
nitratos) o anaerobias, dando lugar a las correspondientes reacciones
metabólicas características.
FLOCULO BIOPELICULA
Matriz
polimérica
Soporte
Protistas y
metazoos
Bacteria Bacteria
filamentosa
Protistas y
metazoos
Bacteria Oxígeno
2-3 g/m3
Oxígeno
<0,5 g/m3
Matriz
polimérica
0
14
1.3.1. Cultivo en suspensión aerobio: proceso de fangos activos (FA)
El proceso biológico de fangos activos (FA) fue desarrollado hace más de 100
años (Modin et al., 2016; Dai et al., 2016) y se basa en el mantenimiento de
microorganismos en suspensión dentro un reactor biológico. Hoy en día sigue
siendo el proceso biológico más comúnmente utilizado en el tratamiento de
aguas residuales industriales y municipales (Figura 1-8).
Aireación
15
velocidad de crecimiento de los microorganismos; si el valor de EF es inferior al
tiempo de generación de nuevos microorganismos, estos son eliminados con el
efluente del reactor antes de su división celular y por lo tanto no se desarrolla
una biomasa estable. La velocidad de crecimiento de determinados
microorganismos como los autótrofos (nitrificación), es menor que para los
heterótrofos y por este motivo, los autótrofos requieren un valor de EF superior a
los heterótrofos.
donde:
QR
R(%) 100 (Ec.1-2)
QInf
16
QP SSTP (Ec.1-3)
SY(Ton SST/TonDQOs) 10 6
DQOs Inf
- DQOs Efl QInf
17
V30 (ml/l) (Ec.1-4)
IVF(ml/g) 10 3
SSTFA (g/m3 )
Ambos tratamientos cumplen con los requisitos exigibles en la calidad del agua;
sin embargo, su elección depende de diferentes aspectos como los económicos,
técnicos y de operación.
18
Tabla 1-2. Influencia de la edad del fango (EF) en las principales variables de control en un proceso
convencional y de aireación extendida.
19
Bacteria Exceso de filamentos en Fallo en la
filamentosa el exterior del flóculo macroestructura del
flóculo
20
resolverse mediante un aumento del caudal de recirculación (QR) para
disminuir el TRH en el decantador secundario entre 1-3 horas; sin embargo, si el
TRH es menor 1 hora, las turbulencias generadas pueden provocar la elevación
del fango hacia la superficie (van Haandel y van der Lubbe, 2015).
Hoy en día, las exigencias en el tratamiento de las aguas residuales son cada vez
mayores y por tanto los trabajos de investigación en este campo están dirigidos al
desarrollo de nuevos tratamientos biológicos con el fin de aumentar la capacidad
de tratamiento de los reactores convencionales, incrementando la cantidad de
microorganismos sin necesidad de aumentar el volumen de los reactores (Leiva,
2015). Entre las nuevas tecnologías, los procesos biológicos de biopelícula de
lecho móvil MBBR se presentan como una solución atractiva ante los problemas
de operación de un proceso convencional de fangos activos por los siguientes
motivos (Ødegaard, 2000; Zalakain y Manterola, 2011a, b; Pinjarkar et al., 2017):
Tecnología MBBR
La tecnología MBBR fue desarrollada por el profesor Ødegaard a finales del año
1980 y se basa en la formación de una biopelícula, donde los microorganismos se
adhieren a un soporte o lecho. Estos soportes se mantienen móviles y en
suspensión dentro del reactor. En los años 1990 fue comercializada por la empresa
Kaldnes Milijoteknologi, más tarde por la empresa Anoxkaldnes división de la
empresa Veolia, encargada del tratamiento biológico de aguas residuales. Existen
más de 1200 plantas de tratamiento para aguas residuales industriales y urbanas
21
(Boltz et al., 2017) distribuidas en 50 países diferentes que utilizan la tecnología
AnoxKaldnesTM MBBR (van Haandel y van der Lubbe, 2015).
Retención de soportes
MBBR
MBBR anóxico o
aerobio anaerobio
Influente Efluente Influente Efluente
Aireación Agitación
mecánica
Soporte plástico
22
Los soportes plásticos están en continuo movimiento dentro del reactor y debido
al efecto de cizalladura por los choques entre ellos, el exceso de biopelícula se
desprende de forma automática (auto-regulación del espesor de la biopelícula),
evitando la colmatación en el soporte y dando lugar a un reactor biológico con
una elevada concentración de biomasa activa (Qiqi, 2012). La biomasa
desprendida de los soportes será el fango en exceso del tratamiento y no es
necesaria su recirculación al reactor biológico.
23
Eliminación de DQO Eliminación de nitrógeno
Coagulante DQO
Coagulante
Coagulante DQO
Coagulante
DQO
Nitrificación
Coagulante
Figura 1-11. Esquema de las principales configuraciones del proceso MBBR según
el objetivo de eliminación. (Ødegaard, 1999; McQuarrie y Boltz, 2011).
Procesos de alta carga “High rate”: se caracterizan por tratar aguas residuales
de alta carga orgánica o DQO (Figura 1-11a, b y c). En estos procesos el
objetivo es eliminar la DQO soluble rápidamente biodegradable en reactores
compactos, es decir, con un TRH< 3 horas, con el fin de favorecer el
crecimiento de una biomasa con alta actividad y especializada en la
eliminación de material orgánico soluble. La actividad de la biomasa en un
reactor MBBR es varias veces superior a la de la biomasa en suspensión de un
reactor de fangos activos (van Haandel y van der Lubbe, 2015).
24
autótrofos (microorganismos de crecimiento lento) debido a que pueden
competir con los heterótrofos por el nitrógeno amoniacal y el oxígeno cuando
la carga orgánica es baja. La aparición de nitrificación en el segundo reactor
MBBR dependerá de las concentraciones de nitrógeno amoniacal, oxígeno y
carga orgánica.
Procesos de baja carga “Low rate”: se caracterizan por tratar aguas residuales
de baja carga orgánica (Figura 1-11d, e, f, g, h, i, j). Estos procesos son
aplicados a la nitrificación (Melin et al., 2004; Bjornberg et al., 2009, 2010) y
eliminación de nitrógeno (Bill et al., 2009; Mases et al., 2010):
25
material orgánico en un reactor de fangos activos seguido de reactores MBBR
para la nitrificación (1-11f). El factor clave para que la nitrificación se produzca
es la carga orgánica que deberá ser lo más baja posible mientras que la
concentración de nitrógeno amoniacal es solamente el limitante de la tasa de
nitrificación; es decir, cuanto mayor sea la concentración de nitrógeno
amoniacal, mayor será la tasa de nitrificación.
La mayoría de los diseños de los soportes MBBR cuentan con una matriz de
canales o huecos; sin embargo, toda la superficie del soporte no se cubre
26
generalmente con biopelícula debido a que los soportes chocan en el reactor
MBBR y la biopelícula que crece en el exterior del soporte se desprende
(Ødegaard, 1999). Debido a este fenómeno se define el concepto de
superficie protegida o superficie efectiva como la superficie del soporte que
está disponible para el crecimiento de la biopelícula en un ambiente
protegido, y es una unidad de uso común para clasificar los soportes de un
proceso MBBR (Ødegaard et al., 1994).
Tabla 1-3. Propiedades físicas de los principales soportes plásticos de AnoxkaldnesTM (McQuarrie y Boltz,
2011; Barwal y Chaudhary 2014).
SE Materia Espesor Diámetro
Modelo Fotografía
(m2/m3) l (mm) (mm)
K3 500 PEAD 12 25
27
protegida extremadamente alta (van Haandel y van der Lubbe 2015). Por lo
general, la vida útil de los soportes plásticos disponibles en el mercado varía de
10 a 30 años (Barwal & Chaudhary, 2014)
Carga orgánica soluble aplicada (SCLR, soluble COD loading rate): es la carga
diaria de DQO soluble biodegradable aplicada por área de biopelícula en un
reactor MBBR (g DQO/m2 día) e influye en la diversidad microbiana de la
biopelícula y en la hidrólisis de la DQO particulada lentamente biodegradable:
28
extremadamente alta, el desprendimiento de la biopelícula es demasiado
elevado y además provoca el desgaste de los soportes plásticos (Barwal &
Chaudhary, 2014).
Etapa de
Etapa de desprendimiento
crecimiento
Biopelícula
Etapa de
adherencia
Bacteria
29
suspendida (Mašić et al., 2010). En consecuencia, esto conduce a una
biopelícula estratificada (Leiva, 2015) con una estructura dinámica
tridimensional (3D) compleja y en la que se desarrollan sus rasgos heterogéneos
(Mašić, 2013). Finalmente, en la última etapa de desprendimiento de la
biopelícula, parte de la biopelícula se desprende a la fase líquida del reactor
MBBR. El desprendimiento es el proceso que gobierna la acumulación de
biomasa en los soportes plásticos y la producción de sólidos suspendidos
(Goode, 2010). Generalmente, el desprendimiento en un proceso MBBR se
genera principalmente por fuerzas de cizallamiento provocadas por la colisión
entre los soportes plásticos, por depredación de microorganismos
depredadores (protistas y metazoos) y porque las capas más internas de la
biopelícula entran en anaerobiosis provocando el desprendimiento de la
misma de forma automática (Zalakain, 2009).
ii) Supone un proceso con gran flexibilidad ya que, en función del porcentaje de
soporte plástico empleado en el reactor, se consigue modificar la superficie
específica protegida y en consecuencia la eficiencia del proceso.
iv) La operación y control de este tipo de procesos son sencillos. Por un lado, el
proceso evita los problemas de obstrucción y consecuentemente periodos de
limpieza continuados, y por otro, no es necesario un control de la purga de
fangos ya que el sistema mantiene la biomasa en el reactor hasta que se
desprende del soporte.
30
v) Permite la generación de una biomasa característica de cada tipo de reactor
(aerobio, anóxico o anaerobio) dando lugar a la obtención de una biopelícula
con una elevada actividad.
31
Un pre-tratamiento mediante una etapa de biopelícula, es una forma alternativa
de controlar el crecimiento filamentoso en procesos de fangos activos, debido a
que se favorece el crecimiento de microorganismos de rápido crecimiento
compitiendo con las bacterias filamentosas, es decir, los reactores MBBR actúan
como selectores cinéticos (Slade et al., 2004).
MBBR
aerobio Efluente
Influente Fangos Decantador
activos secundario
aerobio
Aireación
Fango en exceso
Recirculación de fango
32
de bacterias y esta es la razón de la baja producción global de fangos en exceso
en un proceso BAS (Comeau et al., 2003; Rankin et al., 2007).
Tabla 1-4. Guía de diseño de un proceso BAS (van Haandel y van der Lubbe, 2015).
Límites de DBO5
Parámetros de diseño Unidades Bajo Muy bajo
<15 g/m3 <10 g/m3
Eliminación de DQOs en
% 70-80 >90
proceso BAS
SCLR en MBBR g DQO/m2 día 100-200 80-150
33
pre-tratamiento MBBR al proceso de fangos activos (proceso BAS) reduciéndose el
IVF a 70 ml/g (Rankin et al., 2007).
Añadiendo un pre-
tratamiento MBBR al reactor
de fangos activos
Flóculo ideal
Bulking filamentoso
Figura 1-14. Fotografía de los flóculos en a) un proceso de fangos activos y b) en un proceso BAS
(Rankin, et al., 2007).
ii) Tiene menores costes de operación que un proceso de fangos activos, ya que
la producción biológica de fangos en exceso y los requerimientos de nutrientes
son considerablemente menores.
34
iv) Aumenta la eficiencia de eliminación de DQO al incorporar un pre-tratamiento
MBBR y las concentraciones de nutrientes (N y P) en el efluente son bajas.
35
La Tabla 1-5 resume la secuencia metodológica para la construcción de un
modelo de una EDAR; dicha secuencia viene condicionada por las características
específicas del proceso a modelar entre las que cabe destacar la complejidad
de los procesos (no lineales), su elevado número e interconectividad (Jeppson,
1996; Lee et al., 2002; Ruiz, 2014).
36
Tabla 1-5. Metodología de construcción de un modelo para una EDAR
(Petersen et al., 2002; Gernaey et al., 2004).
Aprendizaje: aumentar la comprensión del proceso biológico del
usuario.
Investigación: desarrollar y probar hipótesis para obtener nuevos
conocimientos sobre los procesos.
Control: desarrollo de nuevas estrategias de control mediante las
Definición de
respuestas del sistema a una amplia gama de influentes sin poner
objetivos
en peligro la planta actual.
Análisis del impacto de nuevos requerimientos de efluentes en el
diseño de la planta y costes de operación.
Diseño de alternativas del proceso pueden ser evaluadas para
cumplir los objetivos a un coste mínimo.
Caracterización Concentraciones medias o trayectorias dinámicas de las
del agua residual corrientes en la EDAR a escala real.
Caracterización del modelo biocinético:
Datos por defecto de la literatura e información obtenida a
escala de laboratorio.
Selección del modelo: ASM1, ASM2, ASM2d, ASM3.
Caracterización del modelo del reactor:
Datos de planta de caudales y volúmenes.
Selección del modelo del reactor (flujo pistón o flujo mezcla
completa), volumen constante o variable.
Caracterización
Caracterización del modelo biopelícula:
de modelos
Datos de planta de carga aplicada (SCLR) y datos por
defecto de la literatura.
Selección del modelo: 1D, 2D y 3D.
Caracterización del modelo de sedimentación:
Datos de planta: velocidades de sedimentación e índice
volumétrico de fango (IVF) y datos por defecto de la
literatura.
Selección del modelo: reactivo, no reactivo.
Calibración en estado estacionario: se promedian los datos
obtenidos de la EDAR.
Calibración dinámica: se combinan los datos obtenidos de una
Calibración
EDAR con los datos a escala de laboratorio en reactores
discontinuos secuenciales (SBR) para caracterizar la trayectoria
dinámica en el reactor.
Validación: comparación de los resultados de simulación con los
Validación
datos experimentales de la EDAR.
Evaluación Simulaciones de diferentes escenarios en la EDAR.
37
En los modelos ASM se utiliza una cinética de crecimiento para explicar la
generación de nueva biomasa y la velocidad con la que esta se genera
(Ecuación 1-6); además el crecimiento de la biomasa implica el consumo de
sustrato y se detiene cuando el sustrato está limitado. El efecto de disponer de
cantidades limitadas de sustrato sobre la velocidad de crecimiento de los
microorganismos se describe mediante el modelo cinético de Monod (1949)
definido en la Ecuación 1-7.
rx X (Ec.1-6)
donde:
rx= Velocidad de crecimiento celular (g DQO/m3 día).
µ=velocidad específica de crecimiento (dia-1).
X =concentración de microorganismos (g DQO/m3).
S
x (Ec.1-7)
S KS
donde:
µX= velocidad máxima específica de crecimiento (dia-1).
S= concentración de sustrato que limita el crecimiento (g DQO/m3).
KS= constante de semi-saturación para el sustrato S que mide el grado de
afinidad del microorganismo por el sustrato (g DQO/m3).
S (Ec.1-8)
rx X X
S KS
38
La ecuación 1-7 es válida para un único componente soluble limitante del
crecimiento (S). Sin embargo, la Ecuación 1-9 se utiliza cuando varios sustratos
(modelo multi-sustratos) pueden limitar el crecimiento (Dold et al., 1980).
S S2 S3 Si
rx X 1 .... X (Ec.1-9)
S1 K1 S 2 K 2 S 3 K 3 S i K i
39
S
rx X X bX X (Ec.1-10)
S K S
donde:
bX = velocidad específica de muerte celular (dia-1).
rg YX rS (Ec.1-11)
donde:
YX=coeficiente estequiométrico que relaciona la masa de microorganismos
generados con la masa de sustrato consumido (g DQO/g DQO).
40
2010), fuente de alimento (Sointio et al., 2006) y composición de las aguas
residuales. La presencia de microorganismos depredadores no es relevante en un
proceso convencional de fangos activos, pero se vuelve muy significativa en la
segunda etapa de un proceso BAS debido a que la depredación reduce la
producción de fango en exceso entre un 30-50 % respecto de un proceso FA
convencional (Malmqvist et al., 2008).
Tabla 1-6. Matriz de Petersen para el crecimiento de heterótrofos en condiciones ambientales aerobias
(Henze et al., 2000).
(Si) (Xi)
Componentes i →
Ss SO2 XH Cinética del proceso Pj
Procesos j (Pj) ↓
SS SO2
1 1 YH H XH
1.Crecimiento +1 S K S K
YH YH S S O2 O2 ,H
2.Muerte - -1 -1 bH XH
41
Autores tales como Lidblom (2003), Moussa et al. (2005), Ni et al. (2010, 2011) y Hao
et al. (2011) desarrollaron modelos biocinéticos para estudiar la interacción de
depredadores y bacterias en cultivos mixtos en suspensión mostrando las
siguientes similitudes: a) el modelo biocinético es multi-sustrato (consumo de varios
sustratos) y multi-especies (crecimiento de varias especies microbianas), b) las
expresiones cinéticas del modelo se basan en el modelo de Monod para todos los
compuestos solubles consumidos, c) la cinética y estequiometría que describe las
interacciones y transformaciones entre los componentes del modelo se expresan
en el formato de matriz de Petersen, similar a los modelos ASM, d) el crecimiento
de protozoos y metazoos se simplifica a una sola especie (Xpre) y los parámetros
cinéticos y estequiométricos son los mismos para cada tipo de bacteria
consumida debido a la falta de información sobre estos parámetros para las
diferentes especies de depredadores, e) los depredadores crecen en condiciones
aerobias (presencia de O2) y, f) los procesos de depredación de la biomasa dan
como resultado la generación de biomasa inerte que no es metabolizada (XI).
La principal diferencia entre los modelos de depredación sugeridos por los autores
citados anteriormente, es la ecuación cinética para el crecimiento de los
microorganismos depredadores. Lidblom (2003) y Ni et al. (2010), definen que la
velocidad de crecimiento de los depredadores es proporcional a la
concentración de depredadores; sin embargo, Moussa et al. (2005) y Hao et al.
(2011) definen la velocidad de crecimiento de los depredadores proporcional a la
concentración de bacterias, dado que estos microorganismos existen en una
relación depredador-presa con las bacterias (Goode et al., 2010).
42
Depredador
(Xpre)
NyP Muerte
endógenos (Xpre)
SO2
(Oxígeno)
Material Inerte
endógeno (X I)
Crecimiento
Xpre
Muerte
Material Crecimiento Biomasa (XH)
orgánico XH Heterótrofa
(XH) Material
orgánico
endógeno
SO2 NyP
(Oxígeno) exógenos
La mayoría de los estudios que tratan sobre el control y/o diseño óptimo de EDAR
modelan a los reactores biológicos como reactores continuos de mezcla perfecta
(CSTR, Continuous Stirred-Tank Reactor) (Xie et al., 2011; Hreiz et al., 2015a). Por lo
tanto, los balances de materia de los componentes solubles (Si) y particulados (Xi)
en un reactor CSTR o a varios reactores CSTR dispuestos en serie, se describen en
las Ecuaciones 1-12 y 1-13 respectivamente (Keskitalo et al., 2010):
dS i (t) 1
dt
QIn SIni - Sbi ri (t)
V
(Ec.1-12)
dX i (t) 1
dt
QIn XIni - X bi ri (t)
V
(Ec.1-13)
donde:
ri=velocidad neta de transformación del compuesto i.
SIni y XIn
i =concentración del compuesto soluble y particulado i en la corriente de
entrada al reactor.
43
Sbi y Xbi =concentración del compuesto soluble y particulado i en la corriente de
salida del reactor.
QIn y V=caudal de entrada y volumen del reactor, respectivamente.
Líquido
Capa límite
Biopelícula
Soporte
Biopelícula: está constituida por una fase líquida y una fase sólida. La fase
acuosa está constituida por el contenido de agua que hay dentro de las
células o libre entre los espacios que dejan los sólidos; la fase sólida está
constituida por los microorganismos activos, partículas orgánicas e
inorgánicas y sustancias poliméricas extracelulares. Aunque la fase líquida
suele constituir la mayor parte de la masa de la biopelícula, la fase sólida
se utiliza como principal componente para el modelado, ya que confiere
a la biopelícula sus propiedades reactivas y estructurales. Un modelo
puede describir cada uno de los componentes sólidos y al agua por
separado, o puede tratar todo, como un único componente definido en
términos generales como “biomasa” (Wanner et al., 2006).
44
La resolución espacial aplicada al modelo matemático del
compartimento de biopelícula puede variar de cero dimensional (0D) a
tridimensional (3D). Con una resolución 0D, todos los componentes sólidos
o particulados de la biomasa están uniformemente distribuidos en todo el
compartimento y no hay gradientes de concentración de los
componentes disueltos. Un modelo 1D permite describir los gradientes de
concentración en una única dirección, habitualmente sobre la
profundidad de la biopelícula (espesor de la biopelícula, L). Los modelos
2D y 3D son necesarios para reproducir las complejas distribuciones
espaciales de los componentes particulados y geometrías de la
biopelícula.
45
Soporte: es la superficie sólida sobre la cual crece la biopelícula. Algunos
soportes, pueden ser sólidos orgánicos que son degradados por los
microorganismos adheridos, o pueden ser membranas permeables o
semipermeables que suministran a la biopelícula componentes disueltos.
Sin embargo, por lo general es un compartimento muy simple para
modelar, porque suelen ser inertes e impermeables (rocas, arena y
plástico), donde no hay transformaciones de los componentes disueltos y
particulados (Horn y Lackner, 2014).
Los modelos A y PA, son los más simples y no son adecuados para predecir la
distribución de los diferentes tipos de microorganismos en una biopelícula, la
conversión de múltiples sustratos y la acumulación total de biopelícula o espesor
(L) (Wanner et al., 2006). El modelo PA, es una alternativa simple cuando se debe
eliminar una o más de las simplificaciones del modelo A (Noguera y Morgenroth,
2004; Pérez et al., 2005).
Tabla 1-7. Características de los distintos tipos de modelos de biopelícula: (+) la característica puede
ser simulada, (-) característica no simulada y (0) predice la característica con restricciones.
Grado de complejidad
Característica
A PA 1D 2D 3D
Múltiples sustratos 0 0 + + +
Múltiples especies 0 0 + + +
Hidrodinámica - - - + +
46
En la Figura 1-19, se representan los modelos A, PA, 1D, 2D/3D, en función de la
distribución de los microorganismos en la biopelícula. Los modelos A, PA y 1D en
estado estacionario, asumen que la morfología de la biopelícula es plana y
estratificada; sin embargo, en el modelo 1D dinámico, también asume una
superficie plana de la biopelícula, pero permite el desarrollo dinámico del espesor
de la biopelícula (L) y una distribución microbiana heterogénea. Los modelos
multidimensionales 2D/3D describen una superficie heterogénea, tanto de la
biopelícula como de la capa límite (Mašić, 2013), es decir, su objetivo es describir
las no uniformidades espaciales que caracterizan la forma de un biopelícula
(Mattei, 2014).
X2
X2 X1 X1
Mayor número de asunciones
t Dinámico t + ∆t
1D
X1 , X2
X1 , X2
t Dinámico t + ∆t
PA
A
Líquido
Capa límite
X1 dL
Biopelícula
L cte dt 0
X2
Soporte
Estacionario
47
Modelo unidimensional 1D
Los primeros modelos de biopelícula (Atkinson y Davies, 1974; Williamson y
McCarty, 1976) se desarrollaron en 1970 para evaluar la cinética de utilización de
sustrato (Mattei, 2014) basados en el concepto de la difusión de los sustratos y
nutrientes desde el líquido hasta la biopelícula. Estos modelos pueden
considerarse el primer ejemplo de modelos continuos que no tienen en cuenta el
comportamiento individual de un microorganismo sino el comportamiento
promediado de los diferentes grupos de microorganismos. Los procesos de
utilización de sustratos, difusión molecular y transporte de materia son tratados
como ecuaciones diferenciales para una capa espacialmente homogénea de
microorganismos. Además, estos modelos representan al sistema de biopelícula
adherida a un soporte de superficie plana y la biomasa se caracteriza mediante
una densidad celular denotada como ρ (g biomasa/m3) y un espesor (L)
uniformes.
48
La función de clarificación ocurre en la zona superior mientras que la función de
espesamiento ocurre cerca del fondo. El resultado es un efluente con baja
concentración de sólidos en suspensión totales (SST) en la parte superior, y una
segunda corriente de biomasa concentrada (fango) en el fondo. Los mecanismos
de sedimentación se pueden clasificar en función de la concentración de los
sólidos en suspensión totales y de su tendencia a agruparse (floculación) en
cuatro zonas diferenciadas (von Sperling, 2007) (Figura 1-20).
49
Corriente de
entrada
procedente del
reactor biológico
Corriente de
Función de salida
clarificación Efluente final
clarificado
Función de
espesamiento
Para poder llevar a cabo la calibración de los parámetros del modelo de una
EDAR, además de caracterizar adecuadamente el agua del influente del
proceso, es necesario conocer el valor de los parámetros estequiométricos y
cinéticos del modelo matemático (Petersen et al., 2003). Sin embargo, el elevado
número de parámetros que presentan estos modelos (más de 60 parámetros)
hace especialmente difícil la obtención de todos ellos para un determinado
sistema. Por este motivo, en los últimos años la comunidad científica ha dedicado
un gran esfuerzo en encontrar la manera de obtener dichos parámetros con la
máxima fiabilidad y precisión; sin embargo, actualmente, no existe un protocolo
de calibración estandarizado para los modelos biocinéticos ASM, debido a que
existen diferentes métodos de caracterización del agua residual, diferentes
métodos de estimación de parámetros cinéticos y diferente selección de
parámetros a calibrar (Sin et al., 2005). Sin embargo en la literatura se pueden
encontrar diferentes protocolos, tales como el BIOMATH (Vanrolleghem et al.,
2003), STOWA (Hulsbeek et al., 2002), HSG (Langergraber et al., 2004) y WERF
(Melcer et al., 2003); aunque existen diferencias en la metodología de calibración
propuesta en cada protocolo, todos ellos coinciden en una premisa fundamental:
no todos los parámetros tienen la misma importancia en el modelo y todos ellos
incluyen dos etapas primordiales como son, una calibración en estado
estacionario y otra dinámica del modelo (Liwarska-Bizukojc et al., 2011). Por tanto,
es más importante dedicar un mayor esfuerzo en la determinación de los
parámetros de mayor influencia en el modelo, frente a los de escasa influencia
50
(Brun et al., 2002). La calibración del modelo en estado estacionario con datos de
proceso promediados puede utilizarse para calibrar el comportamiento a largo
plazo de la EDAR y sin embargo la dinámica se utiliza para perturbaciones a corto
plazo (Keskitalo et al., 2010).
51
Optimización de una EDAR
Hoy en día, en un marco en el que las regulaciones ambientales cada vez son
más restrictivas, la industria dedicada al tratamiento de aguas residuales se ve
obligada a la mejorara continua en el funcionamiento y el diseño de las plantas
de tratamiento, así como a reducir los costes de operación. En este contexto, la
optimización es una poderosa herramienta para la determinación de las
condiciones operacionales óptimas en EDARs existentes. Actualmente la
optimización se está utilizando para predecir simultáneamente el diseño y la
operación óptimos de nuevas plantas, respecto a un criterio dado, al mismo
tiempo que satisfacen unas restricciones específicas. Estas tácticas se pueden
basar en un modelo de superestructura que engloba diferentes configuraciones
de una planta (Alasino et al., 2007). Sin embargo, la determinación de la
estrategia de operación óptima para un tratamiento biológico sigue siendo
compleja y laboriosa debido a la elevada no linealidad y complejidad de los
procesos biológicos, sus interacciones, el gran número de parámetros
operacionales y de diseño a determinar, tales como la edad del fango y caudal
de recirculación de lodos y la variedad de objetivos a cumplir como la eficiencia
del tratamiento y los costes operacionales (Hreiz et al., 2015a).
ii) Definir una o varias funciones objetivo (J) que exprese las características del
proceso a optimizar y minimizarla Min Jx, u o maximizarla Max Jx, u .
u u
iii) Especificar las variables de control y/o diseño para optimizar la función objetivo
mediante un límite superior e inferior: uL(sup erior) u uu(inf erior).
iv) Elegir las restricciones que deben satisfacerse mediante la solución óptima que
pueden ser restricciones de igualdad: hx, u 0 y de desigualdad: gx, u 0 .
Estas restricciones expresan requisitos adicionales para la eficiencia de un
tratamiento biológico.
52
La mayoría de los procesos industriales requieren la optimización simultánea de
varios objetivos, como ocurre en las EDARs, donde puede requerir la minimización
de los costes de explotación y maximizar la eficiencia del tratamiento (Flores-
Alsina et al., 2008). Estos criterios a menudo están en conflicto y además no
pueden expresarse en las mismas unidades, por lo que no pueden combinarse en
una sola función objetivo (Copp, 2002). Sin embargo, la optimización multi-
objetivo permite la contabilidad simultánea y exhaustiva para varios criterios. La
formulación de los problemas multi-objetivo es similar a la de los problemas de
optimización mono-objetivo: MinJx,u J1, J2 ,..., Jn o Max Jx, u J1, J2 ,..., Jn ,
u u
objetivo Jn.
53
Aguas residuales de la industria de celulosa y viscosa (celulosa regenerada)
La Confederación Europea de Industrias del Papel (CEPI), es una organización
que representa a 495 empresas del sector de papel y celulosa que operan más
de 900 fábricas de papel y celulosa en 18 países europeos. Es importante destacar
que CEPI representa el 22 % de la producción mundial de celulosa y papel (35,6
millones de toneladas anuales de celulosa), generando 81 billones de euros de
facturación anual a la economía europea y más de 175.000 empleos directos
(CEPI, 2016). La producción anual de celulosa en España corresponde a 7,9
millones de toneladas, procedente de 9 fábricas con proceso al sulfato y 1 fábrica
con proceso al sulfito en el año 2016. Este sector proporciona 16.200 empleos
directos en España, siendo de gran importancia en la economía de este país
(ASPAPEL, 2016). A pesar del gran impacto positivo del sector de la celulosa y
papel en la economía europea, históricamente, este sector ha sido considerado
como un gran consumidor de recursos naturales (madera, agua) y energía
(combustibles fósiles y electricidad) (Thompson et al., 2001). Este tipo de industria
genera grandes cantidades de agua residual que afectan adversamente al
medio receptor acuático (Pokhrel y Viraraghavan, 2004). La madera y el agua,
son las principales materias primas utilizadas en la industria de la celulosa (Swamy
et al., 2011). La madera está compuesta de fibras de celulosa, carbohidratos,
tales como el almidón y azúcares y de lignina que actúa como sustancia
adhesiva para las fibras de celulosa. El objetivo del proceso de fabricación es
separar las fibras de celulosa de la madera, mediante diferentes procesos que
pueden ser químicos (sulfato y sulfito), termo-mecánicos (TMP) o la combinación
de procesos químicos y termo-mecánicos (CTMP) (Rintala y Puhakka, 1994).
54
textil son descritas en la Tabla 1-9 donde se observa una amplia variación en las
características de las aguas residuales debido a la variabilidad de los materiales y
procesos utilizados.
Tabla 1-8. Caracterización del agua residual por ADt (tonelada de pasta seca al aire con una
sequedad comprendida entre el 90-95%) en la industria de celulosa (Dahl, 2008).
Volumen de
DQO DBO5 SST N P
agua residual
(m3/ADt) (Kg/ADt)
Proceso
Tabla 1-9. Caracterización del agua residual en la industria textil (Verma et al., 2012).
Volumen de agua residual DQO DBO5 SST
pH
(m3/tonelada de fibra) (g/m3)
200-350 131-17.900 110-5.500 50-23.900 2-14
55
Respecto a los métodos biológicos, estos se suelen utilizar en una única etapa o
en combinación con métodos físico-químicos (Kamali y Khodaparast, 2015) siendo
el proceso de fangos activos el más utilizado en el sector de celulosa y papel (Tiku
et al., 2010; Kumar et al., 2014).
56
iv) Verificación mediante simulación la importancia de los microorganismos
depredadores en procesos BAS.
57
2. MATERIALES Y METODOS
Celulosa Viscosa
Escenario I (Proceso MBBR)
Escenario II y III (Proceso BAS)
Todos los escenarios
Escenario I
Escenario II Efluente
final
MBBR1 MBBR2 2
DECANTACIÓN 1
FA
Datos Datos
online experimentales
59
2.1. Descripción de la instalación industrial
Tratamiento preliminar
El agua es bombeada mediante tres bombas sumergibles de caudal unitario de
1000 m3/h, de funcionamiento 2+1 en reserva y pasa a través de un tamiz de
escalera móvil de inclinación 85° y paso de malla 6 mm, formada por un gran
número de láminas de acero en forma de escalones que describen un
movimiento circular mediante un motor móvil. Las partículas que quedan
atrapadas se elevan automáticamente hasta que la escalera completa un ciclo
de rotación. Todos los sólidos con tamaño superior a 6 mm quedan retenidos en el
tamiz siendo gestionados como residuo no peligroso.
61
Tanque de homogenización
El tanque de homogenización es de hormigón prefabricado, de forma circular de
17,3 m de diámetro, un volumen útil de 1.600 m3 y una altura de 6,83 m. Dispone
de dos agitadores sumergibles colocados en horizontal.
62
grande (45 mm) como para que las perforaciones en los colectores de retención
puedan ser lo suficientemente grandes para evitar obstrucciones por los sólidos en
las aguas residuales a tratar (Zalakin y Manterola, 2011; van Haandel y van der
Lubbe, 2015). En la Tabla 2-1 se presentan las principales características del
soporte BiofilmChip P y los principales parámetros en los reactores MBBR
relacionados con el soporte plástico.
Tabla 2-1. Características del soporte plástico y parámetros de los reactores MBBR relacionados con el
soporte en la EDAR a escala industrial.
Características MBBR1 y MBBR2 BiofilmChip P
63
Figura 2-2. Reactores MBBR con detalle: a) los colectores de retención de
soportes plásticos y b) parrillas de aireación.
Los reactores MBBR son aireados mediante turbo-soplantes, una para cada
reactor, para mantener la concentración de oxígeno entre 2-3 g/m3 (Metcalf and
Eddy, 2003). Ambas turbo-soplantes, suministran un caudal unitario máximo de aire
de 31.620 Nm3/h con una potencia de motor de 1.200 Kw.
64
Difusor de membrana
Burbuja fina de 1 mm
Foto aérea
Figura 2-3. Fotografía del reactor de fangos activos (FA): imagen aérea
y difusores de membrana.
Decantación secundaria
Dos decantadores circulares de hormigón prefabricado son utilizados en la EDAR
para ejercer las funciones de clarificación del efluente final y espesamiento del
65
fango. Las dimensiones de cada decantador son las siguientes: volumen unitario
útil de 4.143 m3, diámetro de 36 m y altura de 4 m.
El agua entra por una tubería en el centro del decantador (Figura 2-4) a través de
una campana deflectora. La mala distribución o la entrada muy rápida del agua
en el decantador puede dar lugar a la re-suspensión del fango sedimentado; la
función de la campana deflectora es disipar la energía del agua entrante y
distribuir de forma homogénea el flujo tanto en dirección vertical como en
horizontal, para minimizar las perturbaciones a la capa de fango y favorecer su
sedimentabilidad (Spellman, 2003).
66
Pasarela del decantador Barredor de flotantes
Deflector
Caja de flotantes
Poceta de fango
fluorescencia WCOS61
HACH
Sensor óptico de
3 x reactor FA Lazo de control
fluorescencia
LXV416.99.20W01
67
Figura 2-5. Esquema general de los principales lazos de control de la EDAR.
Toma de muestras
La toma de muestras se ha realizado según la rutina establecida de la propia
industria. Las muestras tanto del influente del proceso biológico como del efluente
de la EDAR son compuestas durante 24 horas y recogidas mediante un toma-
muestras automático SIGMA SD900 de HACH. El toma-muestras automático
recoge una muestra cada hora, en 24 botellas independientes, y la muestra final
está constituida por la mezcla de las 24 botellas. El resto de las corrientes de la
EDAR, tales como, corriente de salida del reactor MBBR 1, salida del reactor MBBR2,
salida del reactor de FA, corriente de recirculación de fango y corriente de
extracción de fango, son muestras puntuales tomadas diariamente a la misma
hora. Todas las muestras se conservaron a una temperatura de 4 ºC, cuando los
análisis físico-químicos no se han realizado en el mismo día.
68
Análisis físico-químicos y biológicos
Todos los análisis se han realizado siguiendo los métodos normalizados para el
agua residual (APHA, 1998). Los análisis de DQOT (demanda química de oxígeno
total), DQOs (demanda química de oxígeno soluble), NT (nitrógeno total), NTs
(nitrógeno total soluble), N-NH4+ (nitrógeno amoniacal), N-NO3- (nitratos), PT
(fósforo total), P-PO43- (ortofosfatos) fueron realizados mediante cubetas test LCK
de HACH y un fotómetro de la marca HACH, modelo DR2800. En los análisis donde
fue necesaria una digestión previa, se utilizó un bloque termostático de la marca
HACH, modelo LT200. El sistema de medición de las cubetas LCK se realiza
mediante un código de barras incorporado a la propia cubeta que permite que
el fotómetro identifique el análisis a realizar sin necesidad de especificar la
longitud de onda (Figura 2-6).
10 mediciones en un giro
Fuente de luz
Detector
Digestión de la muestra
69
Tres rangos de medición fueron utilizados para los diferentes puntos de medición
en la EDAR, LCK 014 (10.000-1.000 g/m3), LCK 514 (100-2.000 g/m3) y LCK 114 (150-
1.000 g/m3).
Nitrógeno Total (NT) y nitrógeno total soluble (NTs): el nitrógeno total está
constituido por nitrógeno orgánico (formando proteínas, ácidos nucleicos,
urea…), y nitrógeno inorgánico (nitritos, nitratos y amonio). El método utilizado se
basa en la oxidación tanto del nitrógeno orgánico, como el nitrógeno inorgánico
a nitrato (NO3-) mediante digestión a 100 ºC y 1 hora, en presencia de
peroxodisulfato como oxidante. Los iones nitrato en una solución de ácido
sulfúrico y fosfórico reaccionan con 2,6 dimetilfenol formando el compuesto 4-
nitro-2,6 dimetilfenol de color rojo que se determina fotométricamente. Este
método sigue la norma internacional ISO 11905-1.
Para el análisis de NTs se llevo a cabo una filtración previa mediante un filtro de
microfibra de vidrio Whatman GF/C de 47 mm de diámetro y un tamaño de poro
de 1,2 µm.
Dos rangos de medición fueron utilizados para los diferentes puntos de medición
en la EDAR, LCK 138 (1-16 g/m3) y LCK 338 (20-100 g/m3).
Dos rangos de medición fueron utilizados para los diferentes puntos de medición
en la EDAR, LCK 304 (0,015 – 2,0 g/m3 N-NH4+) y LCK 305(1-12 g/m3 N-NH4+).
70
Tabla 2-3. Análisis físico-químicos y biológicos realizados en los diferentes puntos de la EDAR.
Dos rangos de medición fueron utilizados para los diferentes puntos de medición
en la EDAR, LCK 339 (0,23-13,5 g/m3 N-NO3-) y LCK 340 (5-35 g/m3 N-NO3-).
Para el análisis del ortofosfato se llevo a cabo una filtración previa mediante un
filtro de microfibra de vidrio Whatman GF/C de 47 mm de diámetro y un tamaño
de poro de 1,2 µm. Sin embargo, para el análisis del fósforo total, la muestra no se
somete a filtración y necesita una digestión previa a 100 ºC durante 1 hora, donde
todos los fosfatos son transformados a ortofosfatos disueltos.
Se utilizó una cubeta test LCK 348, cuyo rango es de 0,5 – 5 g/m3 P-PO43-.
72
biodegradabilidad); una vez estimado el valor de DBO5 se determina el volumen
de muestra mediante la Tabla 2-4.
Lectura de DBO
(t=1, 2, 3, 4 y 5 días)
Armario termostático
Agitador magnético
Receptáculo
de goma
Manómetro
Botella
Imán
0-40 432 1
0-80 365 2
0-200 250 5
0-400 164 10
0-800 97 20
0-2000 43,5 50
73
armario termostático, donde permanecerá agitándose a temperatura constante
de 20 ºC durante 5 días. El manómetro registra los datos de DBO cada día, DBO1
(t= 1 día), DBO2 (t= 2 día),… DBO5 (t= 5 día). El resultado final se obtendrá
multiplicando los datos registrados en el manómetro por el factor de
multiplicación correspondiente al volumen de muestra utilizado (Tabla 2-4).
SST(g / m 3 )
B(g) A(g) 106 (Ec. 2-1)
Volumenmuestra(ml)
donde:
A (g)=peso del filtro y B (g)=peso del filtro junto con el residuo seco a 105 ºC.
74
Con el valor de la V30 y la concentración de sólidos suspendidos de la mezcla de
agua y fango del reactor biológico, se calcula IVF (ml/g) (sección 1.3, Ecuación 1-
4). En condiciones normales su valor suele ser inferior a 150-200 ml/g. Si en una
EDAR los valores periódicos del IVF adquieren una tendencia claramente
ascendente, estarán avisando de un proceso de abultamiento del fango,
disminuyendo la velocidad del mismo y apareciendo elevado riesgo de pérdida
de sólidos con el efluente final (Rodríguez et al., 2008).
V30(ml / l)
IVF(ml / g) 103
SST(g / m3 )
Muestra Probeta
SST (g/m3) (1000 ml)
30 minutos
V30
(ml/l)
Cronómetro
75
Escenario I
El escenario I está caracterizado por tratar la mezcla de aguas residuales
procedentes de la industria de celulosa al sulfito y fibra de viscosa de forma
continuada durante 8 meses. El tratamiento biológico está constituido por dos
reactores de biopelícula de lecho móvil (MBBR) en serie con posterior etapa de
decantación secundaria (dos decantadores en paralelo) (Figura 2-9).
Celulosa Viscosa
Escenario I (Proceso MBBR)
Escenario I
Escenario II Efluente
final
MBBR1 MBBR2 2
DECANTACIÓN 1
Escenario III
Nutrientes FA
Celulosa
Fango en exceso
Recirculación de
fango
Agua residual industrial
Figura 2-9. Diagrama de flujo de la EDAR industrial en los tres escenarios de estudio.
Escenario II
El escenario II está caracterizado por tratar la mezcla de aguas residuales
procedentes de la industria de celulosa al sulfito y fibra de viscosa de forma
continuada durante 2 meses, igual que en el escenario I; sin embargo, el
tratamiento biológico está constituido por dos reactores de biopelícula de lecho
móvil (MBBR) en serie como pre-tratamiento de alta carga orgánica, seguidos por
un reactor FA y la etapa de decantación secundaria, es decir, la EDAR opera con
un proceso BAS (Figura 2-9).
Escenario III
El escenario III está caracterizado por tratar solamente las aguas residuales
procedentes de la industria de celulosa al sulfito de forma continuada durante 4
meses y la EDAR opera con un proceso BAS (Figura 2-9) al igual que en el
escenario II.
76
Los escenarios de estudio II y III, son caracterizados por operar con el proceso BAS
en condiciones de limitación de nutrientes.
BioWin
BioWin (http://envirosim.com/products/biowin) es un simulador de procesos de
tratamiento de aguas, que contiene unidades de proceso con modelos
preestablecidos que no pueden ser modificados por el usuario. Permite simular y
diseñar, reactores biológicos de cultivo fijo y en suspensión (Vitanza et al., 2015),
además contiene una librería de modelos biocinéticos en los que se incluyen los
modelos ASM (Figura 2-11).
77
lodos y desinfección de efluentes (Contreras Barrera et al., 2010; Liwarska-Bizukojc
et al., 2010). En la presente Tesis Doctoral se ha utilizado la versión 3.0.
Corriente
Editor de
ecuaciones
GAMS
GAMS (General Algebraic Modeling Sistem) (https://www.gams.com) es un
software que permite resolver problemas de optimización lineales (LP) y no lineales
(NLP). GAMS utiliza un lenguaje de modelización, en donde el usuario puede
escribir en un editor la formulación del modelo matemático, y luego aplicar un
solver para resolver completamente el modelo (Figura 2-12). Dispone de diferentes
optimizadores (solvers) para la resolución de problemas no lineales (NLP), como
CONOPT, BARON y MINOS. En la presente Tesis Doctoral se ha utilizado la versión
24.6.1.
78
Unidades de proceso
Librería de modelos
Solvers
79
3. FRACCIONAMIENTO DE DQO EN EL INFLUENTE
DQOT
(Total)
DQO
DQO DQO microorganismos
biodegradable no biodegradable
XH (heterótrofos),
XAut (Autótrofos),
SRB XLB Xpre( Depredadores)
SI XI
Rápidamente Lentamente
Inerte Inerte
biodegradable biodegradable
DQOs DQOp
Soluble particulada
DQOT
(Total)
Análisis del fraccionamiento de DQO sobre tres tipos de agua residual con
diferente carga orgánica y procedencia industrial.
81
El fraccionamiento de la materia orgánica de las aguas residuales expresada
como DQO fue inicialmente aplicado en aguas residuales municipales (Ekama et
al., 1986; Henze, 1992; Orhon et al., 1997; Sperandio y Paul 2000). Sin embargo,
actualmente se aplica en aguas residuales industriales debido a que permite
conocer las fracciones biodegradables e inertes de la DQO.
La DQOTInf está constituida por una fracción soluble (DQOsInf) y una fracción
particulada (DQOpInf) (Ec.3-1).
83
La DQOTInf y DQOsInf del influente se analizaron diariamente durante los días de
operación de cada escenario de trabajo de la EDAR. En la Figuras 3-1 y 3-2, se
muestran los datos obtenidos de DQOTInf y DQOsInf en el influente y de DQOsEfl en
el efluente del proceso biológico, expresados en términos de carga diaria (Ton
DQO/día) para mantener la confidencialidad de la EDAR industrial.
Los valores medios de DQOTInf fueron de 77,4 ±11,2 Ton DQO/día, 53,4±8,9 Ton
DQO/día y 37,9±7,8 Ton DQO/día para el escenario I, II y III respectivamente,
presentando una variabilidad durante el periodo de operación en cada
escenario de un 15 % en el escenario I y II y de un 20 % para el escenario III. Esta
variabilidad es debida a los cambios en la producción de la industria de celulosa
y viscosa. Es destacable la diferencia de un 31 % de carga diaria de DQOT Inf entre
el escenario I y II, a pesar de que la procedencia del agua residual es la misma
(industria de celulosa y viscosa); sin embargo, la carga diaria de DQOsInf se
diferencia en tan solo un 11,2 % entre ambos escenarios. Por lo tanto, la variación
de la carga diaria de DQOTInf es producida por la DQOpInf (fracción particulada),
es decir, por el aporte de sólidos en suspensión totales en el influente (SST Inf).
84
Figura 3-2. Evolución de la carga diaria de DQOsInf (influente) y DQOsEfl (efluente) (Ton DQO/día)
durante los días de operación en los tres escenarios de estudio.
Los valores medios de DQOsInf fueron de 53,4±9,7 Ton DQO/día, 47,4±7,4 Ton
DQO/día y 33,3 ± 6,9 Ton DQO/día para los escenarios I, II y III respectivamente. La
variabilidad de los datos de DQOs es un mismo escenario fue similar a la
variabilidad de los datos obtenidos de DQOTInf, 15 % en el escenario I, 17 % en el
escenario II y 21 % en el escenario III.
85
Figura 3-3. Evolución de la carga diaria de SSTInf (Ton SST/día) en el influente durante
los días de operación en los tres escenarios de estudio.
Los valores medios de la carga de SSTInf fueron de16,1±3,9 Ton SST/día, 9,5±1,9 Ton
SST/día y 3,2±1,9 Ton SST/día para los escenarios I, II y III, respectivamente.
86
Figura 3-4. Fracción soluble (DQOsInf) y particulada (DQOpInf) de la DQOT en el
influente en los tres escenarios de estudio.
La DQOsInf está constituida por una fracción soluble inerte (SIInf) y una fracción
rápidamente biodegradable (SRBInf) (Ec.3-3).
Inf Inf
DQOsInf SRB SI (Ec.3-3)
87
Inf
SI DQOs Efl (Ec.3-4)
Los valores medios de DQOsEfl en el efluente fueron de 18,9 ± 4,1 Ton DQO/día, 8,5
± 3,5 Ton DQO/día y 5,0 ± 1,4 Ton DQO/día, obteniendo una eficiencia de
eliminación de DQOs de un 65 ± 13 %, 76 ± 6 % y 85 ± 5 % en los escenarios I, II y III,
respectivamente.
Una vez obtenido el valor de la fracción inerte soluble, los valores de la fracción
rápidamente biodegradable SRBInf de la DQOsInf se calculan mediante la Ecuación
3-5.
Inf Inf
SRB DQOsInf SI (Ec.3-5)
88
Figura 3-5. Fracción soluble rápidamente biodegradable (SIInf) y soluble inerte (SRBInf)
de la DQOs en el influente en los tres escenarios de estudio.
La DQOpInf está constituida por una fracción inerte XIInf y una lentamente
biodegradable (XLBInf) (Ec.3-6).
Inf Inf
DQOpInf XLB XI (Ec.3-6)
89
La DBO representa la fracción biodegradable total de la DQOT (DQOB) en el
influente que a su vez está constituida por una fracción rápidamente
biodegradable (SRB) y una fracción lentamente biodegradable (X LB) (Ec.3-7).
Inf Inf
DQOBInf SRB XLB (Ec.3-7)
90
1 (Ec.3-8)
DOB u K t
DBOt
1 10 DBO
1 (Ec.3-9)
DQOB DBOU
1 fDBO
donde:
t (día) = tiempo correspondiente a una concentración de DBOt.
KDBO (día-1) = constante de biodegradación.
fDBO (día-1) = 0,15, factor de corrección.
DBO t (Ec.3-10)
log log2,303 DBOu K DBO K DBO t
t
91
Inter sec ción (Ec.3-12)
DBOu
2,303 K DBO
Los valores medios obtenidos de KDBO fueron de 0,43±0,03 día-1, 0,42±0,02 día-1 y
0,32 ± 0,02 día-1 y los valores medios de la fracción de DQOB en el influente 80±8 %,
78 ±7 % y 85±5 % para el escenario I, II y III, respectivamente.
Una vez obtenido los valores DQOB, se obtienen los valores de la fracción X LB
Ecuación 3-13:
Inf Inf
XLB DQOB Inf SRB (Ec.3-13)
En la Tabla 3-1 y Tabla 3-2 se resumen los valores medios obtenidos de la fracción
soluble, particulada y de las fracciones inertes y biodegradables de la DQOT del
influente en los diferentes escenarios de estudio.
Tabla 3-1. Valores medios de la fracción soluble (DQOs) y particulada (DQOp) de la DQOT en el
influente en cada escenario de estudio.
DQOTInf=DQOsInf + DQOpInf
DQOTInf DQOsInf DQOpInf
Escenario (Experimental) (Experimental) (Ec.3-2)
Ton DQO/día Ton DQO/día Ton DQO/día
I 77,4±11,2 53,4 ±9,7 24±11,3
92
Tabla 3-2. Valores medios de las fracciones inertes (SIInf y XIInf) y biodegradables (SRBInf y XLBInf) de la DQOT
en el influente en cada escenario de estudio.
DQOsInf=SIInf + SRBInf DQOpInf=XLBInf +XIInf
SIInf SRBInf XLBInf XIInf
Escenario (Ec.3-4) (Ec.3-5) (Ec.3-13) (Ec.3-14)
Ton DQO/día Ton DQO/día Ton DQO/día Ton DQO/día
I 13,1±2,4 40,3±7,2 21,7±7,4 2,3± 0,5
93
Figura 3-9. Fracciones de DQOT en el influente.
Los valores medios de las fracciones (%) de la DQOTinf son presentados en la Tabla
3-3 durante todo el periodo de operación de los tres escenarios de estudio.
Tabla 3-3. Valores medios de las fracciones (%) de la DQOTInf del influente en los tres
escenarios de estudio.
94
3.4. Conclusiones
Las fracciones particuladas inertes (XI) en los tres escenarios de estudio son muy
bajas, entre un 2-3 % de la DQOT y por tanto está fracción de la DQOT en el
influente, no será considerada en el análisis y modelado de la EDAR de estudio en
los capítulos 4 a 8 de la presente Tesis Doctoral.
95
4. MODELO MATEMÁTICO DE REACTORES MBBR EN EL TRATAMIENTO DE
AGUAS RESIDUALES DE ALTA CARGA ORGÁNICA
Crecimiento XI
SO2, SPO4 aeróbico
Externos
SNO3
Interno Autótrofos XAut Inactivación
Crecimiento
aeróbico con XAut
SO2
Crecimiento
SNH4, SPO4
anóxico
Externo Depredadores Xpre Interno
Crecimiento
aeróbico con XH
Heterótrofos XH XS
Fermentación
Crecimiento
Crecimiento
aeróbico
anóxico
Amonificación
SND SA
Externo Interno
S NH4
Interno
SF
Hidrólisis
Interno
97
La tecnología MBBR ha sido aplicada con éxito para diferentes aguas residuales
tanto industriales como municipales, en condiciones aerobias, anóxicas y
anaerobias y bajo diferentes configuraciones dependiendo del objetivo del
tratamiento (Barwal y Chaudhary, 2014; Borkar et al., 2013). El tipo de
microorganismos que se desarrollan en estos reactores depende principalmente
de las condiciones de operación como la dosificación de nutrientes y carga
orgánica.
Los modelos que describen los reactores MBBR deben incluir los procesos
biológicos tanto en la biopelícula como en el líquido (Mašić et al., 2010). Los
modelos ASM consideran a las bacterias como la única biomasa activa. Las
actividades de todos los demás miembros de la comunidad microbiana
(protozoos, metazoos, fagos, etc.) se ocultan en el proceso de inactivación,
responsable de la reducción de la biomasa activa. Este proceso de inactivación
es la suma de varios procesos independientes como la respiración endógena, lisis
celular y la depredación (van Loosdrecht y Henze, 1999).
Así en este trabajo se plantea generar un modelo general para reactores MBBR en
serie teniendo en cuenta la interacción entre bacterias y microorganismos
depredadores. El modelo incluye: a) procesos biológicos que describen la
interacción entre microorganismos autotróficos, heterotróficos y depredadores a
través del modelo propuesto por Moussa et al. (2005), b) modelo unidimensional
(1D) dinámico de biopelícula de Wanner y Gujer (1986) y, c) modelo CSTR en el
líquido del reactor (Mašić et al., 2010). Dado que el modelo propuesto se espera
que sea útil para aguas residuales con diferentes cargas orgánicas, se tendrán en
cuenta los valores de SCLR propuestos por Ødegaard (1999) para modelar el
crecimiento de los microorganismos depredadores en los reactores MBBR (van
Haandel y van der Lubbe, 2015). De forma similar, los valores de SCLR propuestos
99
por Helness y Ødegaard (2005), se han tenido cuenta para modelar la hidrólisis del
material orgánico lentamente biodegradable en el líquido del reactor.
Finalmente, la regeneración de nutrientes debida al consumo de bacterias por
parte de los depredadores también se ha incluido en el modelo (Lindblom, 2003).
En la Tabla 4-1 se muestran las variables de estado del modelo, las cuales se
dividen en concentraciones de los compuestos solubles (Si) y compuestos
particulados (Xi) (Henze et al., 2000). El modelo está estructurado en 14 variables
de estado (Ni et al., 2011) y segregado en tres grupos de microorganismos
(Gernaey et al., 2010).
Todos los compuestos particulados del modelo propuesto son expresados como
fracciones de DQO (Tabla 4-1) y los valores de DQOs (g DQO/m3), SST (g SST/m3) y
NTs (g N/m3) (Henze et al., 2000), no se han introducido como variables en el
modelo, pero se calculan a partir de las variables de estado de la Tabla 4-1,
mediante las Ecuaciones 4-1, 4-2 y 4-3 (Henze et al., 2000; Boltz et al., 2011).
100
Tabla 4-1. Variables de estado del modelo matemático del proceso MBBR.
Variables
Unidades Definición Referencia
de estado
DQOs S A SF SI (Ec.4-1)
SST XAut XH Xpre i SST ,BM Xi i SST ,XI Xcel i SST ,Xcel Xs i SST ,Xs (Ec.4-2)
donde:
iSST,BM (g SST/g DQO), iSST,XI (g SST/g DQO), iSST,Xs (g SST/g DQO) y iSST,cel (g SST/g DQO)
son factores de conversión recogidos en la Tabla 4-3.
101
4.1.1. Modelo biocinético
SRB SF SA (Ec.4-4)
102
Crecimiento XI
SO2, SPO4 aeróbico
Externos
SNO3
Interno Autótrofos XAut Inactivación
Crecimiento
aeróbico con XAut
SO2
Crecimiento
SNH4, SPO4
anóxico
Fermentación
Crecimiento
Crecimiento
aeróbico
anóxico
Amonificación
SND
Externo SA
Interno
SNH4
Interno
SF
Hidrólisis
Interno
Figura 4-1. Procesos de transformación biológica del modelo matemático de reactores MBBR.
103
se desarrolla depende de la carga orgánica soluble aplicada (SCLR) (Mosey,
1996). Otros autores como van Haandel y van der Lubbe (2015), utilizan la misma
clasificación para predecir la presencia de microorganismos depredadores en un
reactor MBBR.
Dos tipos de hidrólisis se pueden diferenciar dependiendo del origen del material
orgánico lentamente biodegradable: a) hidrólisis del sustrato primario presente en
el agua residual original y, b) hidrólisis del sustrato secundario producido en el
proceso de inactivación de las bacterias (Morgenroth et al., 2002). Debido a que
el modelo matemático propuesto en este trabajo se utiliza para aguas residuales
de la industria de celulosa y viscosa, se han definido dos tipos de compuestos
lentamente biodegradables y por lo tanto, el material orgánico X LB, está
constituido por otros dos compuestos de origen diferente (Ecuación 4-5).
104
Figura 4-2. Influencia de los valores de SCRL en el proceso de depredación e hidrólisis en el modelo
matemático para un reactor MBBR.
Inactivación de microorganismos
En el proceso de inactivación se genera XS y material inerte (XI). Este material está
constituido por la suma del material inerte procedente del proceso biológico de
inactivación y el material inerte presente en el agua residual. En este trabajo, el
material inerte procedente del agua residual de la industria de celulosa y viscosa
no se ha tenido en cuenta en el modelo ya que representa solamente un 2-3 % de
la DQOT del agua residual en los tres escenarios de estudio (capítulo 3, Tabla 3-3),
a diferencia de las aguas urbanas que representa entre un 18-20 % de la DQOT
(Henze et al., 2000). Es destacable que en este proceso al igual que en el proceso
de depredación, se incluye la redisolución de nutrientes (SNH4 y SPO4) (Henze et al.,
2000).
105
Amonificación
La amonificación del nitrógeno orgánico soluble (SND) es definida como en el
modelo ASM1, siendo los microorganismos heterótrofos XH los encargados de
transformar SND en nitrógeno amoniacal (SNH4). En este trabajo de investigación, se
considera a la urea dosificada en el influente de la EDAR de estudio corresponde
a la variable de estado SND (Jokela et al., 1997).
Matriz de Petersen
La estructura del modelo biocinetico utiliza el formato de matriz de Petersen
(Tabla 4-2), donde los coeficientes estequiométricos (υij) de cada compuesto i y
cada proceso j se incorporan en las celdas. La velocidad neta (ri) de
transformación de cada componente i se calcula mediante la Ecuación 4-6 (Ni et
al., 2011). Todos los parámetros cinéticos y coeficientes estequiométricos son
definidos en la Tabla 4-3.
nj
ri (g / m3 día) Pj ij (Ec.4-6)
j 1
nj Pj ij
Uo i (día 1) (Ec.4-7)
j 1 fi
donde:
ρ= densidad de la biopelicula (g/m3).
fi= fracción volumétrica del compuesto particulado i en la biopelícula.
106
6
SF SF S O2 S NH4 S PO 4
rH Pj Hj H XH
j 1 S F K F S F S A S O2 K O2,H S NH4 K NH4,H S PO 4 K PO 4,H
SA SA S O2 S NH4 S PO 4
H XH
S A K A S F S A S O2 K O2,H S NH4 K NH4,H S PO 4 K PO 4,H
S F S F K O2,H S NO 3 S NH4 S PO 4
NO 3 H XH
S F K F S F S A S O2 K O2,H S NO 3 K NO 3 S NH4 K NH4,H S PO 4 K PO 4,H
S A S A K O2,H S NO 3 S NH4 S PO 4
NO 3 H XH
S A K A S F S A S O2 K O2,H S NO 3 K NO 3 S NH4 K NH4,H S PO 4 K PO 4,H
S O2 XH
b H fH P XH
S
O2 K X
O 2 ,H H X Aut
107
Tabla 4-2. Matriz de Peterson del modelo matemático para un reactor MBBR.
XH XAut Xpre XS XI
Xi →
Procesos Pj↓
+1 -
P1.Crecimiento aerobio de XH con SF - - -
+1 - -
P2.Crecimiento aeróbico de XH con SA - -
+1 - -
P3.Crecimiento anóxico de XH con SF - -
+1 - -
P4.Crecimiento anóxico de XH con SA - -
-
P5.Fermentación - - - -
-1
P6.Inactivación de XH - - 1 fXI fXI
P7.Hidrólisis de Xs - - - -1 -
P8.Amonificación de SND - - - - -
+1
P9.Crecimiento aerobio de XAut - - - -
-1
P10.Inactivación de XAut - - 1 fXI fXI
1 i N,BM i P,BM 1 YH
P4. - - -
YH 2,86YH
P5. - -1 +1 - - - -
P7. - +1 - - - - -
P8. - - -1 +1 - -
4,75 YA 1 1
P9. - - - i N,BM i P,BM
YA YA YA
P11. 1 Yp (1 fXI ) fXI - - - i N,BM i N,XI fXI i N,BM Yp (1 fXI ) i P,BM i P,XI fXI i P,BM Yp (1 fXI ) -
P12. 1 Yp (1 fXI ) fXI - - - i N,BM i N,XI fXI i N,BM Yp (1 fXI ) i P,BM i P,XI fXI i P,BM Yp (1 fXI ) -
KO2,H KNO3 SF
qfe XH
P5. S K S K
O2 O2 ,H NO 3 NO 3 SF KF
P6. b H XH
XS
X
Kh H
XH
P7.
XS
XH K x
P8. K a SND XH
P10. b A X Aut
SO2 XH
P11. P XH
SO2 KO2,H XH XAut
S O2 X Aut
P12. P X Aut
S O2 K O2,H X H X Aut
P13. bP Xpre
Tabla 4-3. Parámetros utilizados en el modelo matemático para un reactor MBBR.
113
Figura 4-3. Flujo de biopelícula a través de un elemento diferencial de
volumen de Af∙dz (Wanner y Gujer, 1986).
donde:
U (día-1) = velocidad de desplazamiento o expansión de la biopelícula desde la
interfase soporte-biopelícula.
U o (día-1)= velocidad de crecimiento de la biopelícula.
z=coordenada espacial en la biopelícula.
Uoi (día-1)= velocidad neta de transformación del compuesto i.
114
nX
U o(t, z) Uoi(t, z) fi(t, z) (Ec.4-9)
i 1
z
U(t, z) U o(t, z) dz (Ec.4-10)
0
La siguiente Ecuación 4-11 es una restricción del modelo 1D, donde el sumatorio
de las fracciones de volumen de todos los compuestos particulados i (i=1,…nx)
presentes en la biopelícula es igual 1:
nx
nx X i
fi
i 1
i 1
1 (Ec.4-11)
donde:
Xi (g/m3)= concentración de un compuesto particulado i dentro de la biopelícula.
nx es el número de compuestos Xi =5 (I, S, H, Aut, pre).
ρ (g/m3)= densidad de la biopelicula.
fi= fracción volumétrica del compuesto particulado i en la biopelícula.
dL
UL(t) U(t, L) (t) (Ec.4-12)
dt
donde:
λ (1/m día)=constante de desprendimiento de la biopelícula.
U(t,0) 0 (Ec.4-14)
dfi(t,0)
dt
Uoi(t,0) U o fi(t,0) (Ec.4-15)
115
Balance de masa para los compuestos solubles Si
En la Ecuación 4-16 se define el balance de masas para los compuestos S fi ,
donde el primer término está relacionado con la difusión, de acuerdo con la
primera ley de Fick y el segundo término está relacionado con la reacción dentro
de la biopelícula:
donde:
Sfi (g/m3)=concentración de un compuesto soluble i dentro de la biopelícula.
ri (g/m3 día)= velocidad neta de transformación del compuesto soluble i.
Dfi (m2/día)= difusividad de los compuestos Si dentro de la biopelícula.
dSfi(t,0)
0 (Ec.4-17)
dz
dSfi(t, L)
dz
DW
f i Sbi(t) Sfi(t, L)
Di LL
(Ec.4-18)
donde:
Sbi (g/m3)= concentración del compuesto soluble i en el líquido del reactor MBBR.
116
dSbi(t)
VMBBR
dt
QIn Sini Sbi ji(t, L) Af ri(t) VMBBR (Ec.4-19)
dXbi(t)
VMBBR
dt
QIn Xini Xbi (t) Af fi ri(t) VMBBR (Ec.4-20)
donde:
QIn (m3/día)= caudal de la corriente de entrada a cada reactor MBBR.
Sini (g/m3)= concentración del compuesto Si en la entrada de cada reactor MBBR.
Xini (g/m3)= concentración del compuesto Xi en la entrada de cada reactor MBBR.
VMBBR (m3)= volumen de cada reactor MBBR.
En esta Tesis Doctoral, los reactores MBBR de la EDAR son aireados continuamente
para mantener la concentración de oxígeno disuelto en 3 g/m 3 en el reactor
MBBR1 y de 5 g/m3 en el reactor MBBR2 en los tres escenarios de estudio, por tanto,
SO2 no se incluye en la Ecuación 4-19 (Mašić et al., 2010).
117
biopelícula y las derivadas función de z deben se sustituyen mediante la siguiente
Ecuación 4-22.
d 1 d (Ec.4-22)
dz L d
En los reactores MBBR1 y MBBR2 para los tres escenarios de estudio, las condiciones
operacionales fueron diferentes en cuanto al origen del agua residual (viscosa y/o
118
celulosa) (Figura 4-4), el caudal del influente al proceso biológico y su
caracterización mediante los parámetros de DQOT, DQOs, SST, NTs, SNO3 y SPO4.
El nitrógeno total soluble NTs del influente está constituido mayoritariamente por la
urea (SND) dosificada y el fósforo del influente procedente de la dosificación de
ácido fosfórico (SPO4). En cuanto a la DQOs del influente, los productos de
fermentación SA no se han considerado, debido a que son generados por un
proceso interno en la biopelícula y por tanto, solamente está constituida por SI y
SF. Los SST en el influente están constituidos principalmente por celulosa (X cel). Las
fracciones de la biomasa activa (XH, XAut y Xpre) e inactiva (XI y XS) no son
consideradas como componentes (Henze et al., 2000).
Etapa MBBR
Escenario II Escenario I
MBBR1 MBBR2
Celulosa
Escenario III
Nutrientes
En la Tabla 4-4 se muestra la caracterización del influente con los valores medios
en cada escenario de estudio, utilizándose valores de referencia q, s, c, n y p para
mantener la confidencialidad de la información.
Tabla 4-4. Caracterización experimental del influente en cada escenario de estudio (Esc.).
Celulosa y
I 1,1q 1,27s 5,83c 4,08c 5,28n 2,14p 0,5n 1,02c
viscosa
Celulosa y
II 1,0q 0,68s 5,21c 3,73c 3,99n 0,84p 0,5n 0,93c
viscosa
III Celulosa 0,59q 0,28s 5,37c 4,67c 2,65n 0,90p 0,5n 0,70c
q, s, c, n y p: valores de referencia para mantener la confidencialidad de la información de la EDAR.
119
En la Tabla 4-5 se muestran las condiciones operacionales de los dos reactores
MBBR en cada escenario de estudio.
Tabla 4-5. Valores medios de las principales condiciones de operación en cada escenario de estudio.
Las Figuras 4-5 y 4-6 muestras los resultados experimentales y simulados para las
concentraciones de DQOs y SST en el líquido de los reactores MBBR1 y MBBR2,
respectivamente, durante el tiempo de operación de los tres escenarios de
estudio. Los valores de concentración tanto de DQOs y SST están representados
en un intervalo de 34 días para el escenario I y de 7 días para el escenario II y III.
120
Figura 4-5. Resultados experimentales (exp.) de DQOs en el influente y resultados experimentales y
simulados (sim.) a la salida de los reactores MBBR1 y MBBR2.
La validación del modelo se llevó a cabo con los parámetros calibrados y con un
conjunto de valores experimentales. Los datos experimentales se midieron cada
34 días en el escenario I y cada 7 días en el escenario II y III (Figuras 4-5 y 4-6)
durante el tiempo de operación en cada escenario de estudio y se utilizó la
desviación estándar entre los valores experimental y simuladas para confirmar la
validez del modelo.
121
Figura 4-6. Resultados experimentales (exp.) de SST en el influente y resultados experimentales y
simulados (sim.) a la salida de los reactores MBBR1 y MBBR2.
122
Tabla 4-6. Desviación estándar entre los valores simulados y experimentales de las concentraciones de
DQOs, SST, NTs and SPO4 a la salida de los reactores MBBR1 y MBBR2.
Desviación estándar (%)
DQOs SST NTs SPO4
Escenario I
MBBR1 6,4 4,3 15,3 11,9
MBBR2 8,8 5,4 11,7 12,6
Escenario II
MBBR1 3,1 8,5 - 13,7
MBBR2 8,2 9,3 - 10,4
Escenario III
MBBR1 7,2 7,9 12,2 14,6
MBBR2 9,1 8,7 10,9 9,7
Tabla 4-7. Media de los valores experimentales de NTs, SPO4 y SNO3 en el influente y en la salida de los
reactores MBBR1 y MBBR2.
NTs (g/m3) SPO4 (g/m3) SNO3(g/m3)
Escenario I
Influente 5,28n 2,14p 0,5n
MBBR1 0,35n 0,87p <0,12n
MBBR2 1,03n 0,99p <0,12n
Escenario II
Influente 3,99n 0,84p 0,5n
MBBR1 * 0,08p 0,5n
MBBR2 * 0,05p 0,5n
Escenario III
Influente 2,65n 0,90p 0,5n
MBBR1 0,07n 0,05p <0,12n
MBBR2 0,41n 0,12p <0,12n
* Datos experimentales no disponibles
123
embargo, valores más altos de SCLR, como ocurre en el escenario II, implican que
el proceso la hidrólisis y el crecimiento de los depredadores son despreciables.
Tabla 4-8. Media de los valores experimentales de SCLR y SCRR en los reactores MBBR 1 y
MBBR2.
SCLR SCRR
Hidrólisis y depredación
(g DQO/m2 día) (g DQO/m2 día)
Escenario MBBR1 MBBR2 MBBR1 MBBR2 MBBR1 MBBR2
I 84 14 70 6 NO SI
II 71 33 38 11 NO NO
III 59 14 45 6 NO SI
Figura 4-7. Fotografías de la biopelícula de los reactores MBBR1 y MBBR2 en los escenarios I y III
realizadas con microscopio óptico.
En los escenarios I y III, la primera etapa constituida por el reactor MBBR 1, es una
etapa bacteriana, donde los microorganismos heterótrofos (X H) predominan y la
segunda etapa constituida por el reactor MBBR2, es una etapa bacteriana-
depredadora y en ella pueden coexistir bacterias y depredadores ya que la
124
corriente de entrada a esta última etapa está compuesta principalmente por las
bacterias que dejan el MBBR1 y una baja concentración de DQOs (Figura 4-5).
Tabla 4-9. Comparación entre los valores medios experimentales y simulados de SST, NTs y SPO4
en el MBBR2, cuando la función de hidrólisis y depredación es activada (ON) y desactivada (OFF)
en el modelo propuesto.
Reactor MBBR2
Valores simulados
Valores
(Hidrólisis y depredación)
experimentales
OFF ON
Esc. I Esc. III Esc. I Esc. III Esc. I Esc. III
SST (g/m3) 2,54s 1,52s 2,97s 2,08s 2,48s 1,54s
NTs (g/m3) 1,03n 0,41n 0,32n 0,07n 1,15n 0,38n
SPO4 (g/m3) 0,99p 0,12p 0,84p 0,008p 1,06p 0,14p
125
Figura 4-8. Fracciones de la DQOs en los reactores MBBR1 y MBBR2 en estado estacionario.
126
estudio. Los resultados simulados dentro de la biopelícula y la distribución espacial
de los compuestos particulados que a continuación se presentan en esta sección
se obtienen una vez que se alcanza el estado estacionario.
Tabla 4-10. Los valores simulados del espesor y biomasa por unidad de área de la biopelícula para
cada escenario de estudio (estado estacionario).
MBBR1 MBBR2
127
Los valores obtenidos del espesor de la biopelícula en el reactor MBBR 1 son
mayores a los obtenidos en el reactor MBBR2, tanto para el escenario I como para
el escenario II, debido a que la mayor actividad microbiana se produce en el
MBBR1 donde se consume la mayor parte del material orgánico fácilmente
biodegradable del influente (SF).
En el reactor MBBR2, a diferencia del reactor MBBR1, los valores de SCLR son
muy bajos; sin embargo, los microorganismos autotróficos tampoco aparecen
en ningún escenario de estudio. Esto es debido a que el nitrógeno amoniacal
(SNH4) es consumido mayoritariamente en el MBBR1 como nutriente en el
proceso de eliminación del material orgánico; por tanto, la competencia
heterotrófica-autotrófica por el espacio, el oxígeno y el nitrógeno amoniacal,
no ocurre en la biopelícula de los dos reactores MBBR (Bassin et al., 2005).
128
ausencia de nitrificación por parte de la biomasa autotrófica (Remy et al.,
2014).
129
Figura 4-11. Distribución espacial de los compuestos particulados y el perfil de
concentración del oxígeno (SO2) en la biopelícula de los reactores MBBR1 y MBBR2.
130
Figura 4-12. Perfil de concentración de la DQOs y SPO4 en la biopelícula de los reactores
MBBR1 y MBBR2 en estado estacionario.
131
Líquido del reactor MBBR
La Figura 4-13 muestra los valores simulados de la concentración (g SST/m 3) de
todos los compuestos particulados Xi del modelo matemático presentes en el
líquido de los reactores MBBR1 y MBBR2 en los tres escenarios de estudio cuando se
alcanza el estado estacionario de 6-7 días, al igual que en la sección anterior.
132
Figura 4-13. Distribución de los compuestos Xi en el líquido del MBBR1 y MBBR2.
4.4. Conclusiones
133
El crecimiento de microorganismos depredadores se confirma en dos escenarios
de estudio con condiciones operacionales diferentes y, en combinación con el
proceso de hidrólisis, permiten interpretar los resultados atípicos que se obtienen
en el reactor MBBR2 como la disminución de los SST en el líquido del reactor.
134
5. ANÁLISIS Y MODELADO DE UN PROCESO MBBR
vs vAsc
QIn
Altura de la capa
de entrada (HIn)
Sólidos del HIn
SSTIn
efluente
vs vDes
Sólidos de
H
la purga
QR + Q P
Producción SSTR=SSTP
de fango en
exceso
Validación del modelo del proceso completo MBBR para aguas residuales de
celulosa y viscosa.
135
En la mayoría de los procesos biológicos utilizados para eliminar el material
orgánico en una estación depuradora de aguas residuales (EDAR), es necesario
retirar la biomasa de las aguas depuradas mediante procesos de separación
sólido-líquido como la sedimentación y filtración (Li y Stenstrom, 2014a).
137
decantación, una fracción no decantable de la biomasa (activa e inerte) y de
sólidos salen en el efluente final (Henze et al., 2000). Este valor no se ha introducido
como variable de estado, pero se ha calculado mediante la Ecuación 5-1.
vs vAsc
Altura de la capa QIn
de alimentación
(HIn) HIn
SSTIn
vs vDes
H
QR + Q P SSTR=SSTP
138
El decantador se divide en un determinado número de capas de espesor
constante siendo cinco tipos de capas las representadas en el modelo utilizado
de sedimentación 1D, en función de su posición relativa al punto de alimentación
(Vitasovic 1986, 1989): a) a capa superior, b) capas por encima del punto de
alimentación, c) capa de alimentación, d) capas por debajo del punto de
alimentación, y f) capa inferior. Solamente se modelan los procesos en la
dirección vertical, realizando un balance de SST en cada capa como se muestra
en la Figura 5-2.
Sedimentación por
Movimiento del líquido QEfl SSTEfl gravedad
-
Capa superior
+ -
- +
Capas superiores a la
G b, j
v Asc. SSTj
alimentación
+ -
- + G g, j
v s,j SSTj
Q In
In
QR SST Capa de alimentación
Ad
- -
+ +
Capa inferiores a la
alimentación
G b, j
vDes. SSTj - -
+ +
Capa inferior
- (QR QP ) SSTP
El flujo total de sólidos (GT,j), Gg,j y Gb,j (Kg SST/m2 día) en cada capa j del
decantador y las velocidades ascendentes y descendentes, vAsc y vDesc (m/día)
son definidos en las siguientes Ecuaciones 5-2 a 5-7 respectivamente:
139
Gb,j vDes SSTj , si H<HIn (Ec.5-5)
QEfl
v Asc (Ec.5-6)
Ad
QR QP
v Des (Ec.5-7)
Ad
donde:
j= número de capas (j=1……j=10).
SSTj= concentración de sólidos en suspensión totales (Kg/m3) en cada capa j.
QEfl, QR y QP = caudal del efluente, caudal de recirculación y caudal de purga de
fango en exceso (m3/día) respectivamente.
Ad= área o sección transversal del decantador (m2).
vs,j= velocidad de sedimentación de los SST (m/día) en cada capa j.
H= altura del decantador (m).
0 v s , j v o´ (Ec.5-9)
donde:
v0= velocidad máxima teórica de sedimentación (m/día).
v0´= velocidad máxima práctica de sedimentación (m/día).
rh= parámetro de sedimentación de la zona de desaceleración o sedimentación
zonal (m3/Kg).
rp= parámetro de sedimentación de la zona de floculación, característico de
bajas concentraciones de SST (m3/Kg).
SSTIn=sólidos en suspensión totales procedentes del reactor biológico, que entran
al decantador (Kg/m3).
140
SSTmin= concentración mínima de sólidos en suspensión totales en el efluente final
(Kg/m3).
fns= fracción de sólidos en suspensión totales que entran al decantador (SSTIn) y no
sedimentan.
En la Tabla 5-1 se muestra los valores típicos de los parámetros del modelo de
Takács et al. (1991).
Tabla 5-1. Valores típicos de los parámetros del modelo de Takács et al. (1991).
v0 (m/día) v0´ (m/día) rh (m3/Kg) rp(m3/Kg) fns (-)
172,8 112,1 0,293 2,7 0,29 (calibrado)
Calibración de parámetros
En el modelo matemático del proceso MBBR a escala industrial para el
tratamiento de aguas residuales de la industria de la celulosa y la viscosa se ha
calibrado el contenido de N y P tanto en la biomasa activa como en la inactiva
del modelo biocinético (iN,BM, iP,BM, iN,XI y iP,XI) (capítulo 4) y además, se ha
calibrado la fracción no decantable de los SST que entran en el decantador
secundario (fns) mediante el ajuste con la media de los datos experimentales del
escenario I.
141
5.2. Condiciones de operación
La Figura 5-3 muestra el esquema del escenario I objeto de estudio con el proceso
MBBR incluyendo la etapa de decantación secundaria. La caracterización del
influente de este escenario se muestra en la Tabla 5-2 y las condiciones de
operación en este escenario se muestra en la Tabla 5-3.
Celulosa Viscosa
Nutrientes
Fango en exceso
142
de decantación final en el escenario I, se llevó a cabo de acuerdo con el modelo
de sedimentación propuesto en la sección 5.1.
En las Figuras 5-4a y b, se observa una buena concordancia entre los valores
experimentales y simulados en el efluente final, con desviaciones estándar de 8,3
% y 5,9 % para los valores de SST y DQOT respectivamente (Tabla 5-4),
confirmando la validez del modelo MBBR con decantación propuesto.
QP (m3/día) 1.867
143
Figura 5-4. Resultados experimentales (puntos aislados) y simulados (líneas):
a) SST y b) DQOT.
Tabla 5-4. Desviación estándar entre los valores simulados y experimentales de las
concentraciones de DQOT y SST en el efluente final, los valores SSTP y sludge yield.
Desviación estándar (%)
DQOT* SST* SSTP Sludge yield
Escenario I 5,9 8,3 8,1 11,2
*Datos del efluente final.
144
MBBR de alta carga como proponen autores como van Haandel y van der Lubbe
(2015).
145
et al. (2008). La desviación estándar entre los valores experimentales y simulados
de SSTP es de un 8,1 % (Tabla 5-4).
Figura 5-6. Resultados experimentales (exp.) y simulados (sim.) de a) SSTP y b) sludge yield en el proceso
MBBR industrial.
La variabilidad de los datos experimentales tanto de los SST P (15 %), parámetro
sludge yield (13 %) y la producción de fangos en exceso (14 %), principalmente es
causada por la variabilidad de los SST en el influente (16,1±3,9 Ton SST/día) como
se muestra en el capítulo 3. Esta variación de los SST del influente (fibras
celulósicas) está sujeta a los cambios en la producción de la industria de celulosa
y viscosa.
146
5.3.2. Resultados experimentales del índice volumétrico de fango (IVF)
En la Figura 5-8, se representa la relación lineal directa entre los SST en el efluente
final y la carga SCLR aplicada al proceso MBBR. Se observa que cuanto mayor es
la carga SCLR, mayor es la concentración de SST en el efluente como se muestra
en otros trabajos de investigación tales como Ødegaard et al. (2000) y Ødegaard
(2006). Por lo tanto, los altos valores de SCLR provocan el fenómeno de bulking
viscoso, es decir, una sobreproducción de polímeros extracelulares que dificultan
y empeoran la sedimentación de fango en la etapa de decantación secundaria
(Ferrer y Seco, 2007).
147
Figura 5-8. Relación lineal entre los datos experimentales
de SST en el efluente y los valores SCLR en el
proceso MBBR industrial.
Por tanto se puede concluir que cuando se utiliza solamente un proceso MBBR
que incluye etapa de decantación para el tratamiento de aguas residuales de
alta carga orgánica como son las aguas residuales procedentes de la industria de
celulosa y viscosa, es necesario añadir coagulantes y floculantes como proponen
autores como Ødegaard (2000) y van Haandel y van der Lubbe (2015) con el fin
mejorar las características de sedimentabilidad y disminuir la concentración de
sólidos en suspensión totales del efluente final. Alternativamente, la extensión a un
proceso un BAS permitirá la mejora de la eficiencia de separación respecto al
proceso MBBR.
148
Figura 5-9. Fotografía que permite determinar el parámetro V30
del fango procedente del proceso MBBR y el proceso BAS
a escala industrial.
5.4. Conclusiones
149
Se ha verificado que en este tipo de procesos biológicos de alta carga orgánica
dan lugar a un valor alto del parámetro sludge yield debido a que la relación
entre la producción de fango en exceso y la DQO soluble eliminada (DQOs) es
alta si se compara con otro tipo de procesos como el BAS.
150
6. ANÁLISIS Y MODELADO DE UN PROCESO BAS
XI + XS
Etapa MBBR SNH4, SPO4 SNH4, SPO4
XH Depredadores XAut
Distribución Etapa FA
microbiana:
XI + XS
Alto contenido
de material
inerte Etapa de decantación
Depredación
Baja
Baja producción
Dosificación de fango en
de nutrientes exceso
151
El proceso de fangos activos (FA) es el sistema más común para el tratamiento
biológico de las aguas residuales municipales e industriales (Wei et al., 2003;
Kamali y Khodaparast, 2015). Las principales desventajas del proceso FA es el
problema de separación sólido-líquido en la etapa de clarificación producidos
por el fenómeno bulking (Rankin et al., 2007) y la gran producción de fango en
exceso. El proceso BAS (Biofilm Activated Sludge) es una alternativa para reducir
estas debilidades del proceso convencional FA y está constituido por dos etapas
aeróbicas consecutivas: un reactor MBBR como pre-tratamiento, seguido de un
reactor de FA.
La eficiencia de una EDAR está estrechamente asociada con las funciones de los
de los diferentes grupos de microorganismos. Una característica única del proceso
BAS es que las poblaciones de microorganismos en las dos etapas son diferentes
(Sointio et al., 2006). En la 1ª etapa de biopelícula se genera una cantidad
sustancial de bacterias y en la 2ª etapa de cultivo en suspensión se promueve el
crecimiento de microorganismos depredadores que viven en gran parte por el
consumo de las bacterias producidas en la 1º etapa (Malmqvist et al., 2008).
153
En la actualidad hay muchos trabajos de investigación en los que se proponen
modelos matemáticos para modelar y simular un proceso FA convencional. Sin
embargo, no se encuentra en la literatura ningún modelo matemático para un
proceso BAS, que integre las etapas MBBR y FA. Lindblom (2003), desarrolló un
modelo matemático para el reactor FA de un proceso BAS sin modelar la etapa
MBBR. Además, Lindblom (2003) asumió que los microorganismos heterótrofos
generados en la 1ª etapa de biopelícula que entran en la 2ª etapa FA son
compuestos lentamente biodegradables y por tanto los microorganismos
heterotróficos no son la principal fuente de alimento en la etapa FA, siendo esta la
mayor diferencia con el presente trabajo.
Las variables de estado del modelo de la etapa de fangos activos son las mismas
que en la etapa MBBR y están detalladas en el capítulo 4 (Tabla 4-1). El modelo
matemático de la etapa MBBR y el modelo de la etapa de decantación están
detallados en el capítulo 4 y 5, respectivamente. A continuación, se detalla el
modelo utilizado para la etapa FA.
154
Modelo de la etapa FA
El reactor de fangos activos (FA) del proceso BAS de estudio a escala industrial, es
un reactor donde el agua residual como el fango recirculado procedente de la
etapa de decantación secundaria, entran en el reactor por un extremo y se
desplazan a lo largo del reactor hasta la salida, de tal forma que existe
teóricamente una mezcla lateral y en profundidad, pero no longitudinal
(Ramalho, 1990). En este trabajo de investigación, dicho reactor se modela como
un reactor CSTR de mezcla perfecta como proponen diferentes autores como
Liotta et al. (2014) y Echieg (2015), debido a que consideran que hay un alto
grado de retro-mezcla, dando lugar a mínimas diferencias entre un reactor de
flujo pistón y un reactor CSTR. Además, en el modelo propuesto en este trabajo, se
ha considerado el valor de la relación de EF/TRH para modelar como un CSTR el
reactor de fangos activos como proponen Lawrence y McCarty, 1970) y Echiegu
(2015). Si el valor de EF/TRH es superior a 5, se asume que la concentración de la
biomasa es la misma tanto en la entrada como en la salida del reactor FA,
condición que se cumple en el reactor FA de este trabajo de investigación. Este
supuesto es utilizado mayoritariamente en los trabajos de investigación
relacionados con la optimización del control de proceso y diseño para evitar
ecuaciones diferenciales parciales que requieren tiempos de computación no
asequibles para la optimización de EDARs a escala industrial (Hreiz et al., 2015a).
dS bi (t)
VFA
dt
QIn SIn b
i Si
ri (t) VMBBR (Ec.6-1)
dXbi(t)
VFA
dt
QIn XIn b
i Xi
ri(t) VMBBR (Ec.6-2)
donde:
SIni y Sbi (g/m3) = concentración del compuesto Si en la entrada y en el líquido del
reactor FA, respectivamente.
XIn b
i y Xi (g/m )= concentración del compuesto Xi en la entrada y en el líquido del
3
reactor FA respectivamente
VFA (m3)= volumen del reactor FA.
ri (g/m3 día)= velocidad de transformación neta de cada compuesto i.
155
En la Ecuación 6-1 no se incluye el oxígeno disuelto (SO2) ya que permanece
constante (5 g/m3) en los dos escenarios de estudio como proponen autores
como Mašić et al. (2010). Como se observa en la Ecuación 6-2, el compuesto Xcel
es incluido en el balance de masas.
Hidrólisis de XS XS + XH →SF
Hidrólisis de Xcel Xcel + XH →SF ASM1 (Henze et al., 2000)
Figura 6-1. Reacciones básicas de los procesos biológicos y modelos de referencia utilizados
para modelar el proceso BAS.
El reactor FA, al igual que los reactores MBBR, es aireado y los microorganismos
crecen en condiciones aerobias. Las condiciones anóxicas y anaerobias
solamente son consideradas en la biopelícula de la etapa MBBR ya que la etapa
de FA es una etapa de cultivo en suspensión (von Sperling, 2007). Por lo tanto, los
procesos biológicos de desnitrificación (P3 y P4) y fermentación (P5) de la matriz de
Petersen presentada en el capítulo 4 (Tabla 4-2), no son incluidos en el modelo
biocinético de la etapa FA. Además, en esta etapa, la hidrólisis de la celulosa
(Xcel) es incluida en el modelo biocinético como un nuevo proceso biológico P14.
La matriz de Petersen y los parámetros cinéticos y coeficientes estequiométricos
del proceso biológico de hidrólisis P14 se muestran en la Tabla 6-1 y Tabla 6-2
respectivamente.
156
Tabla 6-1. Matriz de Petersen, parámetro cinético y coeficiente estequiométrico del proceso de
hidrólisis de Xcel.
Xcel SF
Compuestos i → Cinética del proceso P14
Proceso Pj↓
Xcel
XH
Kh XH
P14. Hidrólisis de Xcel -1 +1
Xcel
Kx
XH
Tabla 6-2. Parámetro cinético y coeficiente estequiométrico del proceso de hidrólisis P 14.
Valor
Parámetro Símbolo Unidad Referencia
utilizado
157
Calibración de parámetros del modelo
El proceso BAS a escala industrial para el tratamiento de aguas residuales de la
industria de la celulosa y la viscosa está diseñado para la eliminación de DQO en
condiciones de operación de limitación de nutrientes (Malmqvist et al., 2008; van
Haandel y van der Lubbe, 2015), por tanto la estrategia de calibración empleada
para calibrar el modelo propuesto fue la misma que en el modelo matemático de
la etapa de pre-tratamiento MBBR detallada en el capítulo 4, donde los
parámetros relacionados con el contenido de N y P en la biomasa activa e
inactiva (iN,BM, iP,BM, iN,XI, iP,XI) y la fracción de sólidos no decantables en la etapa de
decantación (fns) se ajustaron con la media de datos experimentales del
escenario II y III. Todos los parámetros del modelo están descritos en el capítulo 4 y
capítulo 5, a excepción de fns para el proceso BAS (escenario II y escenario III),
siendo dichos valores: fns=0,015 en el escenario II y fns=0,013 en el escenario III.
En la Figura 6-2, se muestra el proceso BAS a escala industrial que operó durante
seis meses de forma continuada con dos influentes diferentes: mezcla de aguas
residuales de celulosa y viscosa (escenario II) durante 64 días y aguas residuales
de celulosa (escenario III) durante 121 días debido a la programación de la
producción industrial. En ambos escenarios de estudio las condiciones
operacionales son diferentes en cuanto a la dosificación de nutrientes, tiempo de
retención hidráulica (TRH), edad del fango (EF) y carga orgánica soluble aplicada
(SCLR) en la etapa MBBR. Las condiciones operacionales para ambos escenarios
de estudio se muestran en la Tabla 6-3.
158
Agua residual industrial
Celulosa Viscosa
Escenario III
Nutrientes
Recirculación de
fango
Figura 6-2. Esquema general de los escenarios II y III con el proceso BAS.
EF (FA) (días) 19 30
159
Tabla 6-4. Caracterización experimental del influente en cada escenario de estudio (Esc.).
Celulosa
II 1,0q 0,68s 5,21c 3,73c 3,99n 0,84p 0,5n 0,93c
y viscosa
III Celulosa 0,59q 0,28s 5,37c 4,67c 2,65n 0,90p 0,5n 0,70c
En las Figuras 6-3, 6-4, 6-5 y 6-6 se muestran los valores experimentales de la DQOs,
SST, SPO4 y compuestos nitrogenados (NTs, SNO3 y SNH4) respectivamente en los dos
escenarios de estudio durante la operación del proceso BAS utilizando los valores
de referencia c, s, p y n para mantener la confidencialidad de la información.
160
Figura 6-3. Valores experimentales (exp.) y simulados (sim.) de DQOs en el influente y efluente del
proceso BAS a escala industrial.
161
etapa de decantación, obteniendo una disminución de un 98,5 % en el escenario
II y un 98,7 % en el escenario III.
Figura 6-4. Valores experimentales (exp.) y simulados (sim.) de SST en el influente, en la corriente de
salida del reactor FA y en el efluente del proceso BAS a escala industrial.
162
concentraciones de SPO4 en el efluente del proceso BAS son más altas de lo
esperado si se compara con un proceso FA convencional (Malmqvist et al., 2008)
debido a la redisolución de nutrientes provocada por la depredación y la
inactivación de los microorganismos (Comeau et al., 2003).
163
Figura 6-6. Valores experimentales (exp.) de NTs en el influente y valores experimentales (exp.) y
simulados (sim.) de SNH4 y SNO3 en el efluente del proceso BAS a escala industrial.
La validación del modelo se llevó a cabo con los parámetros calibrados y por un
conjunto de valores experimentales medidos cada 7 días (Figuras 6-3, 6-4, 6-5 y 6-
6) durante el tiempo de operación de los dos escenarios de estudio. Se utilizó la
desviación estándar entre los valores experimentales y simulados para evaluar la
validez del modelo.
Los resultados simulados de DQOs, SST, SPO4, TNs, SNO3 y SNH4 en la corriente de
salida del reactor FA y el efluente del proceso BAS se muestran en las Figuras 6-3,
6-4, 6-5 y 6-6 mediante trazos lineales. Se observa una buena concordancia con
los valores experimentales, con una desviación estándar entre los valores
simulados y experimentales inferiores al 14% (Tabla 6-6), permitiendo confirmar la
validez del modelo BAS propuesto en esta Tesis Doctoral.
164
Tabla 6-6. Desviación estándar entre los valores simulados y experimentales en la corriente de salida
del reactor FA y el efluente del proceso BAS en cada escenario (esc.) de estudio.
Figura 6-7. Fraccionamiento simulado de la DQOT en el efluente del proceso BAS industrial.
165
Figura 6-8. Simulación en estado estacionario de la distribución de los compuestos particulados Xi en el
líquido en suspensión de los reactores biológicos del proceso BAS.
166
eliminando 23,6 Ton/día de DQOs en la etapa MBBR en el escenario II y 24,1
t/día de DQOs en el escenario III (Tabla 6-5).
167
se hidroliza y permanece una pequeña fracción de aproximadamente un 0,05
% sin ser hidrolizada para cada escenario de estudio (Figura 6-8 y Tabla 6-8).
168
alto ratio de DQOs/ SNH4, el crecimiento de XH es predominante (Lee y Park,
2007) y XAut no coexiste con XH; y contrariamente cuando el ratio de DQOs/ SNH4
es bajo, XAut coexiste con XH (Bassin et al., 2015).
Dosificación de nutrientes
Una proporción de 100:5:1 (DQOs:N:P) se ha utilizado tradicionalmente como
"regla general" (Slade et al., 2004) para establecer los requerimientos de nutrientes
en los procesos biológicos (Ammary, 2004; Jafarinejad, 2017). Sin embargo, existen
diferentes estudios poropuestos por los autores Welander et al (2002), Lidblom
(2003), Malmqvist et al. (2004a) y Rankin et al. (2007), donde un proceso BAS que
trata aguas residuales de la industria de celulosa y papel, utiliza proporciones de
DQOs:N:P mucho menores a la proporción establecida como "regla general"
(Tabla 6-3).
En la Tabla 6-7 se observa que los valores simulados para el SPO4 y SNO3 en el reactor
FA son mayores que en los reactores MBBR; contrariamente los valores de SNH4 en
el reactor FA son un orden de magnitud menor que en los reactores MBBR para
ambos escenarios de estudio. El aumento inesperado de SPO4 después de ejecutar
la simulación en el reactor de fangos activos se debe a dos procesos biológicos:
depredación e inactivación (Tamis et al., 2011).
169
Tabla 6-7. Valores medios experimentales en el influente y resultados de simulación de los compuestos
nitrogenados y el fósforo a la salida de cada reactor del proceso BAS en estado estacionario para
cada escenario de estudio (esc.).
Valores
Resultados de simulación
experimentales
Compuestos
Esc. Influente MBBR1 MBBR2 FA
solubles
II 0,84p 0,080p 0,062p 0,63p
SPO4 (g/m3)
III 0,90p 0.072p 0,14p 0,70p
II 0,50n 0,50n 0,50n 3,70n
SNO3 (g/m3)
III 0,50n 0,042n 0,012n 2,06n
II *4,0n 0,71n 0,43n 0,043n
SNH4 (g/m3)
III *2,6n 0,12n 0,44n 0,033n
*El nitrógeno orgánico procedente de la urea dosificada en el influente del proceso BAS es
rápidamente amonificado por los microorganismos heterótrofos a nitrógeno amoniacal (SNH4) y se
asume que el nitrógeno del influente está disponible como amonio.
Los resultados simulados de las concentraciones de SNH4, SNO3 y SPO4 sin presencia
de depredadores son menores que con depredadores, lo que refuerza la
presencia de microorganismos depredadores en el reactor FA del proceso BAS a
escala industrial. Estos resultados demuestran la importancia de la depredación
en el reactor FA del proceso BAS en cuanto a la dosificación de nutrientes.
170
Tabla 6-8. Valores medios experimentales y simulados de los compuestos de nitrógeno, fósforo y
compuestos particulados en el reactor FA del proceso BAS en estado estacionario cuando la función
de depredación es activada (ON) y desactivada (OFF) en cada escenario de estudio.
Reactor FA del proceso BAS
(depredación ON/OFF)
Valores Resultados Resultados
experimentales simulados (ON) simulados (OFF)
Escenarios II III II III II III
Compuestos solubles
SNH4 (g/m3) 0,039n 0,032n 0,043n 0,033n 0,023n 0,021n
SNO3 (g/m3) 3,37n 2,11n 3,70n 2,06n 2,60n 1,50n
SPO4 (g/m3) 0,55p 0,67p 0,63p 0,70p 0,31p 0,42p
Compuestos particulados
SST (g SST/m3) 8,6s 8,0s 8,6s 8,5s 14,9s 15,3s
XH (%) - - 10,0 5,0 55,8 44,0
XAut (%) - - 0,48 0,20 0,30 0,12
XI (%) - - 57,0 68,6 43,0 55,2
Xpre (%) - - 32 26 - -
XS (%) - - 0,47 0,35 0,80 0,65
Xcel (%) - - 0,05 0,05 0,10 0,03
171
respectivamente, cuando la depredación está activada (Wei et al., 2003; Moussa
et al., 2005). Esta disminución se produce por la gran reducción en la fracción de
XH cuando la función de depredación es activada, ya que la principal fuente de
alimento para los microorganismos depredadores en el reactor FA del proceso
BAS son los microorganismos heterótrofos que dejan el segundo reactor MBBR2
(Sointio et al., 2006). También se observa en la Tabla 6-8 la presencia de
depredadores (Xpre) que también provoca un aumento importante de la fracción
inerte (Hao et al., 2011).
En la Tabla 6-9 se muestra una comparativa de los valores medios del parámetro
sludge yield y la producción de fango en exceso, de los dos procesos biológicos
estudiados en esta Tesis Doctoral, proceso MBBR industrial (escenario I) y proceso
BAS industrial (escenario II) ya que, en ambos escenarios, la carga diaria de DQOs
(Ton DQO/día) es similar (diferencia de un 11 %), como se explica en el capítulo 3
y su procedencia industrial es la misma (celulosa y viscosa).
Tabla 6-9. Valores medios experimentales del sludge yield y la producción de fango en exceso en el
proceso MBBR (Escenario I) y en el proceso BAS (escenario II).
Valores experimentales
Escenario I Escenario II
Escenarios
(proceso MBBR) (proceso BAS)
Sludge yield
0,754 0,207
(Ton SST/Ton DQOs)
Producción de fango (Ton SST/día) 27 8
172
observaron en otros trabajos de investigación como Comeau et al. (2003) y Hao et
al. (2011). Por tanto, es de especial importancia el control de EF para evitar la
pérdida de eficiencia del tratamiento por acumulación de material inerte.
173
heterótrofos (XH) y microorganismos autótrofos (XAut) (Moussa et al., 2005). Por
tanto, el modelo matemático puede emplearse para determinar la fracción de
los compuestos particulados en diferentes condiciones de operación de EF y de
esta manera, evitar la acumulación de elevadas cantidades de material inerte
(Moussa et al., 2005; Ni et al., 2011) en el reactor FA de un proceso BAS.
6.4. Conclusiones
Los resultados obtenidos indican que el primer reactor MBBR1 es una etapa
bacteriana, el segundo reactor MBBR2 es una etapa bacteriana-depredadora y el
reactor FA es una etapa depredadora. La depredación es la principal
responsable de la reducción de los requerimientos nutricionales (hasta el 44 %) y
de la producción de fango (hasta un 46 %) respecto a un proceso convencional
de fangos activos.
El parámetro sludge yield operando con un proceso BAS es un 55-79 % menor que
con un proceso MBBR, debido a la implantación de la etapa depredadora (FA)
en la EDAR industrial.
174
7. ANÁLISIS Y APLICACIÓN DE HERRAMIENTAS DE SIMULACIÓN DE UN
PROCESO BAS
Producción de fango
COSTE
OPTIMIZACIÓN BASADA en el MODELO en exceso
OPERACIONAL
+ =
propuesto para las etapas de MBBR & Dosificación de nutrientes
BAJO
FANGOS ACTIVOS
Nutrientes Etapa de fangos Etapa de
activos decantación
Agua residual Efluente
MBBR1 MBBR2 FA final
DECANTACIÓN 1 2
175
Actualmente existen en el mercado un gran número de simuladores específicos
que permiten simular una configuración determinada de una estación
depuradora de aguas residuales (EDAR) (Liwarska-Bizukojc y Biernacki, 2010;
Oleyiblo et al., 2015; Vitanza et al., 2016) y son utilizados para el diseño, la
operación, optimización, el control y la investigación (Olsson y Newell, 1999; Ferrer
et al., 2008; Gernaey et al., 2004). A diferencia de estos simuladores específicos, los
simuladores de propósito general, son softwares de modelado personalizado que
normalmente tienen una alta flexibilidad y permiten al usuario implementar un
modelo para representar un proceso o un diseño específico e incluso su
optimización (Martin, 2015). Sin embargo, requieren mayores conocimientos de
modelado ya que el usuario tiene que escribir las ecuaciones de su modelo.
177
la demanda química de oxígeno total (DQOT) en el influente se calculan
siguiendo el procedimiento recomendado por dicho software.
Por otra parte, Aspen Custom Modeler incluye herramientas para desarrollar una
optimización secuencial. La optimización se utiliza para manipular variables de
decisión y calcular el valor máximo o mínimo factible de una función objetivo. En
este trabajo se utiliza el algoritmo de optimización FEA-SOPT que se basa en la
programación cuadrática sucesiva, donde la función objetivo se evalúa en el
punto actual y las variables iniciales y de control se mueven para conseguir el
valor óptimo de la función objetivo.
Tabla 7-1. Caracterización experimental del influente en cada escenario de estudio (Esc.).
Celulosa
II 1,0q 0,68s 5,21c 3,73c 3,99n 0,84p 0,5n 0,93c
y viscosa
III Celulosa 0,59q 0,28s 5,37c 4,67c 2,65n 0,90p 0,5n 0,70c
178
Tabla 7-2. Valores medios de las principales condiciones de operación en cada escenario de estudio.
EF (días) 19 30
QP (m3/día) 1.082 636
R (%) 110 80
Las Figuras 7-1 y 7-2 muestran los resultados experimentales y simulados de DQOs y
SST en la corriente de salida de los reactores biológicos, DQOT y SST en el efluente
final del proceso BAS, en el escenario II y escenario III.
La Tabla 7-3 confirma que los valores de las desviaciones estándar de DQOs en la
corriente de salida de los reactores biológicos MBBR1 y FA utilizando el modelo
propuesto y el BioWin son menores a un 10 % en ambos escenarios; sin embargo,
en el reactor MBBR2 en el escenario III es ligeramente superior (11 %).
179
Figura 7-1. Valores experimentales y simulados de DQOT y DQOs en el proceso BAS (escenario II y III)
utilizando el simulador BioWin y el modelo matemático propuesto.
180
Figura 7-2. Valores experimentales y simulados de SST en el proceso BAS (escenario II y III)
utilizando el simulador BioWin y el modelo propuesto.
181
Tabla 7-3. Desviación estándar entre los valores experimentales y simulados de DQOs y SST a la salida
de cada reactor biológico y de DQOT y SST en el efluente, utilizando BioWin (BW) y el modelo
propuesto (MP) en el escenario (esc.) II y III.
Desviación
Desviación estándar de DQOs (%) estándar de
DQOT (%)
MBBR1 MBBR2 FA Efluente final
Esc. BW MP BW MP BW MP BW MP
II 6,8 3,1 6,4 5,4 4,2 4,7 13,5 9,2
III 10 7,2 11 9,1 5,8 7,4 12,2 6,7
Como se detalló en el capítulo 4, en los reactores MBBR con valores de SCLR <15 g
DQO/m2 día, el crecimiento de microorganismos depredadores (Xpre) y la hidrólisis
del sustrato secundario (XS) son procesos biológicos importantes que tienen que
ser incluidos en el modelo biocinético de dichos reactores. En la Tabla 7-4 se
indica en que escenarios ocurre la hidrólisis y depredación teniendo en cuenta los
valores de SCLR.
182
Tabla 7-4. Inclusión de los procesos biológicos de hidrólisis y depredación en el modelado matemático
de los reactores MBBR1, MBBR2 y FA en los escenarios de estudio.
Hidrólisis1 y depredación Hidrólisis2 y depredación
Escenario MBBR1 MBBR2 FA
II NO NO SI
III NO SI SI
1 Hidrólisis del sustrato secundario procedente de la inactivación microbiana.
2 Hidrólisis del sustrato primario (celulosa) y del sustrato secundario.
Respecto a los valores de SST simulados con BioWin en el reactor MBBR2 del
escenario III y en el reactor FA en los dos escenarios de estudio, son
sustancialmente superiores a los valores experimentales (Figura 7-2 y Tabla 7-3); sin
embargo, los resultados simulados utilizando el modelo matemático propuesto
183
están bastante más cerca de los datos experimentales como se confirma en la
Tabla 7-3, donde las desviaciones estándar son menores al 10 %. La depredación
de las bacterias produce la disminución de SST (Hao et al., 2011) y dado que la
depredación no se tiene en cuenta en el software BioWin, los resultados simulados
son superiores a los experimentales, dando lugar a una desviación estándar en los
valores de SST elevada (35 %-43 %).
Tabla 7-5. Valores experimentales, simulados y optimizados del sludge yield en el escenario II y III.
Sludge yield (Ton SST/Ton DQOs)
Escenario II Escenario III
Valores experimentales 0,207 0,155
BioWin 0,360 0,258
Valores simulados
Modelo propuesto 0,203 0,154
Valores Minimización de nutrientes 0,181 0,152
optimizados con el Minimización del exceso de
modelo propuesto 0,155 0,129
fango
Este capítulo muestra que el simulador BioWin es útil para la etapa MBBR,
solamente cuando SCLR es superior a 15 g DQO/ m2 día. Para el reactor FA, el
modelo ASM2d incluido en el BioWin no representa adecuadamente la evolución
de la concentración de TSS y DQOT para el efluente final en el proceso BAS. Wu et
al. (2016), indica que las aplicaciones de los modelos ASM en una EDAR industrial
son aún muy limitadas debido a las diferentes características de los fangos activos
o de las aguas residuales en comparación con las aguas residuales urbanas o
domésticas. Además, el diseño, la operación y la optimización de procesos
184
complejos pueden requerir el uso de modelos detallados con el fin de estudiar las
interacciones de los microorganismos en las EDARs para una mejor comprensión
de sus funciones en el tratamiento de aguas residuales (Li et al., 2016; Mbamba et
al., 2016).
Para verificar que el simulador BioWin, específico de EDARs, no es útil para simular
un proceso BAS operando con limitación de nutrientes, a continuación, se muestra
la influencia de la dosificación de nutrientes en este proceso.
185
Figura 7-3. Influencia de la reducción de la dosificación de nutrientes en la eliminación
de DQOs utilizando BioWin y el modelo matemático para el proceso BAS (escenario II y III).
Los costes de operación del proceso BAS a escala industrial estudiado en esta
Tesis principalmente están constituidos por el consumo de energía, el coste de
tratamiento de fangos en exceso y el coste de consumo de productos químicos.
La energía consumida es básicamente la energía requerida por las turbo-
soplantes que airean los reactores biológicos para mantener las condiciones
aerobias. El consumo de productos químicos de este proceso para el tratamiento
de aguas residuales de la industria de celulosa y viscosa comprende el uso de
hidróxido de sodio para aumentar el pH del influente, el ácido fosfórico y la urea,
como nutrientes y finalmente los floculantes para la deshidratación del fango en
186
exceso. La Tabla 7-6 indica la contribución de cada coste individual al coste total
en cada escenario de estudio (Revilla et al., 2014).
Tabla 7-6. Contribución del coste de químicos, energía y gestión del fango al coste total de operación.
Costes de operación (%) Escenario II Escenario III
Coste energético 22 35
187
En las Ecuaciones 7-1 y 7-2 se tiene en cuenta el contenido de nitrógeno y fósforo
de los compuestos particulados (biomasa activa e inerte) (Copp, 2002; Henze et
al., 2000), puesto que, en la última etapa de decantación, una fracción no
decantable de la biomasa sale en el efluente final; sin embrago en el influente del
proceso BAS el contenido de biomasa se considera despreciable (Henze et al.,
2000). Los coeficientes estequiométricos iN,BM, iN,XI, iP,BM y iP,XI están detallados en el
capítulo 4 (Tabla 4-3).
188
Figura 7-4. Optimización dinámica con ACM: influencia de la reducción de nutrientes (NT y PT)
en el influente, en la concentración de NT y PT en el efluente y en la eliminación de DQOs.
189
DQOs:N:P obtenida en la sección anterior se ha utilizado para la optimización de
la producción de fango en exceso.
La Figura 7-5 muestra los resultados de los ensayos dinámicos durante un periodo
de tiempo de simulación de 200 días hasta el estado estacionario. Se observa
que, en el estado estacionario, el caudal de fango en exceso es de 670 m3/día
para el escenario II y de 240 m3/día en el escenario III y la producción de fango en
exceso que se debe extraer es de 5,5 y 3,6 Ton SST/día. Por lo tanto, el valor del
sludge yield disminuye un 25,21 % respecto del valor experimental inicial (de 0,207
a 0,155 Ton SST/Ton DQOs) en el escenario II y un 16,77 % (de 0,155 a 0,129 Ton SST/
Ton DQOs) en el escenario III (Tabla 7-5). La reducción del coste de operación es
de un 0,04 % y un 0,15 % en el escenario II y III, respectivamente.
La Tabla 7-7 muestra los valores experimentales (sin optimización) y los resultados
óptimos cuando se maximiza SSTP. Se observa que los valores SSTP óptimos son casi
el doble que los valores iniciales experimentales y que los valores óptimos de R son
la mitad (o incluso más bajos) que los experimentales.
190
Figura 7-5. Optimización dinámica con ACM: influencia del caudal de la corriente
de fango en exceso (m3/día) en la producción de fango en exceso (Ton SST/día).
Tabla 7-7. Valores experimentales del factor de recirculación (R) y de la dosis de floculante (DF) en los
dos escenarios de estudio, y sus valores óptimos cuando SSTP se maximiza utilizando el modelo
propuesto.
Escenario II Escenario III
SSTP R DF SSTP R DF
(Kg/m3) (%) (g/m3) (Kg/m3) (%) (g/m3)
Valores
6,3 110 58,5 7,1 80 120
experimentales
Con el fin de verificar que las condiciones óptimas (R=40 %) son adecuadas para
operar el proceso BAS, se utiliza el método SPA, siendo necesario adicionalmente
verificar que los valores óptimos de SSTP están en el rango de los valores de
referencia (7 a 12 Kg/m3) para un decantador secundario bien diseñado (Henze
et al., 2008).
191
El SPA se basa en la teoría del flujo de sólidos propuesta por Kynchk (1952) y es
una representación gráfica que está constituida por 3 flujos de sólidos diferentes
en función de la concentración de SST (Figura7-6): a) curva del flujo gravitacional
(Gg), b) overflow line (OFL), que representa el flujo de sólidos aplicado al
decantador secundario generado por una velocidad ascendente y c) underflow
line (UFL), que representa el flujo de sólidos aplicado al decantador secundario
generado por una velocidad descendente. La línea OFL representa la velocidad
ascendente del agua que fluye a través del clarificador, cuya pendiente es
positiva (Qin/Ad) y la línea UFL representa la velocidad descendente de los sólidos
debido a la recirculación del fango cuya pendiente es negativa (QR/Ad). El punto
donde interseccionan las líneas OFL y UFL, representa el state point y se refiere al
estado del balance de materia en el decantador secundario para unas
condiciones determinadas de operación. El punto de intersección de la línea UFL
con el eje X, indica el valor de la concentración de SSTP.
La Figura 7-6 muestra que en el escenario II, los valores de R se pueden reducir
hasta un 30 % sin que la clarificación y el espesamiento fallen; sin embargo, para
valores de R inferiores al 40 %, la concentración de SSTP es superior al límite del
valor de referencia (hasta 12 kg/m3) para un decantador bien diseñado.
192
Figura 7-6. Método State Point Analysis (SPA) para diferentes factores de recirculación (R)
en el escenario II y III.
193
Tabla 7-8. Reducción de los costes de operación mediante las tres funciones objetivo.
7.3. Conclusiones
Por último, se verifican mediante el método de State Point Analysis, que las
condiciones de operación óptimas obtenidas son adecuadas para operar el
proceso BAS de estudio.
194
8. METODOLOGÍA DE OPTIMIZACIÓN DE UN PROCESO BAS
Dosificación de
Agua nutrientes
residual Decantadores
secundarios1,2
industrial Reactor FA
MBBRs1,2
Efluente final
Escenarios del BAS
II y III
Energía de aireación Fango Fango en
y mezclado recirculado exceso
1,2
ICE (Kg contaminación/m 3)
ICO (€/m3)
1,0
ITC (€/m3)
0,8
0,6
0,4
0,2
0,0
Condiciones DQO:N:P
regulares de Soluciones óptimas
operación
195
Actualmente, se están imponiendo regulaciones progresivamente más estrictas en
términos de DQO, SST y demanda biológica de oxígeno (DBO) y por lo tanto
impulsan el progreso de las tecnologías para el tratamiento de aguas residuales
(Guerrero et al, 2011; Kamali y Khodaparast, 2015). La optimización de una
estación depuradora de aguas residuales (EDAR) existente, en términos de coste,
mejoras operacionales y eficiencia, es el método más efectivo para lograr el
cumplimiento legal más estricto y obtener un equilibrio entre los resultados del
tratamiento y los costes operacionales. Sin embargo, la expectativa de tener que
satisfacer simultáneamente una variedad de objetivos (ambientales, económicos
y técnicos) aumenta la complejidad del problema y se convierte en un reto que
debe resolverse combinando la experiencia profesional y el uso de herramientas
matemáticas específicas (Hakanen et al., 2011, 2013; Descoins et al., 2012).
197
8.1. Identificación del problema de optimización
El flujo total de sólidos (GT) se calcula mediante la Ecuación 8-1. La Ecuación 8-2
permite obtener la velocidad de sedimentación (vs) propuesta por Vesilind (1986).
Q QP
GT SST v s SST R (Ec. 8-1)
Ad
donde:
SST= concentración de sólidos en suspensión totales (Kg/m3).
QR y QP = caudal de recirculación y caudal de purga de fango en exceso
(m3/día), respectivamente.
Ad= área o sección transversal del decantador (m2).
198
vs= velocidad de sedimentación de los SST (m/día) propuesta por Vesilind (1986).
donde:
V0= velocidad máxima de sedimentación de Vesilind (Kg/m3).
K= coeficiente de sedimentación de Vesilind (m3/Kg).
El flujo de sólidos limitante (GL) se calcula mediante la primera derivada del flujo
total de sólidos (GT) (Ecuación 8-3):
Para obtener el mínimo de la curva GT, se tiene que comprobar cuál de los puntos
extremos cumplen la Ecuación 8-4:
Figura 8-1. Representación gráfica del cálculo del flujo limitante de sólidos (GL).
Por lo tanto, el cálculo del flujo de sólidos limitante requiere métodos iterativos
para resolverlo numéricamente que pueden plantear problemas de
convergencia para los algoritmos de optimización (Hreiz et al., 2015a); por lello
199
habitualmente se calcula mediante representaciones gráficas (Amanatidou et al,
2015a, 2015b) como se muestra en la Figura 8-1.
En esta Tesis Doctoral, para poder incluir el concepto de flujo limitante de sólidos
(GL) en el modelo matemático de optimización y evitar los problemas de
convergencia, se ha incluido el enfoque simplificado de GL propuesto por von
Sperling (2007). Este enfoque simplificado tiene en cuenta cuatro variables para
evitar que las funciones de clarificación y espesamiento fallen en la etapa de
decantación : a) carga hidráulica (HLR, Hydraulic Loading Rate) (m3/m2 día) que
corresponde al cociente entre el caudal del influente (QIn) y la área del
decantador secundario (Ad) (Ecuación 8-5), b) la carga de sólidos aplicada al
decantador secundario (SLR, Solids Loaging Rate) (Kg SST/m2 día) (Ecuación 8-6),
c) la velocidad de sedimentación de los sólidos en suspensión totales (vs) (m/día)
(Ecuación 8-7) y d) el flujo limitante de sólidos simplificado (GLs) (Ecuación 8-8):
SLR
Q
In
QR SSTFA (Ec. 8-6)
Ad
n
Q
GLs m R (Ec. 8-8)
Ad
donde:
SSTFA= concentración de sólidos en suspensión totales del reactor FA (Kg/m3).
QIn=caudal de la corriente de entrada (m3/día).
Tabla 8-1. Valores típicos de los parámetros del flujo limitante de sólidos simplificados propuesto von
Sperling (2007) para una sedimentabilidad moderada (IVF 100-200 ml/g).
200
Por lo tanto, para evitar que el decantador este sobrecargado respecto a las
funciones de clarificación y espesamiento, se incluyen dos restricciones
operacionales en el modelo matemático de optimización para el proceso BAS a
escala industrial:
201
microorganismos en la biopelícula de los rectores MBBR y las funciones objetivo
multi-criterio. Esto conlleva la necesidad de una planificación detallada y el uso
de un sistema de modelización de alto nivel para problemas de programación
matemática.
202
MODELO DE OPTIMIZACION DEL PROCESO BAS
MODELO MATEMATICO
Reactores MBBR: modelo 1D multi-especies y multi- FUNCIONES OBJETIVO
sustrato Índice de calidad del efluente (ICE)
Reactor FA: modelo CSTR Índice de coste operacional (ICO)
Decantador secundario: modelo de doble exponencial Índice total de costes (ITC)
de velocidad de sedimentación
Procesos biológicos: modelo ASM2 incluyendo el
proceso de depredación
METODOLOGIA DE OPTIMIZACION
ASPECTOS TECNICOS
4 PROCESO DE
TOMA DE
Problemas de separación Pérdida de eficiencia en la
DECISIONES
sólido-líquido eliminación de DQO
203
Etapa 3: optimización multi-criterio
Una vez que se simula el comportamiento de los reactores MBBR hasta el estado
estacionario, se optimiza el resto del proceso para cada alternativa, utilizando tres
diferentes funciones objetivo: índice total de costes (ITC), índice de calidad del
efluente (ICE) e índice del coste operacional (ICO). La optimización del proceso
BAS se realiza mediante el software GAMS (General Algebraic Modeling System),
utilizando CONOPT como algoritmo de resolución de problemas no lineales (PNL)
(El-Shorbagy et al., 2013).
ICE 20 NTK 1 DQOT 2 DBO 2 SST 20 SNO3 100 PT QEfl 103 (Ec.8-9)
Los valores simulados de SST, DQOT y PT son calculados mediante las variables
de estado del modelo y la descripción detallada de las ecuaciones se muestra
en los capítulos 4, 5 y 7 de esta Tesis Doctoral, respectivamente. Los valores
simulados de NTK y DBO en el efluente final se calculan mediante las
Ecuaciones 8-10 y 8-11 tal y como proponen los autores Copp et al. (2002) y
Espírito-Santo et al. (2013):
Índice del coste operacional (ICO, €/año): este índice de tipo de económico
representa los principales costes operacionales, como el consumo de energía
del sistema de aireación, la producción de fango en exceso, el consumo
204
energético del bombeo y el coste de nutrientes dosificados de manera
externa. Se han utilizado los siguientes criterios de evaluación para cuantificar
el índice del coste operacional:
205
cálculo del coste de nutrientes (CN) expresado en unidades de €/año y los
factores de ponderación económica se consideran dependientes de la
localización de la EDAR (Espirito-Santo et al, 2007):
Los valores de ICE, ICO y ITC, a lo largo de este trabajo se han calculado por
m3 de agua residual tratada (€/m3) como propone Guerrero et al. (2011), con
el fin de mantener la confidencialidad de los datos del proceso BAS a escala
industrial.
206
adecuado de los microorganismos se considera dentro de la metodología de
optimización propuesta con el fin de mejorar el modelo de optimización.
En la Tabla 8-3 también se muestran los principales resultados obtenidos para estas
condiciones regulares de operación. Se observa un alto porcentaje de
eliminación de DQOs de un 76 % y 85 % para los escenarios de estudio II y III,
respectivamente. Además, la Tabla 8-3 muestra los valores de los índices que
representan las funciones objetivo cuando se trabaja para esas condiciones de
operación.
207
Dosificación Coste de Contaminantes
nutrientes nutrientes (DQO, DBO, SST, NTK, PT y SNO3)
Corriente Corriente
de salida de salida Decantador Efluente
MBBR1 MBBR2
Influente del BAS
Reactor FA
del BAS MBBR MBBR2
1
Decantador
QP (caudal de
Energía de aireación la corriente de
Demanda carbonosa fango en
QR (Caudal de la corriente
Demanda nitrogenada exceso)
de recirculación de fango)
Energía de mezcla
Energía de bombeo Producción de
Criterios ambientales (QR y QP) fango en exceso
Criterios económicos operacionales
Variables manipulables
Figura 8-3. Diagrama de flujo del proceso BAS a escala industria con indicación de los criterios de
evaluación utilizados en las funciones objetivo y las variables manipulables.
Tabla 8-2. Caracterización experimental del influente en cada escenario de estudio (Esc.).
Q SST DQOT DQOs NTs SPO4 SNO3 SI
Esc. Origen
(m3/día) (g/m3) (g/m3) (g/m3) (g/m3) (g/m3) (g/m3) (g/m3)
Celulosa
II 1,0q 0,68s 5,21c 3,73c 3,99n 0,84p 0,5n 0,93c
y viscosa
III Celulosa 0,59q 0,28s 5,37c 4,67c 2,65n 0,90p 0,5n 0,70c
q, s, c, n y p: valores de referencia para mantener la confidencialidad de la información de la EDAR.
208
Tabla 8-3. Condiciones regulares de operación para los dos escenarios de estudio con el proceso BAS,
junto con los resultados obtenidos en esas condiciones.
Celulosa y
Origen del agua residual Celulosa
Información del viscosa
influente
Q (m3/día) 1,0q* 0,59q*
Índices de
ICE (Kg contaminación/m3) 1,790 0,861
optimización
209
8.4. Resultados y discusión
Los dos reactores MBBR (MBBR1 y MBBR2) del proceso BAS de estudio se simulan
utilizando el software Aspen Custom Modeler para describir el comportamiento
dinámico y espacial de la distribución de los microorganismos en la biopelícula de
los reactores. La dosificación de nutrientes afecta a la etapa MBBR y se deben
210
simular las 17 y 15 alternativas para los escenarios II y III, respectivamente, hasta
alcanzar el estado estacionario a los 30 días.
La Figura 8-4 también compara los resultados óptimos con los resultados en las
condiciones regulares de operación observándose que, para prácticamente
todas las alternativas, los valores del índice del coste de operación y del índice de
calidad del efluente son menores que los valores en las condiciones regulares de
operación en ambos escenarios de estudio.
211
Figura 8-4. Gráficos de caja para la distribución de los índices ICE e ICO en el escenario II
(17 alternativas) y escenario III (15 alternativas) cuando se minimiza el ITC y comparación
con los resultados en las condiciones regulares de operación.
En la Tabla 8-4 se muestran los valores óptimos de algunas variables para la mejor
alternativa mediante la minimización de ITC como función objetivo. En primer
lugar, la comparación entre las variables principales de la Tabla 8-2 (condiciones
regulares de operación) y la Tabla 8-4 (valores óptimos utilizando ITC como
función objetivo) muestra que las condiciones óptimas disminuyen el sludge yield
(Ton SST/Ton DQOs eliminadas) respecto a las condiciones regulares de operación;
sin embargo, se observa una pequeña disminución de la eficiencia de DQO.
212
metabolismo de los microorganismos autotróficos) y, b) la concentración de SST
en el efluente final es mayor, resultando en un aumento de DQO y DBO.
80 % 80 %
70 % 70 %
60 % 60 %
50 % 50 %
40 % 40 %
30 % 30 %
20 % 20 %
10 % 10 %
0% 0%
max.
max. min.
min. max.
max. min.
min. max.
max. min.
min. max. min.
max. min.
PT SST SNO
P TSS NO3 DBO NTK
BOD TKN DQOT
COD CN PE
NC EB EM
ME DN
ND PF
SP DC
CD
Figura 8-5. Contribución de cada criterio en el índice de calidad del efluente (ICE) y en
el índice del coste operacional (ICO) en los dos escenarios de estudio.
213
Tabla 8-4. Valores óptimos de las condiciones de operación para la mejor alternativa minimizando el índice total de costes (ITC), antes y después del proceso
de toma de decisiones.
Valores óptimos antes del proceso de Valores óptimos después del proceso de toma de
toma de decisiones decisiones
215
Se observa en la Tabla 8-4 que las soluciones óptimas antes del proceso de
toma de decisiones no cumplen algunos de los valores límite impuestos a las
concentraciones de NT y PT y por lo tanto se corre el riesgo de que se produzca
bulking y pérdida de eficiencia.
La Figura 8-6 muestra todas las alternativas generadas que cumplen los valores de
todos los aspectos técnicos considerados en el proceso de toma de decisiones de
forma simultánea observándose que hay 3 y 4 alternativas válidas en los
escenarios II y III, respectivamente. Además, en la Figura 8-6 se observa que las
alternativas propuestas son mejores que las condiciones regulares de operación,
ya que los valores de todos los índices (ICE, ICO y ITC) se reducen entre un 15 % y
50 %.
216
Figura 8-6. Valores óptimos para el ICE, ICO y ITC después del proceso de toma de decisiones.
La Figura 8-7 muestra el gráfico de pareto entre el sludge yield y los valores del
índice de total de costes (ITC) para todas las alternativas generadas, antes y
después del proceso de toma de decisiones y en las condiciones regulares de
operación. Se observa que, en ambos escenarios de estudio, la relación ITC vs
sludge yield coinciden en la gráfica de pareto; sin embargo, sólo unas pocas
alternativas cumplen con los valores límite impuestos en el proceso de toma de
decisiones.
La Tabla 8-4 muestra los valores óptimos de las variables estudiadas en este
capítulo para la mejor alternativa en los escenarios de estudio II y III después de la
toma de decisiones. Además, los valores del sludge yield mostrados en la Tabla 8-4
están dentro del rango de otros estudios de investigación presentados por los
autores Malmqvist et al. (2007) y Rankin et al. (2007).
217
Figura 8-7. Gráfico de pareto entre el sludge yield y el índice total de costes ITC antes de
la toma de decisiones en el escenario II ( ) y escenario III ( ) y después de la toma de decisiones en
el escenario II ( ) y en el escenario III ( ). Las condiciones regulares de operación se representan
en el escenario II ( ) y en el escenario III ( ).
218
Figura 8-8. Contribución de los criterios de evaluación en el ITC después de la toma de
decisiones en comparación con las condiciones regulares de operación .
En la Tabla 8-5 se muestran los valores óptimos de algunas variables obtenidos con
la novedosa metodología de optimización y con la optimización preliminar
(capítulo 7). En primer lugar, la comparación entre las variables principales
muestra que se consigue la misma eficiencia de eliminación con ambos métodos;
sin embargo, el parámetro sludge yield en el escenario III es un 16,3 % mayor
utilizando la optimización preliminar. En segundo lugar, si se comparan los valores
de los índices objetivo, se observa que, para ambos escenarios de estudio, los
valores obtenidos son mayores mediante la optimización preliminar.
219
Tabla 8-5. Valores óptimos obtenidos con la optimización preliminar y la metodología de optimización con proceso de toma de decisiones.
8.5. Conclusiones
221
9. CONSIDERACIONES FINALES
223
9.1. Conclusiones globales
225
modelo BAS propuesto se considera válido para el tratamiento de las aguas
residuales de alta carga orgánica y deficiencia de nutrientes.
iii) El simulador BioWin, específico de EDARs, no es útil para simular un proceso BAS
operando con limitación de nutrientes; sin embargo, el modelo propuesto en la
Tesis Doctoral implementado en el software general de ingeniería química
Aspen Custom Modeler (ACM) si refleja adecuadamente los cambios
experimentales de concentración que se producen en un proceso BAS para el
tratamiento de las aguas residuales de alta carga orgánica y deficiencia de
nutrientes
226
validado anteriormente y se consideran criterios medioambientales,
económicos y técnicos en la función objetivo.
227
y mejorar la eficiencia del tratamiento. Finalmente, el modelado matemático va
facilitar el proceso de optimización de las condiciones de trabajo teniendo en
cuenta diferentes funciones objetivo de tipo medioambiental, económica o
técnica.
Los modelos matemáticos para los reactores MBBR propuestos con anterioridad a
esta Tesis Doctoral, no incluyen el proceso de depredación, por lo tanto, no tienen
en cuenta su impacto en la eficiencia del tratamiento. El modelo matemático
desarrollado en esta Tesis Doctoral para los reactores MBBR, permite explicar las
interacciones de los microorganismos depredadores en función de la carga
orgánica soluble aplicada por área de biopelícula (SCLR) y permite predecir el
comportamiento dinámico y la distribución espacial de estos microorganismos de
forma estratificada en la biopelícula adherida a los soportes plásticos. Además,
sería posible el uso general de este modelo matemático para aguas residuales
con diferentes cargas orgánicas, ya que el modelo presenta una función de
activación/desactivación del proceso de depredación en función de los valores
SCLR aplicados a dichos reactores.
228
alcanzar el estado estacionario, c) optimización multi-objetivo, teniendo en
cuenta criterios ambientales y económicos y d) proceso de toma de decisiones
para escoger las soluciones óptimas en función de tres variables de decisión
relacionadas con los riesgos de la operación de separación sólido-líquido en la
etapa de decantación y la pérdida de la eficiencia global del proceso. El modelo
matemático del proceso BAS se ha validado para diferentes escenarios de
tratamiento de aguas residuales de la industria de celulosa y viscosa. El ámbito de
aplicación se puede extender para otras aguas residuales con alto contenido de
carga orgánica y deficiencia de nutrientes, como son las aguas procedentes de
la industria petroquímica, farmacéutica, textil y vinícola.
9.3. Sugerencias
229
con un método matemático de diferencias logarítmicas. Aunque los análisis
experimentales propuestos en esta Tesis Doctoral son utilizados en la operación
diaria de las mayorías de las EDARS y el método matemático sea una sencilla
representación gráfica, cuando no se dispone de un buen histórico de datos
experimentales, se recomienda el uso de técnicas respirométricas basadas en la
medida de la velocidad con los que los microorganismos degradan un sustrato
orgánico; esto permite obtener información del carácter biodegradable del agua
residual para poder realizar una calibración precisa del modelo.
En base a los resultados presentados en esta Tesis Doctoral, los siguientes aspectos
son considerados para futuras investigaciones:
230
de los pocos trabajos de investigación de la literatura científica. Se propone el
uso de técnicas respirométricas basadas en la medida de la velocidad de
consumo de oxígeno de los microorganismos involucrados en el proceso
biológico que permite obtener información sobre la cinética de las reacciones
biológicas.
iv) Una característica importante del proceso BAS es que puede operar en
condiciones de limitación de nutrientes. En base a estas condiciones de
operación, en esta Tesis se ha realizado una optimización del proceso BAS
reduciendo la dosificación de nutrientes sin comprometer la eficiencia global
de eliminación de DQO y evitando el riesgo de proliferación de bacterias
filamentosas (bulking filamentoso). Las soluciones óptimas obtenidos mediante
la metodología de optimización propuesta, dan como resultado una reducción
importante de la relación DQO:N:P respecto a las condiciones regulares de
operación del proceso BAS de estudio. Sin embargo, estos resultados simulados
no se han validado en la EDAR industrial ni a escala de laboratorio,
proponiéndose una validación de los resultados simulados al disminuir los
nutrientes.
231
9.5. Publicaciones asociadas a la Tesis Doctoral
Publicaciones científicas:
REVILLA, M., GALÁN, B., VIGURI, J.R., 2016. ANALYSIS AND MODELLING OF
PREDATION ON BIOFILM ACTIVATED SLUDGE PROCESS: INFLUENCE ON
MICROBIAL DISTRIBUTION, SLUDGE PRODUCTION AND NUTRIENT DOSAGE.
BIORESOURCE TECHNOLOGY, 220, 572-583. (I.F. 2016: 5,651, Q1 in Biotechnology
& Applied Microbiology).
REVILLA, M., GALÁN, B., VIGURI, J.R., 2017. ANALYSIS OF SIMULATION TOOLS AND
OPTIMIZATION OF THE OPERATIONAL CONDITIONS FOR BIOFILM ACTIVATED
SLUDGE INDUSTRIAL PROCESS. INTERNATIONAL JOURNAL OF ENVIRONMENTAL
SCIENCE AND TECHNOLOGY. Aceptado para publicacion. Septiembre 2017 (I.F.
2016: 1,915, Q2 in Environmental sciences).
REVILLA, M., VIGURI, J.R., GALÁN, B., 2014. SIMULATION AND OPTIMIZATION OF
BIOFILM ACTIVATED SLUDGE PROCESS FOR THE BIOLOGICAL TREATMENT OF
EFFLUENTS FROM CELLULOSE AND VISCOSE INDUSTRY. COMPUTER AIDED
CHEMICAL ENGINEERING. Ji í Jaromír Klemeš, Petar Sabev Varbanov, Peng Yen
Liew (Eds.). Elsevier, Amsterdam. pp. 1117-1122. ISBN (Set): 978-0-444-63434-4;
ISSN: 1570-7946. (Capítulo de libro).
232
Comunicaciones a congresos internacionales:
REVILLA, M., VIGURI, J.R., GALÁN, B., 2014. SIMULATION AND OPTIMIZATION OF
BIOFILM ACTIVATED SLUDGE PROCESS FOR THE BIOLOGICAL TREATMENT OF
EFFLUENTS FROM CELLULOSE AND VISCOSE INDUSTRY. ESCAPE 24. June 15-18,
2014–Budapest, Hungary. http://www.escape24.mke.org.hu. (Poster).
REVILLA, M., GALÁN, B., VIGURI, J.R., 2016. OPTIMIZATION OF BAS TREATMENT
PLANT USING AN INTEGRATED MODEL: APPLICATIONS FROM PULP AND VISCOSE
INDUSTRY. THE 13 IWA LEADING EDGE TECHNOLOGY CONFERENCE ON WATER
AND WASTEWATER TECHNOLOGIES. June 13-16, 2016-Jérez de la Frontera, Spain,
http://www.let2016.org/es. (Poster).
REVILLA, M., GALÁN, B., VIGURI, J.R., 2016. ENVIRONMENTAL AND ECONOMIC
BENEFITS OF COMBINED DOMESTIC AND VISCOSE-CELLULOSE WASTEWATERS
USING BAS PROCESS. THE 13 IWA LEADING EDGE TECHNOLOGY CONFERENCE ON
WATER AND WASTEWATER TECHNOLOGIES. June 13-16, 2016-Jérez de la Frontera,
Spain. (Poster).
REVILLA M., LLANO T., GALAN B., CIFRIAN E., VIGURI J.R., 2017. METHODOLOGY
FOR MULTI-OBJECTIVE OPTIMIZATION OF BIOFILM ACTIVATED SLUDGE PROCESS.
10th WORLD CONGRESS ON CHEMICAL ENGINEERING. Barcelona, 1-5 October,
2017. (Poster).
233
NOMENCLATURA
Af Área de la biopelícula (m2)
Ad Área del decantador secundario (m2)
ACM Aspen custom modeler.
ASM Activated sludge models, modelos biocinéticos de fangos activos.
BA Biomasa por unidad de área de biopelícula (g SST/m 2)
BAS Biofilm activated sludge.
BW Sotfware BioWin.
CEPI Confederación europea de industrias del papel.
CN Coste de nutrientes (€/año).
CSTR Continuous stirred-tank reactor, reactor de mezcla perfecta.
Di Coeficientes de difusión de los compuestos solubles i (m2/día).
DBO Demanda biológica de oxígeno.
DBOu Concentración de la demanda biológica de oxígeno última (g/m3).
DBOt Concentración de la demanda biológica de oxígeno a un
determinado tiempo de incubación (t) (g/m3).
DBO5 Concentración de la demanda biológica de oxígeno en un tiempo
de incubación de 5 días (g/m3).
DC Demanda carbonosa (KWh/día).
DF Dosis de floculante añadida en el fango en exceso (g/m 3).
DQO Demanda química de oxígeno.
DQOB Concentración de la demanda química de oxígeno biodegradable
(g/m3).
DQONB Demanda química de oxígeno no biodegradable.
DQOp Concentración de la demanda química de oxígeno particulada
(g/m3).
DQOs Concentración de la demanda química de oxígeno soluble (g/m3).
DQOs:N:P Relación estequiómetrica entre la demanda química de oxígeno
soluble y la cantidad de nutrientes (N y P) dosificados en el
influente.
DQOT Concentración de la demanda química de oxígeno total (g/m3).
DN Demanda nitrogenada (KWh/día).
237
EB Energía de bombeo (KWh/día).
EDAR Estación depuradora de aguas residuales.
EF Edad del fango (días).
EM Energía de mezcla en los reactores biológicos (KWh/día).
fi Fracción volumétrica de un compuesto particulado i en la
biopelícula.
FA Proceso biológico o reactor de fangos activos.
gi Flujo de masa de un compuesto particulado X i desplazado por
unidad de tiempo y de área de biopelícula respecto del soporte
plástico (g/ m2 día).
Gb Flujo de sólidos provocado por el movimiento del líquido en el
decantador secundario (Kg SST/m2 día).
Gg Flujo de sólidos gravitacional en el decantador secundario (Kg
SST/m2 día).
GL Flujo limitante de sólidos en el decantador secundario (Kg SST/m2
día).
GLs Flujo limitante de sólidos simplificado en el decantador secundario
(Kg SST/m2 día).
GT Flujo total de sólidos en el decantador secundario (Kg SST/m 2 día).
GAMS General algebraic modelling system.
H Altura del decantador secundario (m).
HLR Hydraulic loading rate, carga hidraúlica aplicada al decantador
secundario (m3/m2 día).
ICE Índice de calidad del efluente (Kg contaminación/ m3).
ICO Índice de costes de operación (€/m3).
ITC Índice total de costes de operación (€/m3).
IVF Índice volumétrico de fango definido como el volumen que ocupa
1 gramo de fango a los 30 minutos de sedimentación (ml/g).
IWA International water association.
L Espesor de biopelícula (m).
LL Espesor de la capa límite de transferencia de materia en la
interfase biopelícula-líquido en el reactor MBBR (m).
LP Problemas de optimización lineales.
238
MBBR Moving Bed Biofilm Reactor, reactor de biopelícula de lecho móvil,
MTD Mejores técnicas disponibles.
MP Modelo matemático propuesto.
NyP Nutrientes (nitrógeno y fósforo).
NLP Problemas de optimización no lineales.
NT Concentración de nitrógeno total (g/m3).
NTK Concentración de nitrógeno total Kjeldahk (g/m3).
NTs Concentración de nitrógeno total soluble (g/m3).
OFL Over flow line en la representación gráfica SPA (state Point analysis).
PEAD Polietileno de alta densidad.
PF Producción de fango en exceso (Ton SST/día).
Pj Procesos biológicos j.
PT Concentración de fósforo total (g/m3).
R Factor de recirculación (%).
ri Velocidad neta de transformación de los compuestos i en el líquido
de un reactor biológico (g/m3 día).
Si Concentración de los compuestos solubles i (g/m3).
SCLR Soluble COD loading rate, carga orgánica soluble biodegradable
aplicada por área de biopelícula (g DQO/m2 día).
SCRR Soluble COD removal rate, tasa de eliminación de DQO soluble
biodegradable en los reactores MBBR (g DQO/m2 día).
SE Superficie específica del soporte plástico (m2/m3).
SLR Solid loading rate, carga de sólidos aplicada al decantador
secundario (Kg SST/m2 día).
SPA State pont analysis.
SST Concentración de sólidos en suspensión totales (g/m 3).
SY Sludge yield, relación entre la cantidad de fango en exceso
producido y la cantidad de DQOs eliminada (Ton SST/Ton DQOs
eliminadas).
Xi Concentración de los compuestos particulados i (g/m3).
TRH Tiempo de retención hidráulico (horas).
U Velocidad de desplazamiento o expansión de la biopelícula desde
la interfase soporte-biopelícula (m/día).
239
UL Velocidad a la cual se desplaza la interfase biopelícula-líquido
(m/día).
240
PO4 Ión ortofosfato.
pre Microorganismos depredadores.
RB Material orgánico rápidamente biodegradable.
R Recirculación de fango.
S Material orgánico lentamente biodegradable procedente de la
inactivación de los microorganismos definido en ASM2.
Superíndices
b Líquido en el reactor biológico.
Efl Efluente final del proceso biológico, tras el paso por la etapa de
decantación secundaria.
f Biopelícula.
In Entrada al reactor biológico o decantador secundario.
Inf Influente del proceso biológico.
W Agua.
Símbolos griegos
ρ Densidad de la biopelícula (g/m3).
υij Coeficientes estequiométricos para un compuesto i y un proceso
biológico j de la matriz de Petersen.
σ Velocidad de desprendimiento de la biopelícula (m/día).
λ Constante de desprendimiento de la biopelícula (1/m día).
ζ Coordenada espacial normalizada de la biopelícula.
241
BIBLIOGRAFIA
1. Ahmadi M., Mehr A, Amiri. H, Ramavandi B., Izanloo H., 2014. Upgrading of Kish
Island Mirmohana Wastewater Treatment Plant using Moving Bed Biofilm
Reactor. Iranian Journal of Health Sciences, 2(3), 33-42.
2. Alasino N., Mussati M.C., Scenna N., 2007. Wastewater Treatment Plant Synthesis
and Design. Ind. Eng. Chem. Res., 46, 7497-7512.
3. Alex, J., 2004. Wastewater process modelling in Simulink and SIMBA process
library. In: The IEE Seminar on Developments in Control in the Water Industry,
University of Warwick, UK, pp. x, 24–25 November 2004.
4. Amanatidou E., Samiotis G., Trikoilidou E., Pekridis G., Taousanidis N., 2015a.
Evaluating sedimentation problems in activated sludge treatment plants
operating at complete sludge retention time. Wat. Res., 69, 20-29.
5. Amanatidou E., Samiotis G., Bellos D., Pekridis G., Trikiloidou E., 2015b, Net
biomass production under complete solids retention in high organic load
activated sludge process Bioresour. Technol., 182, 193-199.
7. Arabameri M., Javid A., Roudbari A., 2017. Artificial neural network (ANN)
modeling of COD reduction from landfill leachate by ultrasonic process.
Environment Protection Engineering 43 (1), 59-73
8. APHA (1998). Standard Methods for the Examination of Water and Wastewater.
20th edn, American Public Health Association / American Water Works
Association / Water Environment Federation, Washington DC, USA.
10. Atkinson B. and Davies I.J., 1974. The overall rate of substrate uptake (reaction)
by microbial films. part i-a biological rate equation. Trans Inst. Chem. Eng., 52,
260-268.
11. Aygun A., Nas B., Berktay A., 2008. Influence of High Organic Loading Rates on
COD Removal and Sludge Production in Moving Bed Biofilm Reactor
Enviromental engineering science, 25(9), 1311-1316.
245
12. Bae B-U., Kim Y-I., 2008. Application of Solid Loading Rate and Limiting Solid Flux
to Optimal Design of Gravitational Thickeners in Water Treatment Plants.
Environmental Engineering Science, 25(9), 1273-1278.
13. Bakos, V., Kiss, B., Jobbágy, A., (2016). Problems and causes of marginal nutrient
availability in winery wastewater treatment. Acta Alimentaria, 45(4), 532-541.
14. Banadda N., Nhapi I., Kimwaga R., 2011. A review of modeling approaches in
activated sludge systems. African Journal of Environmental Science and
Technology, 5(6), 397-408.
15. Barwal A., Chaudhary R., 2014. To study the performance of biocarriers in
moving bed biofilm reactor (MBBR) technology and kinetics of biofilm for
retrofitting the existing aerobic treatment systems: a review. Rev. Environ. Sci.
Biotechnol., 13, 285–299.
16. Bassin J., Abbas B., Vilela C., Kleerebezem R., Muyzer G., Rosado A., van
Loosdrecht M., Dezotti M., 2015. Tracking the dynamics of heterotrophs and
nitrifiers in moving-bed biofilm reactors operated at different COD/N
ratios.Bioresour. Technol. 192, 131-141.
17. Bassin J.P., Rachid C.T., Vilela C., Cao S.M., Peixoto R.S., Dezotti M., 2017.
Revealing the bacterial profile of an anoxic-aerobic moving-bed biofilm reactor
system treating a chemical industry wastewater. International Biodeterioration &
Biodegradation,120, 152-160.
18. Bill K., Bott C., Murthy S., 2009. Evaluation of Alternative Electron Donors for
Denitrifying Moving Bed Biofilm Reactors (MBBRs). Water Sci. Technol., 60, 2647-
2657.
19. Bjornberg C., Lin W., Zimmerman R., 2009. Effect of Temperature on Biofilm
Growth Dynamics and Nitrification Kinetics in a Full-Scale MBBR System.
Proceedings of the 82nd Annual Water Environment Federation Technical
Exposition and Conference, Orlando, Florida, Oct. 17-21; Water Environment
Federation: Alexandria, Virginia, 4407-4426.
20. Bjornberg C., Lin W., Zimmerman R., 2010. Kinetic Evaluation and Model
Simulation of Temperature Impact on Biofilm Growth and Nitrification in a Full-
Scale MBBR System. Proceedings of the 83rd Annual Water Environment
Federation Technical Exposition and Conference, New Orleans, Louisiana, Oct.
2–6; Water Environment Federation: Alexandria, Virginia, 4146–4171.
21. Boltz J.P., Morgenroth E., Brockmann D., Bott C., Gellner W.J., and Vanrolleghem
P.A., 2010a. Critical components of biofilm models for engineering practice. In
246
Proceedings of the Water Environment Federation, WEFTEC 2010: Session 21
through Session 30, pages 1072-1098.
22. Boltz J.P., Morgenroth E., de Barbadillo C., Dempsey M., McQuarrie J., Ghylin T.,
Harrison J., Nerenberg R., 2010b. Biofilm Reactor Technology and Design.
Chapter 13 in Design of Municipal Wastewater Treatment Plants, Vol. 2, 5th ed.;
WEF Manual of Practice No. 8; Water Environment Federation: Alexandria,
Virginia.
23. Boltz J.P., Morgenroth E., Brockmann D., Bott C., Gellner W.J., Vanrolleghem P.A.,
2011. Systematic evaluation of biofilm models for engineering practice:
components and critical assumptions. Water Sci. Technol., 64 (4), 930-944.
24. Boltz J.P., Smets B.F., Rittmann B.E., van Loosdrecht M.C.M., Morgenroth E., Glen
Daigger T., 2017. From biofilm ecology to reactors: a focused review. Water Sci
Technol., 75(7-8), 1753-1760.
25. Borghei S.M., Hosseini S.H., 2004. The treatment of phenolic wastewater using a
moving bed biofilm reactor. Process Biochem., 39, 1177–1181.
26. Borkar R., Gulhane M., Kotangale A., 2013. Moving bed biofilm reactor e a new
perspective in wastewater treatment. IOSR JESTFT, 6 (6), 15-21.
27. Brinkley J., Johnson C.H., Souza R., 2007. Moving bed biofilm reactor
technology—a full scale installation for treatment of pharmaceutical
wastewater, North Carolina American Water Works Association-Water
Environment Federation (NC AWWA-WEA), Annual Conference Technical
Program.
28. Brun R., Kühni M., Siegrist H., Gujer W. y Reichert P. (2002) Practical identifiability
of ASM2d parameters-systematic selection and tuning of parameter subsets.
Water Research, 36(16), 4113-4127.
29. Buyukkamaci N., Koken E., 2010. Economic evaluation of alternative wastewater
treatment plant options for pulp and paper industry. Sci. Total Environ., 408 (24),
6070-6078.
247
32. Caniani D., Cosenza A., Esposito G., Frunzo L., Gori R., Bellandi G., Caivano M.,
Mannina G., 2017. A New Plant Wide Modelling Approach for the Reduction of
Greenhouse Gas Emission from Wastewater Treatment Plants. FICWTM 2017:
Frontiers in Wastewater Treatment and Modelling, 489-496.
33. CEPI, 2016, CEPI Preliminary Statistics 2016. The Confederation of European
Paper Industries. http://www.cepi.org/.
34. Chanworrawoot K., Hunsom M., 2012. Treatment of wastewater from pulp and
paper mill industry by electrochemical methods in membrane reactor. J.
Environ. Manage., 113, 399-406.
35. Chavan R.B. and Patra A.K., 2004. Development and processing of lyocell
Indian Journal of Fibre & Textile Research 29, 483-492.
36. Chen W., Lu X., Yao C., 2016. Optimal strategies evaluated by multi-objective
optimization method for improving the performance of a novel cycle operating
activated sludge process. Chemical Engineering Journal, 260, 492–502.
37. Clauss F., Balavoine C.,Hélaine D., Martin, G., 1999. Controlling the settling of
activated sludge in pulp and paper wastewater treatment plants, Water
Science and Technology, 40(11-12), 223-229.
38. Comas J., Rodríguez-Roda I., Sánchez-Marré M., Cortés U., Freixó A., Arráez J.,
Poch M., 2003. A knowledge-based approach to the deflocculation problem:
integrating on-line, off-line, and heuristic information. Wat. Res., 37(10), 2377-
2387.
39. Comas J., Rodríguez-Roda I., Gernaey K.V., Rosen C., Jeppsson U., Poch M.,
2008. Risk assessment modelling of microbiology-related solids separation
problemsin activated sludge systems. Environ. Modell. Soft., 23 (10-11), 1250-
1261.
40. Comeau Y., Petersen B., Stuart P., Perrier M., Graff S., Asselin C., 2003. Activated
sludge yield reduction by the low sludge production (LSP) process. Pulp & Paper
Canada, 104(8), 40-42.
41. Copp J.B., 2002. The COST Simulation Benchmark: Description and Simulator
Manual. Office for Official Publications of the European Communities,
Luxembourg.
42. Dahl O., ed., 2008. Environmental Management and Control. 2nd edition.
Papermaking Science and Technology Book 19. Paperi ja Puu Oy, Jyväskylä,
Finland. 304 p.
248
43. Dai H., Chen W., Lu X., 2016. The application of multi-objective optimization
method for activated sludge process: a review. Water Sci Technol., 73(2), 223-
235.
44. Dick R.I., 1972. Gravity thickening of sewage sludges. J. WPCF, 44, 368-380.
45. Dold P.L, Ekama G.A., Marais G. vR., 1980. A general model for the activated
sludge process. Prog. Wat. Tech., 12, 47-77.
46. Ekstrand E.,Larsso M.,Truong X., Cardell L.,Borgstrom Y.,Bjorn A., Ejlertsson J.,
Svensson B.H., Nilsson F., Karlsson A., 2013.Methane potentials of the Swedish
pulp and paper industry – a screening of wastewater effluents. Appl. Energy,
112, 507-517.
47. Echiegu E.A., 2015. Kinetic models for anaerobic fermentation processes-A
review. American Journal of Biochemistry & Biotechnology, 11(3), 132-148.
48. Eckenfelder, W.W., 1970. Water Quality Engineering for Practicing Engineers.
Barnes & Noble, New York.
49. Egea J.A., Vries D., Alonso A.A., Banga J.R., 2007. Global Optimization for
Integrated Design and Control of Computationally Expensive Process Models.
Ind. Eng. Chem., 46, 9148-9157.
50. Eikelboom D.H., 2000. Process control of activated sludge plants by microscopic
investigation’ IWA Publishing, London, England.
51. Ekama G. A., Dold P., G. V. Marais G.V., 1986. Procedures for determining
influent COD fractions and the maximum specific growth rate of heterotrophs in
activated sludge systems. Water Science Tech., 18, 91-114.
52. Ekama G. A., Barnard J. L., Gunthert F. W., Krebs P., Mc-Conquodale J. A.,
Parker D. S., Wahalberg E. J., 1997. Secondary settling tanks: theory, modelling,
design and operation. Technical Report 6, IWA Publishing.
53. El-Shorbagy Walid E., RadifNawras N., Droste Ronald L., 2013. Optimization of
A2O BNR Processes Using ASMand EAWAG Bio-P Models: Model Performance.
Water Effluent quality Research, 85(12), 2271-2284.
54. Elsergany M., Ahsan A., Aziz M.M.A., 2015. Optimizing the Performance of a
Paper Mill Effluent Treatment. Sains Malays. 44(1): 101-106.
55. Erkman S., 2001. Industrial ecology: a new perspective on the future of the
industrial system. Swiss medical weekly, 131, 53-538.
249
56. Espirito-Santo I.A.C.P., Fernandes E.M.G.P., Araujo M.M., Ferreira E.C., 2007.
Wasted sludge treatment contributions inthe WWTP total cost. WSEAS Trans. Inf.
Sci. Appl. 4,655–662.
58. European Commission (EC), 1991. Council Directive of 21 May 1991 concerning
urbanwaste water treatment (91 /271 /EEC). Off. J. Eur. Communities 135.
59. Ferrer J., Seco A., 2007. Tratamientos biológicos de aguas residuales. Ed.
Universidad Politécnica de Valencia, Valencia, España.
60. Ferrer I., Ponsá S., Vázquez F., Font X., (2008). Increasing biogas production by
thermal (70 ◦C) sludge pre-treatment prior to thermophilic anaerobic
digestion.Biochem. Eng. J. 42: 186–192.
61. Flores-Alsina X., Rodriguez-Roda I., Sin G., Gernaey K.V., 2008. Multi-criteria
analysis of wastewater treatment plant control strategies under uncertainty.
Wat. Res. 42 (17), 4485-4497.
62. Flores-Alsina X., Comas J., Rodriguez-Roda I., Gernaey K.V, Rosen C., 2009.
Including the effects of filamentous bulking sludge during the simulation of
wastewater treatment plants using a risk assessment model. Water research, 43,
4527–4538.
63. Flores-Alsina X., Comas J., Rodriguez-Roda I., 2010. Analysis of rising sludge risk in
Activated Sludge Systems: from operational strategies to clarifier design.
International Environmental Modelling and Software Society (iEMSs) 2010
International Congress on Environmental Modelling and Software Modelling for
Environment’s Sake, Fifth Biennial Meeting, Ottawa, CanadaDavid A. Swayne,
Wanhong Yang, A. A. Voinov, A. Rizzoli, T. Filatova (Eds.).
64. Foscoliano C., Del Vigo S., Mulas M., Tronci S., 2016. Predictive control of an
activated sludge process for long term operation. Chemical Engineering
Journal, 304, 1031-1044.
65. Freedman D. L., Payauys a. M., Karanfil1 T, 2005, The effect of nutrient deficiency
on removal of organic solvents from textile manufacturing wastewater during
activated sludge treatment, Environmental technology, 26, 179-188.
250
67. Frosch R. and Gallopoulos N., 1989. Strategies for manufacturing. Scientific
American (September).
68. Garrido-Baserba M., Reif R., Molinos-Senante M., Larrea L., castillo A., Verdaguer
M., Poch M., 2016. Application of a multi-criteria decision model to select of
design choices for WWTPs. Clean Technologies and Environmental Policy, 18(4),
1097-1109.
70. Gernaey K.V., Loosdrecht M.C.M., Henze M., Lind M., Jørgensen B., 2004.
Activated sludge wastewater treatment plant modelling and simulation: state
of the art, Environ. Modell. Softw., 19, 763-783.
71. Gernaey K.V, Lantz A.E., Tufvesson P., Woodley J.M., Sin G., (2010). Application
of mechanistic models to fermentation and biocatalysis for next-generation
processes. Trends in Biotechnology, 28, 346-354.
72. Gong M., Xanthos S., Ramalingam K., Fillos J., Beckmann K., Deur A.,
McCorquodale J.A., 2011. Development of a flocculation sub-model for a 3-D
CFD model based on rectangular settling tanks. Water Sci. Technol., 63 (2), 213-
219.
73. Goode, C., 2010. Understanding Biosolids Dynamics in a Moving Bed Biofilm
Reactor. Ph.D. thesis. University of Toronto, Canada.
74. Grady C, Daigger G, Lim H., 1999. Biological wastewater treatment revised and
expanded, 2nd edn. Marcel Deker Inc, New York.
75. Grady C, Daigger G, Lim H., Love N.G., Filipe C.D., 2011.Biological wastewater
treatment. CRC press.
76. Grau, P., Sutton, P.M., Henze, M., Elmaleh, S., Grady, C.P., Gujer, W., and Koller,
J. 1982. “Report: Recommended Notation for Use in the Description of Biological
Wastewater Treatment Processes,” Water Research, 16(11), 1501.
77. Granata F., Papirio S., Esposito G., Gargano R., de Marinis G., 2017. Machine
Learning Algorithms for the Forecasting of Wastewater Quality Indicators. Water,
9(105); doi:10.3390/w9020105.
78. Gray, N. F. (Ed.). (2004). Biology of wastewater treatment. 2nd edition. World
Scientific. Dublin.
79. Gross A., Maimon A., Alfiya Y., Friedler E., 2015 .Greywater reuse. CRC Press.
251
80. Guerrero J., Guisasola A., Vilanova R., Baeza J., 2011. Improving the
performance ofa WWTP control system by model-based setpoint optimisation.
Effluent quality Modelling & Software, 26, 492-497.
81. Gujer W., Larsen T.A., 1995. The implementation of biokinetics and conservation
principles in ASIM. Water Sci. Technol., 31, 257–266.
82. Hakanen J., Miettinen K., Sahlstedt K., 2011. Wastewater treatment: new
insightprovided by interactive multiobjective optimization. Decision Support
Systems, 51, 328-337.
83. Hakanen J., Sahlstedt K., Miettinen K., 2013.Wastewater treatment plant design
and operation under multipleconflicting objective functions. Effluent Quality
Modelling & Software, 46, 240-249.
84. Hao X., Wang Q., Cao Y., van Loosdrecht M.C.M., 2010. Measuring the activities
of higher organisms in activated sludge by means of mechanical shearing
pretreatment and oxygen uptake rate. Water Res., 44, 3993–4001.
85. Hao X., Wang, Q., Cao Y., van Loosdrecht M.C.M., 2011. Evaluating sludge
minimization caused by predation and viral infection based on the extended
activated sludge model No. 2d. Water Res., 45, 5130-5140.
86. Hauduc H., Rieger L., A. Oehmen A., van Loosdrecht M.C.M., Comeau Y.,
Héduit A., Vanrolleghem P.A.,2 Gillot S., 2013. Critical Review of Activated
Sludge Modeling: State of Process Knowledge, Modeling Concepts, and
Limitations. Biotechnol. Bioeng., 110, 24–46.
87. Helness H., Ødegaard H., 2001. Biological phosphorus and nitrogen removal in a
sequencing batch moving bed biofilm reactor. Water Sci Technol 43(1):233–240.
88. Helness H., Ødegaard H., 2005. Biological phosphorus and nitrogen removal
from municipal wastewater with a moving bed biofilm reactor. Proc. IWA
Specialized Conference Nutrient Management in Wastewater Treatment
Processes and Recycle Streams, Krakow, 19-21, 435-444.
89. Helness H., Melin E., Ulgenes Y., Järvinen P., Rasmussen V., Ødegaard H.,
2005.High-rate Wastewater Treatment Combining a Moving Bed Biofilm Reactor
and Enhanced Particle Separation, Wat. Sci. Tech., 52 (10-11), 117–127.
90. Henze, M., Grady, C.P.L. Jr, Gujer, W., Marais, G.v.R. and Matsuo, T. (1987)
Activated Sludge Model No. 1. (IAWPRC Scientific and Technical Report No. 1.)
London: IAWPRC.
252
92. Henze M., Dupont R., Grau P., de la Sota A., 1993. Rising sludge in secondary
settlers due to denitrification, Water Res., 27 231-236.
93. Henze, M., Gujer, W., Mino, T., van Loosdrecht, M., 2000. Activated Sludge
Models ASM1, ASM2, ASM2D and ASM3. IWA Scientific and Technical Report
No.9. IWA Publishing, London, UK.
94. Henze M., van Loosdrecht M.C.M., Ekama G.A., (2008). Biological Wastewater
Treatment: Principles, Modeling, and Design. Intl Water Assn Publishing.
96. Hey T., Jönsson K., La Cour Jansen J., 2012. Full-scale in-line hydrolysis and
simulation for potential energy and resource savings in activated sludge - A
case study. Environ. Technol. 33 (15) 1819-182.
97. Horn H., Lackner S., 2014. Modeling of biofilm systems: a review. Adv. Biochem.
Eng. Biotechnol., 146, 53-76.
98. Hosseiny S.H., Borghei S.M., 2002. Modelling of organic removal in a moving bed
biofilm reactor (MBBR). Scientia Iranica, 9(1), 53–58.
99. Hosseini, S.H., Borghei, S.M., 2005. The treatment of phenolic wastewater using a
moving bed bio-reactor. Process Biochem. 40 (3-4), 1027-1031.
100. Hreiz R, Latifi M.A., Roche N., 2015a. Optimal design and operation of
activated sludge processes: State-of-the-art.Chemical Engineering Journal, 281,
900-920.
101. Hreiz R, Roche N., Benyahia B., Latifi M.A., 2015b. Multi-objective optimal
control of small-size wastewater treatment plants. Chemical engineering
research and design, 102, 345-353.
102. Hulsbeek J.J.W., Kruit J., Roeleveld P.J. y Van Loosdrecht M.C.M. (2002). A
practical protocol for dynamic modelling of activated sludge systems. Water
Science and Technology, 45(6), 127-136.
103. Hussain A., Kumar P., Mehrotra I., 2015, Nitrogen and phosphorus requirement
in anaerobic process: a review. Environmental Engineering and Management
Journal, 14, 769-780.
104. Hvala N., Vrečko D., Levstek M., Bordon C., 2017. The use of Dynamic
Mathematical Models for improving the Designs of upgraded Wastewater
253
Treatment Plants. Journal of Sustainable Development of Energy, Water and
Environment Systems, 5(1), 15-31.
105. IPPC, 2015. Best Available Techniques (BAT) Reference Document for the
Production of Pulp, Paper and Board. 2015. JRC, EU.
106. Jahren S.J., Rintala J.A., Ødegaard H., 2002. Aerobic moving bed biofilm
reactor treating thermomechanical pulping whitewater under thermophilic
conditions.Water Res., 36(4), 1067–1075.
107. Jafarinejad S., 2017. Activated sludge combined with powdered activated
carbon (PACT process) for the petroleum industry wastewater treatment: A
review. Chemistry International 3(4), 268-277.
108. Jenkins D., Richard M.G., Daigger G. T., 2004. Manual on the causes and
control of activated sludge bulking, foaming and other solids separation
problems. 3rd ed. London: IWA Publising.
110. Jeppsson U., Alex J., Batstone D., Benedetti L., Comas, J., Copp J.B.,
Corominas L., Flores-Alsina X., Gernaey K.V., Nopen, I., Pons M.-N., Rodriguez-
Roda I., Rosen C., Steyer J.-P., Vanrolleghem P.A., Volcke E.I.P., Vrecko D.,
2013. Benchmark simulation models, quo vadis?Water Sci. Technol. 68 (1) 1-15.
111. Jiang T., Liu X., Kennedy M.D., Schippers J.C., Vanrolleghem P.A., 2005.
Calibrating a Side-Stream Membrane Bioreactor Using Activated Sludge
Model No. 1. Water Sci Technol., 52 (10-11), 359-367.
112. Jímenez E., 2010. Modelación matemática del proceso de nitrificación en dos
etapas. Desarrollo de metodologías de calibración del modelo para un
reactor SHARON y un proceso de fangos activados. Ph.D. Thesis, Universidad
Politécnica de Valencia, España.
113. Jokela J., Rintala J., Oikari A., Reinikainen O., Mutka K., Nyrönen T., 1997.
Aerobic composting and anaerobic digestion of pulp and paper mill sludges
Water Science and Technology, 36(11), 181-188.
114. Kaindl N., 2010. Upgrading of an activated sludge wastewater treatment plant
by adding a moving bed biofilm reactor as pretreatment and ozonation
followed by biofiltration for enhanced COD reduction: design and operation
experience. Water Sci. Technol., 62(11), 2710-2729.
254
115. Kamali M., Khodaparast Z., 2015. Review on recent developments on pulp and
paper mill wastewater treatment. Ecotox. Environ. Safe., 114, 326-342.
116. Karrasch B., Parra O., Cid H., Mehren M., Pacheco P., Urrutia R., Valdovinos C.,
Zaror C., 2006. Effects of pulp and paper mill effluents on the microplankton
and microbial self-purification capabilities of the Biobıo River, Chile. Sci. Total
Environ., 359, 194-208.
117. Kenny R., 2010. Nutrient optimization for pulp & paper wastewater treatment
plants - An opportunity for major cost savings. Pulp Pap-Canada, 111(2), 20-25.
119. Keskitalo J. and Leiviskä K., 2010. University of Oulu Control Engineering
Laboratory Report A No 41, January 2010.
120. Keskitalo J., la Cour Jansen J., Leiviskä K., 2010. Calibration and validation of a
modified ASM1 using long-term simulation of a full-scale pulp mill wastewater
treatment plant. Environmental Technology, 31(5), 555-566.
121. Kim M., Kim M-J., Pyo S-H., Lee S-C., Ghorbannezhad P., Foo D.C.Y., Yoo C-K.,
2015. Greenhouse emission pinch analysis (GEPA) for evaluation of emission
reduction strategies, Clean Technologies and Environmental Policy, 18(5),
1381-1389.
122. Kinner N.E., Curds C.R., 1987. Development of protozoan and metazoan
communities in rotating biological contactor biofilms. Water Res., 21-4, 481-
490.
123. Kumar V., Dhall P., Naithani S., Anil Kumar A., Rita Kumar R., 2014. Biological
Approach for the Treatment of Pulp and Paper Industry Effluent in Sequence
Batch Reactor. J. Bioremed. Biodeg., 5: 218. doi:10.4172/2155-6199.1000218.
124. Kynch G.J., 1952. A theory of sedimentation, Trans. Faraday Soc., 48, 166-176.
125. Langergraber G., Rieger L., Winkler S., Alex, J., Wiese, J., Owerdieck C., Ahnert
M., Simon J., Maurer M., 2004. A guideline for simulation studies of wastewater
treatment plants. Water Sci. Technol. 50 (7), 131-138.
126. Larsen T.A., Harremoës P., 1994. Degradation mechanisms of colloidal organic
matter in biofilm reactors. Water Res., 28(6), 1443-1452.
127. Lawrence A.M. and McCarty P.L., 1970. Unified basis for biological treatment
design and operation. J. San. Eng. Div., 96: 757-777.
255
128. Lee D.S., Jeon C.O., Park J.M., Chang K.S., 2002. Hybrid neural network
modeling of a full-scale industrial wastewater treatment process, Biotechnol.
Bioeng., 78,670-682.
129. Lee M.W., Park J.M., 2007. One-dimensional mixed-culture biofilm model
considering different space occupancies of particulate components. Water
Res., 41(19), 4317-4328.
130. Lei G., Ren H., Ding L., Wang F., Zhang X., 2010. A full scale biological
treatment system application in the treated wastewater of pharmaceutical
industrial park. Bioresour. Technol. 101 (15), 5852e5861.
131. Leiva J.C., 2015. Kinetic study of moving bed biofilm reactor-membrane
bioreactor systems and membrane bioreactors for municipal wastewater
treatment. Ph.D. Thesis, University of Granada, Spain.
132. Lewis R., Nothrop S., Chow C.W.K., Everson A., Leeuwen J.A.Van., 2013.Color
formation from pre and post-coagulation treatment of Pinus radiata sulfite
pulp mill wastewater using nutrient limited aerated stabilization basins. Sep.
Purif. Technol., 114, 1-10.
135. Li B., Qiu Y., Zhang C., Chen L., Sh H., 2016. Understanding biofilm diffusion
profiles and microbial activities to optimize integrated fixed-film activated
sludge process. Chem. Eng. J., 302, 269-277.
136. Lindblom E., 2003. Master thesis. Dynamic Modelling of Nutrient Deficient
Wastewater Treatment Processes. Department of Industrial Electrical
Engineering and Automation, Lund University, Sweden.
137. Liotta F., Chatellier P., Esposito G., Fabbricino M., Van Hullebusch E. D., Lens
P.N., 2014. Hydrodynamic mathematical modelling of aerobic plug flow and
nonideal flow reactors: a critical and historical review. Critical Reviews in
Environmental Science and Technology, 44(23), 2642-2673.
138. Liu G., Wang J., 2015. Modeling effects of DO and SRT on activated sludge
decay and production. Water Res., 80, 169-178.
256
139. Liwarska-Bizukojc E. and Biernacki R., 2010. Identification of the most sensitive
parameters in the activated sludge model implemented in BioWin software.
Bioresource technology, 101(19), 7278-7285.
140. Liwarska-Bizukojc E., Olejnik D., Biernacki R., Ledakowicz S., 2011.Calibration of
a complex activated sludge model for the full-scale wastewater treatment
plant. Bioprocess Biosyst Eng., 34,659-670.
141. Liwarska-Bizukojc, E., Maton C., Stevens Ch.V., Gendaszewska D., 2013.
Biodegradability and kinetics of the removal of new peralkylated imidazolium
ionic liquids. J. Chem. Technol. Biot. 89(5):.763–768.
143. Malmqvist A., Berggren B., SjÖlin C., WelanderT., Heuts L., Fransen A., Ling D.,
2004a. Full scale implementation of the nutrient limited BAS process al Södra
Cell VärÖ. Wai. Sei. Tech., 50(3), 123-130.
144. Malmqvist A., Olsson. L. E., Welander T., Eriksson J., Johansson C., 2004b. Low
sludge Production and stable operation with the nutrient limited BAS process.
Proc. Tappi Environ. Conf., Atlanta 2004.
145. Malmqvist A., Ternstrom A., Werker A., 2008. Nutrient limited BAS for optimal
wastewater treatment performance.International Paperworld IPW. 9, 32-33.
146. Martin M., 2015. Introduction to software for chemical engineers. CRC Press.
147. Mases, M.; Dimitrova, I.; Nyberg, U.; Gruvberger, C.; Andersson, B.(2010)
Experiences from MBBR Post-Denitrification Process in Long-Term Operation at
Two WWTPs. Proceedings of the Water Environment Federation and
International Water Association Biofilm Reactor Technology Conference,
Portland, Oregon, Aug. 15–18; Water Environment Federation: Alexandria,
Virginia.
148. Mašić A., Bengtsson J., Christensson M., 2010. Measuring and modeling the
oxygen profile in a nitrifying moving bed biofilm reactor. Math. Biosci., 227, 1-
11.
149. Mašić A., 2013. Investigation of a Biofilm Reactor Model with Suspended
Biomass. Ph.D. Thesis. Lund University, Sweden.
257
151. McQuarrie J.P., Boltz J.P., 2011. Moving bed biofilm rector technology: process
applications, design and performance. Water Environ. Res., 83(6), 560–575.
152. Melcer H., Dold P.L., Jones R.M., Bye C.M., Takacs I., Stensel H.D., Wilson, A.W.,
Sun, P., Bury, S., 2003. Methods for Wastewater Characterization in Activated
Sludge Modelling. Water Environment Research Foundation (WERF),
Alexandria, VA, USA.
153. Melin E., Ødegaard H., Helness H., Kenakkala T., 2004. High-Rate Wastewater
Treatment Based Nitrification MBBRs. Chemical Water and Wastewater
Treatment VIII; IWA Publishing: London, United Kingdom, 39-48.
154. Metcalf and Eddy, 2003. Wastewater engineering—treatment and reuse, 4th
edn. Tata McGraw-Hill Inc, New York city.
155. Mike M., Jamie G., Jason B., Chris W., Theresa B., Don Howard., 2009. BioWin
Modeling of a Three Reactor IFAS System. Proceedings of the Water
Environment Federation 82ND Annual Technical Exhibition & Conference,
Orlando, FL, USA, October 10-14.
156. Modin O., Persson F., Wilén B-M., Hermansson M., 2016. Nonoxidative removal
of organics in the activated sludge process. Journal Critical Reviews in
Environmental Science and Technology, 46(7), 635-672.
157. Moles C.G., Gutierrez G., Alonso A.A., Banga J.R., 2003. Integrated process
design and control via global optimization: a wastewater treatment plant
case study, Chem. Eng. Res. Des., 81,507-517.
158. Monod J., 1949. The growth of bacterial cultures Annu Rev Microbiol., 3, 371-
394.
160. Mosey F.E., 1996. Biofilms on Kaldnes carrier particles. Proc. from seminar
organised by Anglian Water. Cambridgeshire, UK 27-29 November 1996.
161. Moussa, M., Hooijmans, C., Lubberding, H., Gijzen, H., van Loosdrecht, M., 2005.
Modelling nitrification, heterotrophic growth and predation in activated
sludge. Water Res., 39 (20), 5080-5098.
162. Mozumder, M.S.I., Picioreanu, C., van Loosdrecht, M.C.M., Volcke, E.I.P., 2014.
Effect of heterotrophic growth on autotrophic nitrogen removal in a granular
sludge reactor. Environ. Technol., 35, 1027–1037.
258
163. Ni B.J., Rittmann B.E., Han-Qing Yu H.Q., 2010. Modeling Predation Processes in
Activated Sludge. Biotechnology and Bioengineering, 105 (6), 1021-1030.
165. Noguera D.R. and Morgenroth E., 2004. Introduction to the IWA Task Group on
Biofilm Modeling. Water Science and Technology, 49(11-12), 131-136.
166. Ødegaard H., Rusten B., Westrum T., 1994. A new moving bed biofilm reactor -
applications and results. Water Science & Technology 29(10-11), 157-165.
167. Ødegaard H, Rusten B, Siljudalen J., 1998. The development of the Moving Bed
Biofilm Process—From Idea to Commercial Product, Proceedings of
WEC/EWPCA/ IWEM Speciality Conference, Innovations 2000, Cambridge, UK.
168. Ødegaard H., 1999. The moving bed biofilm reactor. In: Igarashi, T., Watanabe,
Y., Tambo, N. (Eds.), Water Environmental Engineering and Reuse of Water.
Hokkaido Press, Sapporo, 250-305.
170. Ødegaard H., Gisvold B., Strickland J., 2000. The influence of carrier size and
shape in the moving bed biofilm process. Water Science & Technology 41(4-5):
383–391.
171. Ødegaard H., 2006. Innovations in wastewater treatment: the moving bed
biofilm process. Water Sci Technol 53(9):17–33.
172. Oleyiblo O.J., Cao J., Feng Q., Wang G.,Xue Z., Fang F., (2015).Evaluation and
improvement of wastewater treatment plant performance using BioWin. Chin.
J. Oceanol. Limn. 33,2,468-476.
173. Olsson G., Newell B., 1999. Wastewater Treatment Systems. Modelling,
Diagnosis and Control, IWA Publishing, London.
174. Orhon D., Ubay E., 1997. COD fractionation in wastewater characterization:
The state of the art. J. Chem. Tech. Biotechnol. 68, 283-293.
175. Oselame M. C., Fenandes H., Costa R.H.R., 2014. Simulation and calibration of
a full-scale sequencing batch reactor for wastewater treatment. Braz. J.
Chem. Eng., 31(3), 649-658.
259
176. Pérez J., Picioreanu C., van Loosdrecht M., 2005. Modeling biofilm and floc
diffusion processes based on analytical solution of reaction-diffusion
equations. Water Research, 39, 1311-1323.
177. Petersen B., Gernaey K., Henze M., Vanrolleghem P.A., 2002. Evaluation of an
ASM1 model calibration procedure on a municipal– industrial wastewater
treatment plant. J. Hydroinformatics, 4, 15-38.
178. Petersen B., Gernaey K., Henze M., Vanrolleghem P.A., 2003. Calibration of
activated sludge models: A critical review of experimental designs. In:
Biotechnology for the Environment: Wastewater Treatment and Modeling,
Waste Gas Handling. Eds. Agathos S.N. and Reineke W., Kluwer Academic
Publishers, Dordrecht, The Netherlands. 101-186.
179. Pinjarkar A.B., Jagtap R.D., Solanke C.K., Mehta H.H., 2017. The Moving Bed
Biofilm Reactor (MBBR). International Advanced Research Journal in Science,
Engineering and Technology, 4(3), 63-66.
180. Pokhrel D., Viraraghavan T., 2004. Treatment of pulp and paper mill
wastewater – a review. Sci. Total Environ., 333, 37-58.
181. Pretel R., Robles A., Ruano M.V., Seco A.,Ferrer J., 2016. A plant-wide energy
model for wastewater treatment plants: application to anaerobic membrane
bioreactor technology. Journal Environmental Technology, 37(18), 2298-2315
182. Puyol D., Barry E.M., Hülsen T.,Batstone D.J., 2017. A mechanistic model for
anaerobic phototrophs in domestic wastewater applications: Photo-
anaerobic model (PAnM). Water Res., 116, 241-253.
183. Qiqi Y., Qiang H., Ibrahim H.T., 2012. Review on moving bed biofilm processes.
Pak J Nutr 11(9), 706-713.
185. Ramalingam K., Xanthos S., Gong M., Fillos J., Beckmann K., Deur A.,
McCorquodale J.A., 2012. Critical modeling parameters identified for 3D CFD
modeling of rectangular final settling tanks for New York City wastewater
treatment plants. Water Sci. Technol., 65 (6), 1087-1094.
186. Ramdani A., Dold P., Déléris S., Lamarre D., Alain Gadbois A., Comeau Y., 2010.
Biodegradation of the endogenous residue of activated sludge. Water Res. 44,
2179-2188.
187. Rankin, A., Van Aert, M., Welander, T., Malmqvist, A., 2007. Low sludge yield
Biofilm Activated Sludge (BAS) Upgrade– Quesnel River Pulp Co. Tappi J. 6 (5),
17-22.
260
188. Razali M.A.A., Ahmad Z., Ahmad M.S.B., Ariffin A., 2011. Treatment of pulp and
paper mill wastewater with various molecular weight of polyDADMAC induced
flocculation. Chem. Eng. J., 166, 529-535.
189. Rebolerio P., 2014. Microbial processes in moving bed membrane bioreactors
for wastewater treatments. PhD thesis. University of Granada, Spain.
190. Reichert P., 1994. AQUASIM - A tool for simulation and data analysis of aquatic
systems. Water Sci. Technol., 30(2), 21-30.
191. Reichert P., 1998. AQUASIM 2.0-User Manual, Computer for the Identification
and Simulation of Aquatic Systems, Swiss Federal Institute for Environmental
Science Technology, Dubendorf, Switzerland.
192. Remy C., Boulestreau M., Lesjean B., 2014. Proof of concept for a new energy-
positive wastewater treatment scheme. Water Sci. Technol. 70 (10), 1709-1716.
193. Rensik J.H. and Donker H.J.G.W., 1991. The effect of contact tank operation on
bulking sludge and biosorption processes. Wat. Sci.Tech., 23, 857-866.
194. Revilla M., Viguri J.R., Galán B., (2014). Simulation and Optimization of Biofilm
Activated Sludge Process for the Biological Treatment of Effluents from
Cellulose and Viscose Industry, Computer Aided Chemical Engineering, 33,
1117-1122.
195. Revilla M., Viguri J.R., Galán B., (2016a).An integrated mathematical model for
chemical oxygen demand (COD) removal in moving bed biofilm reactors
(MBBR) including predation and hydrolysis. Water Res., 98, 84-97.
196. Revilla M., Viguri J.R., Galán B., (2016b).Analysis and modelling of predation on
biofilm activated sludge process: influence on microbial distribution, sludge
production and nutrient dosage. Bioresource Technol., 220, 572-583.
197. Richard M.G., 1999. Causes of variable phosphorus needs in pulp and paper
activated sludge systems. Proc. 1999 Tappi environ. Conf, Nashville, 703-709.
198. Rintala J.A. and Puhakka, J.A., 1994. Anaerobic treatment in pulp and paper
mill waste management: a review, Bioresour. Technol., 47(1), 1-18.
199. Rivas A., Irizar I., Ayesa E., 2008. Model-based optimisation of Wastewater
Treatment Plants design. Environmental Modelling & Software 23, 435-450.
200. Roeleveld P. and van Loosdrecht M.C.M., 2002. Experience with Guidelines for
Wastewater Characterization in the Netherlands. Water Science & Technology
45(6), 77-87.
261
201. Rodríguez E., Isac L., Fernández N., Salas, M.D., 2004. Manual de Trabajo para
Análisis Biológicos en Fangos Activados. Jornada de Transferencia de
Tecnología sobre “Ejercicios interlaboratorios en fangos activos como sistema
de control de calidad en la EDAR” (Sevilla, Octubre de 2004). Edita Grupo
Bioindicación Sevilla. I.S.B.N. 608-0189-6.
202. Rodríguez E., Isac L., Fernández N., Zornoza A., Mas, M., 2008. Identificación de
bacterias filamentosas en EDAR industriales. Tecnología del agua, 303, 56-64.
203. Rohold L., Harremoës P., 1993. Degradation of non-diffusible organic matter in
biofilm reactors. Water Res., 27(11), 1689-1691.
205. Ronzano E. y Dapena J.L., 1995. Tratamiento biológico de las aguas residuales.
Editorial Díaz de Santos.
207. Ruiken C., Breuer G., Klaversma E., Santiago T., van Loosdrecht, M.C.M., 2013.
Sieving wastewater – Cellulose recovery, economic and energy evaluation,
Water Res., 47(1), 43-48.
210. Rusten B., Eikebrokk B., Ulgenes Y., Lygren E., 2006. Design and operations of
the Kaldnes moving bed biofilm reactors. Aquacult. Eng., 34, 322-331.
211. Sánchez Ramírez J. E., Mejía Fajardo A., Amorocho Cruz C. M., 2015. Software
de ingeniería especializado en el diseño y simulación de plantas de
tratamiento de agua residual: revisión. Revista Ingeniería y Región, 13(1), 57-
71.
212. Schubert R.L., Boulestreau M., Christensson M., Lesjean B., 2013. Novel
wastewater process scheme for maximum COD extraction: high load MBBR
followed by microsieve filtration, 9th International Conference on Biofilm
Reactors, May 28–31, Paris, France.
262
213. Shi Y., Huang C., El-Din M. G., Liu, Y., 2017. Optimization of moving bed biofilm
reactors for oil sands process-affected water treatment: The effect of HRT and
ammonia concentrations. Science of the Total Environment, 598, 690-696.
214. Sin G., van Hulle S.W.H., De Pauw D.J.W., van Griensven A., Vanrolleghem P.A.,
2005. A critical comparison of systematic calibration protocols for activated
sludge models: a SWOT analysis. Water Res 39(12):2459–2474.
215. Sin G., Weijma J., Spanjers H., Nopens I., 2008. Dynamic model development
and validation for a nitrifying moving bed biofilter: effect of temperature and
influent load on the performance, Process Biochem. 43, 384–397.
216. Slade, A., Ellis, R.J., van den Heuvel, M., Stuthridge, T., 2004. Nutrient
minimization in the pulp and paper industry: an overview. Water Sci. Technol.
50 (3), 111–122.
217. Spellman F.R., 2003. Handbook of Water and Wastewater Treatment Plant
Operations. Lewis plublisher.
218. Sperandio, M., Paul E., 2000. Estimation of wastewater biodegradable COD
fractions by combining respirometric experiments in various So/Xo ratios. Water
Research, 34(4), 1233-1246.
219. Sointio J., Rankin A., van Aert M., 2006. Biofilm Activated Sludge process at
Quesnel River Pulp installation. Environ. Sci. Eng. Mag. 22-24.
220. Sonaje N.P., Berlekar N.D., 2015. Modeling of wastewater treatment plant
design for pulp and paper industry: a review. International Journal of Civil,
Structural, Environmental and Infrastructure Engineering Research and
Development, 5(1), 59-68.
221. Stokes A. J., West J. R., Forster C. F., and Davies W. J., 2000. Understanding
some of the differences between the COD- and BOD-based models offered in
STOAT. Water Res., 34 (4) 1296–1306.
222. Swamy N.K., Singh P., Sarethy I.P., 2011. Aerobic and anaerobic treatment of
paper industry wastewater. Res. Environ. Life Sci., 4(4), 141-148.
224. SzeLag B., Gawdzik A., Gawdzik A., 2017. Application of selected methods of
black box for modelling the settleability process in wastewater treatment
plant. Ecol. Chem. Eng. s., 24(1), 119-127.
263
225. Takács I., Patry G. G., Nolasco D., 1991. A dynamic model of the clarification-
tickening process. Water Res., 25(10), 1263-1271.
226. Takács I., Bye C.M., Chapman K., Dold P.L., Fairlamb P.M., Jones R.M., 2007. A
biofilm model for engineering design, Water Sci. Technol. 55, 329–337.
227. Tamis J., van Schouwenburg G., Kleerebezem R., van Loosdrecht M.C.M., 2011.
A full scale worm reactor for efficient sludge reduction by predation in a
wastewater treatment plant. Water Res., 45 (18), 5916-5924.
228. Thompson G., Swain J., Kay M., Forster C.F., 2001. The treatment of pulp and
paper mill effluent: a review. Bioresour. Technol., 77, 275-286.
229. Tiku D.K., Kumar A., Chaturvedi R., Dayal S., Manoharan A., Kumar R., 2010.
Holistic bioremediation of pulp mill effluents using autochthonous bacteria. Int.
Biodeterior. Biodegrad., 64, 173-183.
230. Vaidhegi K., 2013. Treatment of Bagasse based pulp and paper industry
effluent using moving bed biofilm reactor. Int J Chemtech. Res., 5(3), 1313–
1319.
232. van Loosdrecht M.C.M., Heijnen J.J., Eberl H.J., Kreft J.U., Picioreanu, C., 2002.
Mathematical modelling of biofilm structures. Antonie Van Leeuwenhoek 81,
245– 256.
233. van Haandel A., van der Lubbe J., 2015. Handbook of Biological Wastewater
Treatment. IWA Publications.
234. van Waveren R. H., Groot S., Scholten H., Van Geer F., Wösten H., Koeze R. and
Noort J.,1999. Good Modelling Practice Handbook. STOWA report 99-05.
Leystad, The Netherlands. STOWA, Utrecht, RWS-RIZA, Dutch Department of
Public Works.
236. Vanrolleghem P.A. and Gillot S., 2002.Robustness and economic measures as
control benchmark performance criteria. Water Science and Technology 45(4-
5), 117-126.
237. Vanrolleghem P.A., Insel G., Petersen B., Sin G., De Pauw D., Nopens I., Weijers
S., Gernaey K.,2003. A comprehensive model calibration procedure for
activated sludge models. In Proceedings: WEFTEC 76th Annual Technical
264
Exhibition and Conference. October 11 - 15, 2003, Los Angeles, California
U.S.A. (on CD-ROM).
238. Verma A.V., Dash R.R., Bhunia P., 2012. A review on chemical
coagulation/flocculation technologies for removal of colour from textile
wastewaters. Journal of Environmental Management, 93, 154-168.
240. Villarreal E., Canale R.P., Akcasu Z., 1975. A multigroup model for predator-
prey interactions. Biotechnol. Bioeng., 17(9), 1269-1290.
241. Vitanza R., Colussi I., Cortesi A., Gallo V., 2015. Implementing a respirometry-
based model into BioWin software to simulate wastewater treatment plant
operations. Journal of Water Process Engineering.
242. Vitasovic Z.Z., 1986. An integrated control strategy for the activated sludge
process. PhD thesis, Rice University, 1986. Houston, Texas.
244. von Sperling M., 2007. Wastewater characteristics, treatment and disposal.
Published by IWA publishing.
245. Wang X.J., Xia S.Q., Chen L., Zhao J.F., Renault N.J., Chovelon J.M., 2006.
Nutrients removal from municipal wastewater by chemical precipitation in a
moving bed biofilm reactor. Process Biochem., 41, 824–828.
246. Wang J., Chen Y., Wang Y., Yuan S., Yu H., 2011. Optimization of the
coagulation– flocculation process for pulp mill wastewater treatment using a
combination of uniform design and response surface methodology. Water
Res., 45, 5633-5640.
247. Wanner O. and Gujer W., 1984. Competition in biofilms. Water Sci Technol,
17(2-3), 27-44.
248. Wanner O. and Gujer W., 1986. A multispecies biofilm model. Biotechnol
Bioeng., 28, 314–328.
265
251. Wanner O., Ebert H.J., Morgenroth E., Noguera D., Picioreanu C., Rittmann
B.E., Van Loosdrecht M.C.M., 2006. Mathematical Modeling of Biofilms. IWA
Scientific and Technical Report No. 18. IWA Task Group on Biofilm Modeling.
256. Wei Y., Van Houten R.T.,Borger A.R., Eikelboom D.H.,Fan Y., 2003. Minimization
of excess sludge production for biologicalwastewater treatment. Water Res.37,
4453-4467.
257. Welander T., Olsson L.-E., Fasth C., 2002. Nutrient-limited biofilm pretreatment:
an efficient way toupgrade activated sludge plants. Tappi Journal, 1(4), 20-26.
259. Wolf G., Picioreanu C., van Loosdrecht M.C.M., 2007. Kinetic Modeling of
Phototrophic Biofilms: The PHOBIA Model. Biotechnology and Bioengineering,
97(5), 1064-1079.
260. Wu X.K., Wang B.Y., Wang X.S., 2016. Study on the practice and benefit of
water reuse in student apartments in colleges and universities. Sichuan Building
Materials, 42 (9), 207-210.
261. Xie W-M., Zhang R., Li W-W., Ni B-J., Fang F., Sheng G-P., Yu H-Q, Song J., Le D-
Z., Bi X-J, Liu C-Q, Yang M., 2011. Simulation and optimization of a full-scale
carrousel oxidation ditch plant for municipal wastewater treatment, Biochem.
Eng. J., 56, 9-16.
262. Xilei D., Tingzhi L., Weijiang D., Huiren H., 2010. Adsorption and coagulation
tertiary treatment of pulp and paper mills wastewater. In: Proceedings of the
4th International Conference on Bioinformatics and Biomedical Engineering
(ICBBE).
263. Zalakain, G., 2009. Procesos avanzados de biomasa fija sobre lecho móvil. IMU
Ingeniería Municipal, 52-53.
266
264. Zalakain G. y Manterola G., 2011a. Procesos avanzados de biomasa fija sobre
lecho móvil para el tratamiento de aguas residuales en la Industria
Farmacéutica. Farmespaña Industrial, 60-62.
266. Zhou Z., Shen X., Jiang L-M., Wu Z., Wang Z., Ren W., Hu D., 2015. Modeling of
multimode anaerobic/anoxic/aerobic wastewater treatment process at low
temperature for process optimization Chemical Engineering Journal 281, 644-
650.
267. Zornoza A., Montoya T., Alonso J.L., Tárrega M.J., 2008. Control del proceso de
cloración en un episodio de bulking filamentoso mediante el seguimiento de
protozoos ciliados. Jornada Internacional de Tratamiento y Reutilización en
Aguas Residuales. I Congreso Hispano-Francés de Protistología, Sevilla, Spain.
267
L a tecnología de biopelícula sobre lecho
móvil (MBBR) puede contribuir de manera
muy importante a la reducción de la carga
contaminante de las aguas residuales, tanto
industriales como municipales en un futuro
próximo. Esto es debido a su fácil
implantación en EDARs existentes que
utilizan el proceso biológico convencional
de fangos activos, permitiendo ampliar la
capacidad del tratamiento biológico y
reducir los costes de explotación.