Tesis MRS PDF

Departamento de Química e Ingeniería de Procesos y Recursos
E.T.S. de Ingenieros Industriales y de Telecomunicación

Universidad de Cantabria
ANALISIS Y MODELADO DE UN PROCESO BAS

(BIOFILM ACTIVATED SLUDGE) PARA EL TRATAMIENTO
BIOLOGICO DE AGUAS RESIDUALES DE ALTA CARGA
ORGANICA CON LIMITACION DE NUTRIENTES
ANALYSIS AND MODELING OF A BAS (BIOFILM ACTIVATED SLUDGE)

PROCESS FOR THE BIOLOGICAL TREATMENT OF HIGH ORGANIC LOAD
WASTEWATERS WITH NUTRIENT LIMITED
Memoria de Tesis Doctoral presentada para optar al título de Doctor por la

Universidad de Cantabria
MARTA REVILLA SALAS
Directores de Tesis:
Dra. Berta Galán Corta
Dr. Javier R. Viguri Fuente
Santander, Septiembre 2017
UNIVERSIDAD DE CANTABRIA
Escuela Técnica Superior de Ingenieros Industriales y Telecomunicación

Departamento de Química e Ingeniería de Procesos y Recursos
ANALISIS Y MODELADO DE UN PROCESO BAS (BIOFILM ACTIVATED SLUDGE)

PARA EL TRATAMIENTO BIOLOGICO DE AGUAS RESIDUALES DE ALTA CARGA
ORGANICA CON LIMITACION DE NUTRIENTES
ANALYSIS AND MODELING OF A BAS (BIOFILM ACTIVATED SLUDGE) PROCESS

FOR THE BIOLOGICAL TREATMENT OF HIGH ORGANIC LOAD WASTEWATERS
WITH NUTRIENT LIMITED
Memoria de Tesis Doctoral presentada para optar al título de Doctor por la

Universidad de Cantabria.
Programa Oficial de Doctorado en Ingeniería Industrial: Tecnologías de Diseño y

Producción Industrial (RD 99/2011)
Marta Revilla Salas
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.
Quiero expresar mi más sincero agradecimiento a Ramón Vitorica Murguia por

animarme a comenzar esta Tesis Doctoral y confiar en mi capacidad para
emprender este largo trayecto de investigación.
Agradezco también a la empresa SNIACE por facilitar sus instalaciones y equipos,

y no ponerme impedimentos ni negativas para desarrollar este trabajo.
A mis compañeros de trabajo de la EDAR de SNIACE, en especial a Teresa Ruiz,

Milagros Fernández y Ángel Delgado que me han brindado su amistad y han
estado apoyándome tanto en los momentos altos como bajos.
Finalmente, el agradecimiento más profundo y sentido va para mi familia. Sin ellos

habría sido imposible llevar a cabo esta Tesis Doctoral. A mis padres, Carlos y
Carmen, por su ejemplo de lucha y honradez; a mi hermano Carlitos por su
inteligencia y generosidad; a mis abuelos Leonor y Rufino por su ejemplo de
sacrificio y trabajo, y por supuesto a Fernando por ser un ejemplo de valentía y
regalarme sonrisas todos los días de mi vida…por ellos y para ellos.
I
A MIS ABUELOS LEONOR Y RUFINO
Nothing lasts forever, except you and me
You are my mountain, you are my sea
Love can last forever between you and me
You are my mountain, you are my sea
BIFFY CLYRO
II
TABLA DE CONTENIDOS
AGRADECIMIENTOS ............................................................................................................ I
TABLA DE CONTENIDOS .................................................................................................... III
RESUMEN EJECUTIVO ...................................................................................................... VII
RESUMEN GENERAL .......................................................................................................... XI
1. INTRODUCCION ............................................................................................................. 1
1.1. Caracterización del agua residual ....................................................................... 3

1.2. Comunidades microbianas presentes en el tratamiento de aguas
residuales ................................................................................................................. 5
1.3. Clasificación general de los procesos biológicos para el tratamiento
de aguas residuales ............................................................................................. 13
1.3.1. Cultivo en suspensión aerobio: proceso de fangos activos (FA) ............... 15

1.3.2. Cultivo fijo: proceso MBBR (Moving Bed Biofilm Reactor)............................ 21
1.3.3. Proceso BAS (Biofilm Activated Sludge) .......................................................... 31
1.4. Modelado de una estación depuradora de aguas residuales (EDAR) .......... 35
1.4.1. Modelo biocinético ............................................................................................. 36

1.4.2. Modelo de reactor .............................................................................................. 43
1.4.3. Modelo de biopelícula ....................................................................................... 44
1.4.4. Modelo de sedimentación ................................................................................ 48
1.4.5. Calibración de parámetros ............................................................................... 49
1.5. Simulación y optimización de una EDAR............................................................ 51
1.6. Aguas residuales de alta carga orgánica y deficiencia de nutrientes .......... 53
1.7. Hipótesis, objetivos y estructura de la Tesis Doctoral ....................................... 56
2. MATERIALES Y METODOS ............................................................................................. 59
2.1. Descripción de la instalación industrial .............................................................. 61

2.2. Toma de muestras y métodos analíticos ............................................................ 68
2.3. Escenarios de estudio ........................................................................................... 75
2.4. Softwares de simulación y optimización ............................................................ 77
3. FRACCIONAMIENTO DE DQO EN EL INFLUENTE ........................................................ 81
3.1. Fracción soluble y particulada ............................................................................ 83

3.2. Fracciones solubles: inerte y rápidamente biodegradable ............................ 87
3.3. Fracciones particuladas: inerte y lentamente biodegradable ....................... 89
3.4. Conclusiones .......................................................................................................... 95
III
4. MODELO MATEMÁTICO DE REACTORES MBBR EN EL TRATAMIENTO DE
AGUAS RESIDUALES DE ALTA CARGA ORGÁNICA .................................................. 97
4.1. Modelo matemático de reactores MBBR ......................................................... 100
4.1.1. Modelo biocinético ........................................................................................... 102

4.1.2. Modelo de biopelícula ..................................................................................... 113
4.1.3. Modelo CSTR ....................................................................................................... 116
4.2. Condiciones de operación ................................................................................ 118
4.3. Resultados y discusión ........................................................................................ 120
4.3.1. Resultados experimentales y simulados del MBBR1 y MBBR2...................... 120

4.3.2. Distribución de microorganismos .................................................................... 126
4.4. Conclusiones ........................................................................................................ 133
5. ANÁLISIS Y MODELADO DE UN PROCESO MBBR ..................................................... 135
5.1. Modelo matemático del proceso MBBR incluyendo sedimentación ........... 137
5.3.1. Resultados experimentales y simulados en la decantación ..................... 142

5.3.2. Resultados experimentales del índice volumétrico de fango (IVF) ......... 147
5.4. Conclusiones ........................................................................................................ 149
6. ANÁLISIS Y MODELADO DE UN PROCESO BAS ........................................................ 151
6.1. Modelo matemático del proceso BAS.............................................................. 154

6.3.1. Resultados experimentales y simulados del proceso BAS ......................... 160

6.3.2. Distribución de microorganismos .................................................................... 165
6.3.3. Dosificación de nutrientes y producción de fango en exceso ................ 169
6.3.4. Influencia de EF en el reactor FA .................................................................... 172
6.4. Conclusiones ........................................................................................................ 174
7. ANÁLISIS Y APLICACIÓN DE HERRAMIENTAS DE SIMULACIÓN DE UN

PROCESO BAS ........................................................................................................... 175
7.1. Herramientas de simulación y optimización ................................................... 177

7.2.1. Simulación de DQOT, DQOs y SST ................................................................... 179

7.2.2. Optimización preliminar del proceso BAS ..................................................... 186
7.3. Conclusiones ........................................................................................................ 194
IV
8. METODOLOGÍA DE OPTIMIZACIÓN DE UN PROCESO BAS ..................................... 195
8.1. Identificación del problema de optimización ................................................. 198

8.2. Metodología de optimización ........................................................................... 201
8.3. Escenarios de estudio ......................................................................................... 207
8.4.1. Generación de alternativas ............................................................................ 210

8.4.2. Simulación de los reactores MBBR hasta alcanzar el estado
estacionario ........................................................................................................ 210
8.4.3. Optimización multi-criterio ............................................................................... 211
8.4.4. Proceso de toma de decisiones ..................................................................... 215
8.4.5. Comparación de la metodología completa de optimización y la
optimización preliminar .................................................................................... 219
8.5. Conclusiones ........................................................................................................ 221
9. CONSIDERACIONES FINALES .................................................................................... 223
9.1. Conclusiones globales ........................................................................................ 225

9.2. Contribución de la Tesis Doctoral ...................................................................... 227
9.3. Sugerencias .......................................................................................................... 229
9.4. Trabajo futuro ....................................................................................................... 230
9.5. Publicaciones asociadas a la Tesis Doctoral ................................................... 232
NOMENCLATURA ............................................................................................................ 235

BIBLIOGRAFIA ................................................................................................................. 243
V
RESUMEN EJECUTIVO
En esta Tesis Doctoral se presenta el análisis y modelado matemático de un

proceso biológico MBBR (Moving Bed Biofilm Reactor) y de un proceso biológico
BAS (Biofilm Activaded Sludge) a escala industrial incorporando los mecanismos
de depredación e hidrólisis.
La tecnología de biopelícula de lecho móvil MBBR (Moving Bed Biofilm Reactor)

combina procesos biológicos de biopelícula y en suspensión. Debido al pequeño
volumen requerido del reactor, esta tecnología permite ser implantada en
estaciones depuradoras de aguas residuales (EDARs) que requieran aumentar su
capacidad de tratamiento y/o la calidad del agua depurada, en situaciones de
escasez de espacio, reduciendo los costes de operación. El proceso BAS combina
los reactores MBBR con los reactores de fangos activos, siendo decisivo en el
proceso, el rol de los microorganismos depredadores.
Esta Tesis Doctoral se estructura en nueve capítulos. En el capítulo 1, se presentan

los conceptos generales del tratamiento biológico basado en la actividad
metabólica de los microorganismos y los fundamentos del modelado matemático
de una EDAR. El capítulo 2, describe la EDAR industrial de estudio y la metodología
utilizada. En el capítulo 3, se detalla el método de fraccionamiento del material
orgánico y su aplicación a un histórico de datos experimentales. En los capítulos 4,
5 y 6, se lleva a cabo la simulación de los procesos MBBR y BAS a escala industrial,
analizando la influencia de la carga orgánica en la distribución microbiana y el
efecto de los microorganismos depredadores en los costes operacionales. En los
capítulos 7 y 8 se realiza un análisis comparativo de modelos de simulación y se
presenta una novedosa metodología de optimización del proceso BAS,
combinando criterios de evaluación económicos, técnicos y medioambientales.
Finalmente, en el capítulo 9, se presentan las conclusiones, sugerencias, trabajo
futuro y principales contribuciones de la presente Tesis Doctoral.
Los resultados obtenidos contribuyen a un mejor entendimiento de los procesos

BAS a través del desarrollo de un modelo matemático que incluye depredación e
hidrólisis y permite mejorar la comprensión de las interacciones entre los diferentes
grupos de microorganismos involucrados en el proceso. El desarrollo de la
metodología de optimización permite la toma de decisiones flexibles en función
de las condiciones de producción, para la operación óptima de una planta del
tratamiento de aguas residuales industriales de alta carga orgánica deficiente en
nutrientes.
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.
The combination of microbial growth of the MBBR process in biofilm and in

suspension allows improving the efficiency and consequently the operation costs
of wastewater treatment plants (WWTP). In addition, due to the low space
requirements of MBBR technology, this type of reactors can be installed in WWTP
that require increasing its biological treatment capacity and/or water quality of
the effluent in situations with limited space. BAS process combines MBBR and AS
(activated sludge) that allows process improvement due to the role of predator
microorganisms.
This thesis is structured in nine chapters. In Chapter 1, the general concepts of

biological treatment based on the metabolic activity of microorganisms and the
basics of mathematical modeling of a WWTP are presented. Chapter 2 describes
the industrial WWTP studied and the methodology used. In chapter 3, the
fractionation methods of the organic material is detailed and applied to the
experimental data. In Chapters 4, 5 and 6, the MBBR and BAS processes are
simulated at industrial scale, analyzing the influence of organic load on the
microbial distribution and the effect of predator microorganisms on operational
costs. A comparative analysis of simulation models is carried out in chapter 7 and a
novel methodology of optimization of the BAS process is presented in chapter 8
combining economic, technical and environmental evaluation criteria. Finally,
Chapter 9 provides the conclusions, suggestions, future work and main
contributions of this thesis.
The results obtained contribute to a better understanding of the BAS processes

through the development of a new mathematical model that includes predation
and hydrolysis improving the knowledge of the microorganism interactions. The
proposal of a new optimization methodology improves the flexible decision-
making process in function of the operational conditions, for the optimal operation
of industrial treatments of wastewaters with high organic load and nutrient
deficient.
IX
RESUMEN GENERAL
La contaminación de las aguas producida por la actividad industrial ocasiona un

deterioro de la calidad del agua asociado a cambios en sus características físicas,
químicas y biológicas. Los tratamientos biológicos de las aguas residuales
permiten mejorar su calidad antes de ser vertidas al medio acuático. Una
alternativa para mejorar los tratamientos biológicos convencionales es la
tecnología de biopelícula de lecho móvil (MBBR) que puede ser aplicada tanto a
aguas residuales municipales como industriales. Esta tecnología está basada en el
crecimiento de microorganismos en forma de biopelícula adherida a soportes
plásticos que están en continuo movimiento en el reactor biológico. Estos soportes
de pequeño tamaño y elevada superficie específica, posibilitan: i) el crecimiento
de mayor cantidad de microorganismos, ii) mayor actividad y iii) mayor resistencia
frente a sustancias tóxicas, en comparación al comportamiento de los flóculos
biológicos (crecimiento en suspensión) en reactores convencionales.
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.
Una de las principales aplicaciones de este proceso es la biodegradación de la

materia orgánica en aguas residuales con alta carga orgánica y deficiencia de
nutrientes, como son las aguas residuales procedentes de las industrias de
celulosa y viscosa, petroquímica, farmacéutica, alimentaria y textil. Los grandes
volúmenes de aguas residuales con alto grado de contaminación generados por
estos sectores industriales, junto con las exigencias cada vez mayores de calidad
de aguas, constituyen un marco adecuado para la implantación de procesos BAS
con elevadas eficacias de funcionamiento.
La operación óptima de un proceso BAS a escala industrial se ve facilitada por la

simulación y optimización del proceso. Para poder llevar a cabo una simulación
de una Estación Depuradora de Aguas Residuales (EDAR) a escala industrial, es
necesario el análisis y modelado matemático que describa correctamente el
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.
La instalación industrial en la que se ha desarrollado esta Tesis Doctoral, está

constituida por una EDAR para el tratamiento de las aguas residuales procedentes
de la industria de celulosa y viscosa, basada en la tecnología MBBR y en el
proceso BAS. La EDAR se construyó y operó con dos procesos biológicos
secuenciales. Inicialmente el proceso MBBR, constituido por dos reactores MBBR y
decantación secundaria. Posteriormente, se completó el proceso BAS, mediante
la incorporación de un reactor de fangos activos. En ambos procesos (MBBR y
BAS), las necesidades de operación de la EDAR han estado condicionadas por las
actividades de las diversas líneas de producción de la industria, dando lugar a
diferentes escenarios de trabajo, con aguas de diferente procedencia y
características.
Con estas premisas, se plantea como principal hipótesis de trabajo de la presente

Tesis Doctoral que es posible generalizar la mejora de la operación de un proceso
BAS de una EDAR a nivel industrial que trate aguas residuales con alto contenido
en materia orgánica y limitación de nutrientes, mediante la generación de un
modelo integrado (biopelícula y suspensión con depredación), que
posteriormente se implemente para la simulación y la optimización multi-objetivo
del proceso.
La confirmación de esta hipótesis conllevaría conseguir la meta de operar una

EDAR que trate aguas residuales industriales con alta carga orgánica y limitación
de nutrientes de forma más económica que las condiciones de operación
habitualmente empleadas en la EDAR, mejorando la calidad del efluente, en
XII
condiciones de operación estables y flexibles adaptadas al proceso de
producción industrial.
La consecución de esta meta conlleva a su vez la investigación industrial

encaminada a la propuesta de un modelo matemático generalizable que integre
las etapas de cultivo en biopelícula y de cultivo en suspensión, incluyendo
mecanismos de depredación. Este modelo, una vez validado, permitirá la
simulación del proceso BAS, la optimización multi-objetivo y la obtención de
información útil para la toma de decisiones en la operación óptima de procesos
BAS de alta carga orgánica y limitación de nutrientes.
Siguiendo el objetivo general propuesto, se han planteado una serie de objetivos

específicos y sus tareas asociadas, que han permitido la consecución de los
resultados de la presente Tesis Doctoral:
Análisis de los procesos MBBR y BAS en EDAR a escala industrial. Caracterización

de corrientes y determinación de los parámetros de calibración.
El primer objetivo es el análisis de las condiciones de operación y datos
experimentales de la planta de tratamiento industrial bajo consideración en los
diferentes escenarios estudiados según las condiciones de producción de la
planta industrial.
Además de la correcta caracterización del influente de la EDAR, se lleva a cabo

el fraccionamiento en términos de DQO (demanda química de oxígeno) del
influente mediante un histórico de datos experimentales basados en análisis físico-
químicos y biológicos.
La calibración de los parámetros de modelo se efectúa para aquellos parámetros

con mayor influencia en el funcionamiento de la EDAR bajo estudio: los
parámetros estequiométricos relacionados con el contenido de nutrientes (N y P)
tanto en la biomasa activa (microorganismos heterótrofos, autótrofos y
depredadores), como en la biomasa inerte; dichos parámetros fueron estimados
mediante datos experimentales.
Desarrollo de un modelo general de reactores MBBR para la degradación de DQO

en condiciones aerobias.
Se plantea como objetivo desarrollar un modelo matemático multi-especies y
multi-sustratos que integre procesos en biopelicula y en suspensión, y que en
función de los valores de carga orgánica soluble aplicada por área de
biopelícula (SCLR) considere: a) el proceso de hidrólisis de compuestos
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.
El desarrollo de las tareas asociadas a este objetivo ha permitido proponer un

modelo cuya validez se ha confirmado para aguas residuales de la industria de
celulosa y viscosa en dos reactores MBBR industriales en serie, trabajando en tres
escenarios de la EDAR industrial. Los valores simulados de DQO soluble (DQOs),
Sólidos en Suspensión Totales (SST), Nitrógeno Total Soluble (NTs) y Fósforo soluble
inorgánico (SPO4) se comparan con los valores experimentales de las corrientes de
salida de los reactores, obteniendo desviaciones estándar inferiores al 15 % en los
tres escenarios de estudio con diferentes condiciones operacionales.
El crecimiento de microorganismos depredadores se ha confirmado en los

escenarios de estudio, y en combinación con el proceso biológico de hidrólisis ha
permitido interpretar los resultados atípicos obtenidos en el segundo reactor MBBR,
como la disminución de los SST y el aumento de NTs y S PO4 en el líquido de dicho
reactor. El modelo propuesto permite simular la concentración de los diferentes
sustratos y nutrientes a través de la biopelícula, determinando el sustrato limitante
del crecimiento microbiano.
Desarrollo de un modelo matemático para procesos BAS operando en

condiciones de limitación de nutrientes incorporando la hidrólisis y depredación
en las dos etapas en serie (MBBR y FA).
Con este objetivo se plantea el desarrollo de un modelo para un proceso BAS que
estudie las interacciones entre dos grupos de bacterias (heterótrofas y autótrofas)
con los microorganismos depredadores en las etapas MBBR y FA. El análisis del
modelo permite evaluar la influencia del mecanismo de depredación en la
dosificación de nutrientes, la producción de fango en exceso y la distribución
microbiana.
El modelo posteriormente es validado con los datos experimentales obtenidos en

la EDAR industrial que trata aguas residuales procedentes de la industria de
celulosa y viscosa, trabajando en dos escenarios de producción.
El análisis del modelo desarrollado permite confirmar que la etapa donde

predominan las bacterias heterótrofas, corresponde al reactor MBBR 1, la etapa
donde coexisten bacterias y microorganismos depredadores corresponde al
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 %.
Verificación mediante simulación de la importancia de los microorganismos

depredadores en procesos BAS.
Con este objetivo se analizan dos softwares: un software específico de
tratamiento de aguas residuales para EDARs (BioWin)que no incluye la
depredación en los procesos biológicos y un software general de proceso de
ingeniería química (Aspen Custom Moldeler-ACM-) empleando el modelo
desarrollado en los objetivos anteriores. Además, se analiza el compromiso entre la
complejidad de los modelos y la bondad en el ajuste de los resultados
experimentales en la simulación de un proceso BAS de escala industrial.
Los resultados obtenidos de las tareas planteadas muestran que la simulación de

la planta empleando el software BioWin no ajustan adecuadamente las
concentraciones experimentales de DQO y SST para el tratamiento de las aguas
residuales de celulosa y viscosa (desviaciones estándar mayores al 12 % y 25 %,
respectivamente); sin embargo, la simulación en ACM usando el modelo
matemático con depredación propuesto previamente, proporciona resultados
simulados con desviaciones de menos del 10 %.
Posteriormente, se lleva a cabo la tarea de incorporar el modelo matemático

propuesto a las herramientas de optimización de software ACM, con objeto de
obtener valores óptimos para la relación DQOs:N:P, el caudal de la corriente de
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.
Desarrollo de una metodología para la optimización multi-objetivo de las

condiciones de operación en un proceso BAS a escala industrial para el
tratamiento de aguas residuales con alta carga orgánica en condiciones de
limitación de nutrientes.
Este caso bajo estudio se formula como un problema de optimización
matemática que combina criterios económicos, técnicos y ambientales en la
función objetivo. Este objetivo propuesto presenta un nivel alto de dificultad
debido al elevado número de ecuaciones no lineales y de variables incluidas en
el modelo, además del comportamiento dinámico y de la distribución espacial en
la biopelícula de los reactores MBBR.
Teniendo en cuenta la dificultad asociada a la formulación del modelo, se

propone una metodología de optimización en cuatro etapas consecutivas: a)
generación de alternativas, b) simulación de los reactores MBBR hasta el estado
estacionario, c) optimización multi-criterio y, d) proceso de toma de decisiones. La
aplicabilidad de la metodología propuesta se muestra mediante su utilización en
dos escenarios de estudio de la EDAR industrial de celulosa y viscosa.
La implementación de la metodología de optimización propuesta permite una

reducción de la cantidad de contaminantes por unidad de volumen (m 3) de
agua residual tratada de hasta un 62 % y en relación con los costes operacionales
(€/m3), de hasta un 30 % en comparación con las condiciones de trabajo
habituales.
La principal contribución de la presente Tesis Doctoral es el desarrollo de un

modelo matemático para el proceso BAS que integra las etapas MBBR y la etapa
FA, incluyendo la depredación, junto con la propuesta de una metodología
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.
In recent years, the combination of biofilm and suspension biological processes

has emerged as one of the alternative processes to traditional treatments. In this
sense, the BAS (Biofilm Activaded Sludge) process consists of a first biofilm stage
with one or more MBBR reactors in series and a second activated sludge (AS)
stage with microbial growth in suspension. This combination of stages gives to the
BAS process a unique characteristic: growth of different groups of microorganisms
at each stage, being the predators the main population in the AS stage. The
predominance of predators in the last stage of the BAS process generates an
economical advantage because the sludge production and nutrient requirements
are much lower than in conventional biological processes.
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”.
Confirmation of this hypothesis would entail achieving the goal of operating a

WWTP treating industrial wastewater with high organic load and nutrient limitation
more economically than regular operation, improving effluent quality under stable
and flexible operating conditions adapted to the industrial production process.
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:
Analysis of MBBR and BAS processes in industrial WWTP. Streams characterization.

Model parameters calibration.
The first objective is the analysis of the operational conditions and the experimental
results of the industrial WWTP under consideration for the different studied
scenarios, which depends on the production of the industrial plant.
In addition to a correct characterization of the industrial WWTP influent, the

fractionation in terms of COD (chemical oxygen demand) of the influent is carried
out.
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.
Development of a MBBR model for COD removal under aerobic conditions.

The integrated MBBR model for COD removal proposed in this thesis is a multi-
species and multi-substrate mechanistic biofilm model that, depending on the
soluble COD loading rate (SCLR) values applied by biofilm area, considers: a) the
hydrolysis of slowly biodegradable compounds from the inactivation of
microorganisms in the bulk liquid, and, b) the growth of predator microorganisms in
the bulk liquid and in biofilm. The model can be used for different types of
wastewater under different operating conditions.
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.
Predator growth is confirmed under two different operational conditions and in

combination with hydrolysis, allows the interpretation of non-typical results from the
second MBBR such as the decreases in TSS and the increases in TNs and S PO4 in the
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.
Development of a mathematical model of BAS processes working under conditions

of nutrient limitation, including the hydrolysis and predation in the two stages (MBBR
and AS) in series.
The objective is the development of a model for the BAS process, which study the
interaction between two groups of bacteria: heterotrophic and autotrophic
bacteria with the predator microorganisms in MBBR and AS stages. The proposed
model evaluates the role and contribution of predator microorganisms toward
removal of COD, the influence of the predation mechanism on the nutrient
dosage, the excess sludge production and the microbial distribution.
The proposed model has been validated by application to a WWTP treating

wastewater from cellulose and viscose industry under two different operating
scenarios.
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 %.
Verification by simulation of the predator microorganisms role in BAS processes.

Two type of software are examined for the simulation of BAS process: wastewater
treatment software (BioWin) and general chemical engineering process software
(Aspen Custom Modeler-ACM-) using the model previously proposed. The trade-off
between the models complexity and the goodness in the adjustment of the
experimental data in the simulation of an industrial scale BAS system is also
analyzed.
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.
Development of a methodology for the multi-objective optimization of the

operating conditions in BAS process at industrial scale for the treatment of
wastewater with high organic load under conditions of nutrient limitation.
The case under study is formulated as a mathematical optimization problem that
combines economic, technical and environmental criteria as objective functions.
This represents a high level of difficulty due to the high number of variables and
nonlinear equations, as well as the dynamic behavior and the spatial distribution of
components into the biofilm.
Taking into account these difficulties a methodology of optimization in four

consecutive stages is proposed: a) generation of alternatives, b) simulation of
MBBR reactors up to steady state, c) multi-criteria optimization and d) decision
making process. The applicability of the proposed methodology is shown using two
study scenarios of the cellulose and viscose WWTP at industrial scale.
The proposed optimization methodology allows a reduction of the amount of

pollutants per volume of treated wastewater of up to 62 % and a reduction of the
operational costs (€/ m3) up to 30 % compared to the regular working conditions.
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
 Descripción de mecanismos de eliminación de carga orgánica de aguas

residuales industriales mediante microorganismos, utilizando configuraciones de
tratamientos biológicos: procesos FA, MBBR y BAS.
 Fundamentos principales sobre el modelado matemático de los dos tipos de

procesos biológicos (MBBR y BAS) estudiados en esta Tesis Doctoral.
 La mejora continua y la implementación de nuevas regulaciones de la calidad

del agua han hecho que este tipo de procesos biológicos sean relevantes para
las tendencias y desafíos actuales a los que se enfrenta la industria.
 Estudios experimentales junto con el modelado matemático considerado

como herramienta para el diseño, control y optimización del proceso biológico
son necesarios para su implantación industrial.
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.
Figura 1-1. Fraccionamiento del agua residual.
Para cuantificar la concentración del material orgánico, es posible utilizar las

propiedades que todos los compuestos orgánicos tienen en común: a) todos se
pueden oxidar y, b) contienen carbono orgánico. Actualmente existen dos
parámetros para cuantificar la concentración de material orgánico con métodos
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.
El método más utilizado para cuantificar el material orgánico es el de DQO,

debido a que oxida completamente los compuestos orgánicos tanto
biodegradables como no biodegradables.
La DQO está constituida por diferentes fracciones según el nivel de degradación

de los microorganismos presentes en un tratamiento biológico y la existencia de
microorganismos (Henze et al., 2000). En la Figura 1-2 se muestra las diferentes
fracciones de la DQO, considerando el término X como las fracciones
particuladas y el término S como las fracciones solubles (Grau et al., 1982).
Figura 1-2. Fraccionamiento de la DQO.
4
1.2. Comunidades microbianas presentes en el tratamiento de aguas
residuales
Los procesos biológicos de un tratamiento de aguas residuales presentan un

ecosistema artificial donde interactúan diferentes grupos de microorganismos en
unas condiciones controladas. Un grupo de microorganismos predomina sobre los
otros en función de las condiciones del reactor como la concentración de
material orgánico y la concentración de oxígeno principalmente. Desde el punto
de vista metabólico, los microorganismos presentes en los procesos biológicos se
pueden dividir en dos grandes grupos: bacterias y depredadores.
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
Origen del carbono: HETERÓTROFA Origen del carbono: AUTÓTROFA

Carbono orgánico Carbono inorgánico
CxHyOz CO2
Condiciones anóxicas
Heterótrofas (Ausencia de oxígeno y presencia de
facultativas NO3- nitrato)
CO2 + N2
Condiciones anaerobias
SO42 (ausencia de oxígeno y de
-
nitrato)
SH2 + H2O+ CO2 Sin agente
oxidante externo
Heterótrofas Ácidos grasos
anaerobias volátiles
Figura 1-3. Clasificación de las bacterias en función de la disponibilidad

del oxígeno y su fuente de carbono.
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.
En los tratamientos biológicos aerobios donde el principal objetivo es eliminar el

material orgánico, los microorganismos heterótrofos son predominantes respecto
a los microorganismos autótrofos.
Microorganismos depredadores (protistas y metazoos)

Su función principal en los tratamientos biológicos es la depredación de bacterias.
Los protistas tales como los ciliados nadadores libres, ciliados sésiles (se fijan al
flóculo bacteriano debido a la existencia de pedúnculos) y ciliados reptantes (su
hábitat es la superficie del flóculo) son microorganismos unicelulares; sin embargo,
los metazoos como el rotífero son pluricelulares.
Su contribución principal en el tratamiento biológico de aguas residuales es la

reducción de los sólidos en suspensión en las etapas de decantación secundaria.
La presencia de protistas y metazoos son indicadores de un buen funcionamiento
del reactor biológico y generalmente son aerobios (Ferrer y Seco, 2007).
Las interacciones ecológicas en una población microbiana dan lugar a diferentes

secuencias de predominancia. La Figura 1-4 muestra la evolución en el tiempo de
la predominancia de los microorganismos (bacterias heterótrofas y depredadores
de bacterias) en un reactor biológico aerobio en función del consumo del
material orgánico. Al inicio de introducir un influente con alta carga orgánica, las
bacterias heterótrofas crecen debido a que en el medio líquido del reactor existe
una gran cantidad de material orgánico disponible y son predominantes respecto
de otros grupos de microorganismos. Con el tiempo, el material orgánico es
consumido hasta alcanzar condiciones de media carga orgánica. Los ciliados
nadadores libres crecen cuando hay suficiente cantidad de bacterias en el
reactor. Cuando el material orgánico disponible para las bacterias comienza a
disminuir, ambos, ciliados nadadores y bacterias heterótrofas disminuyen y estas
condiciones son denominadas de baja carga orgánica (Metcalf y Eddy, 2003).
Finalmente, ciliados sésiles, ciliados reptantes y rotíferos son predominantes, siendo
6
capaces de sobrevivir en condiciones de baja concentración de bacterias (von
Sperling, 2007).
Figura 1-4. Secuencia de predominancia de los grupos de microorganismos en

un tratamiento biológico en condiciones aerobias (Metcalf y Eddy, 2003).
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.
El metabolismo de los microorganismos necesita una fuente de carbono y

energía, además de elementos inorgánicos (nutrientes), tales como el nitrógeno y
fósforo para que los microorganismos puedan cumplir la función de oxidación de
material orgánico y sintetizar nuevo material celular (reproducción) en los
tratamientos biológicos. El material orgánico (sustrato) y los compuestos
inorgánicos (requerimientos nutricionales) limitan el crecimiento y síntesis de los
microorganismos. La fuente de carbono para la síntesis celular es el material
orgánico o el dióxido de carbono y la energía es obtenida mediante reacciones
bioquímicas de oxidación o mediante la luz.
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.
La fase de endogénesis se produce cuando el material orgánico del medio es

escaso; los microorganismos se ven obligados a oxidar su propio material orgánico
(tejido celular) para la obtención de energía de mantenimiento. En esta fase
ocurre la lisis celular que consiste en la liberación de material orgánico, nutrientes
(N y P) endógenos utilizables por otros microorganismos y material inerte, no
utilizable por los microorganismos (Ronzano y Dapena, 1995).
La Figura 1-5 muestra un esquema general de las fases del metabolismo

bacteriano heterótrofo en condiciones aerobias para la degradación de la
materia orgánica.
Dos categorías de catabolismo se diferencian en el tratamiento biológico de

aguas residuales (von Sperling, 2007), catabolismo oxidativo y fermentativo:
 Catabolismo oxidativo: un agente oxidante exógeno presente en el medio

líquido oxida al material orgánico generándose un solo producto final. Los
agentes oxidantes son tales como el oxígeno (O2), ión nitrato (NO3-), el ión
sulfato (SO42-) y el dióxido de carbono (CO2), dando lugar a tres tipos de
catabolismo oxidativo:
Respiración aerobia: la oxidación del material orgánico se produce mediante

el oxígeno como agente oxidante, resultando en una disminución de la
concentración de oxígeno en el agua residual.
Respiración anóxica en ausencia de oxígeno: la oxidación del material

orgánico se produce mediante agentes oxidantes alternativos como nitrito
(NO2-) que es un compuesto intermedio de la oxidación del ión amonio (NH 4+)
en la nitrificación (NH4+→NO2-→NO3-), y el nitrato (NO3-) que se reduce a N2 gas
en la desnitrificación (NO3-→N2). La concentración de nitrito en el medio es en
general muy baja y se puede despreciar, debido a que, la oxidación del ión
nitrito a nitrato es mucho más rápida que la oxidación del amonio a nitrato
(van Haandel y van der Lubbe, 2015).
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
Figura 1-5. Esquema general de las fases del metabolismo de microorganismos

heterótrofos en condiciones aerobias.
Respiración anaerobia: al igual que en la respiración anóxica, se utiliza un

compuesto sustitutivo del oxígeno como es el ión sulfato (SO42-). En este caso el
ión sulfato se reduce a sulfuro de hidrógeno gas (SH2) (sulfato-reducción). El SH2
generalmente no se produce en los reactores biológicos aerobios de un
tratamiento biológico para aguas residuales; sin embargo, puede producirse
en otras etapas del tratamiento biológico, tales como, digestores de lodo,
clarificadores primarios y secundarios, donde se pueden desarrollar
condiciones estrictamente anaerobias.
 Catabolismo fermentativo: a diferencia del catabolismo oxidativo, en el

catabolismo fermentativo no existe un agente externo oxidante. En la
fermentación anaerobia, la materia orgánica es utilizada como donador y
aceptador de electrones por los microorganismos anaerobios, generándose
como mínimo dos productos procedentes de la materia orgánica. Los
principales productos de la fermentación son ácidos grasos volátiles tales como
el acetato, propianato y butirato, así como H2 y CO2 (von Sperling, 2007).
Cuando varios aceptores de electrones están disponibles en el agua residual,

los microorganismos utilizan el aceptor de electrones que genera más energía
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.
Curva de crecimiento bacteriano

Las bacterias por lo general, se reproducen por fisión binaria y el tiempo necesario
para cada fisión (tiempo de generación) puede variar entre días y menos de 20
minutos (Metcalf y Eddy, 2003). Sin embargo, las bacterias no continúan
dividiéndose indefinidamente a causa de diversas limitaciones ambientales tales
como la concentración del sustrato, la concentración de nutrientes, e incluso el
tamaño del reactor biológico. La curva de crecimiento bacteriano para un
proceso discontinuo, donde se inocula en un volumen de líquido una cantidad de
bacterias con una cantidad limitada de material orgánico, se divide en cuatro
fases (Figura 1-6).
 Fase de latencia: es la fase de adaptación y representa el tiempo necesario

para que las bacterias se aclimaten al sustrato suministrado al medio líquido y
comiencen a dividirse.
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
Heterótrofa Material Material N2, CO2 y

Desnitrificación NO3-
facultativa orgánico orgánico H2O
Sulfato- Material Material SH2, CO2 y

SO42-
reducción orgánico orgánico H2O
Heterótrofa
anaerobia Ácidos
Material Material Material
Fermentación grasos
orgánico orgánico orgánico
volátiles
Concentración de sustrato y biomasa
Crecimiento Estacionaria Muerte celular

Latencia
exponencial
Sustrato Biomasa
(Material orgánico) (población bacteriana)
Tiempo
Figura 1-6. Etapas del crecimiento celular para un proceso en discontinuo

(modificado de Metcalf y Eddy, 2003).
 Fase de crecimiento exponencial: las células se dividen a una velocidad

constante y el número de bacterias alcanza un punto máximo, debido a que
no hay limitación de sustrato (material orgánico).
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.
 Fase de muerte celular o inactivación: esta fase engloba el consumo de la

biomasa debido a dos procesos: 1) auto-oxidación, el sustrato está muy
reducido en el medio líquido y los microorganismos tienen que oxidar su propio
tejido celular para su propio mantenimiento. Cuando las reservas endógenas
se han agotado, las células mueren y se produce la rotura de la pared celular
(lisis celular) y 2) depredación por microorganismos depredadores (protistas y
metazoos). En esta fase, la velocidad de muerte celular es superior a la
velocidad de crecimiento bacteriano y en consecuencia la población
bacteriana activa comienza a disminuir (Ferrer y Seco, 2007).
La operación y el diseño de los procesos de tratamiento biológico se basan en la

curva de crecimiento bacteriano. En función de la carga orgánica del agua
residual, los procesos biológicos operan en una fase u otra de la curva de
crecimiento bacteriano (Figura 1-6). Es posible distinguir tres tipos de procesos
biológicos en función de de la fase de la curva de crecimiento bacteriano en la
que operen (Ferrer y Seco, 2007):
 Carga orgánica alta: corresponde a la fase de crecimiento exponencial,

donde la disponibilidad del sustrato para las bacterias es alta. La
concentración de material orgánico en el efluente final será elevada. La
mayoría de los tratamientos biológicos no operan en esta fase. El volumen
requerido de los reactores biológicos en esta fase es pequeño en comparación
con los volúmenes necesarios en la fase estacionaria y fase de muerte celular.
 Carga orgánica media (convencional): corresponde a la fase estacionaria,

donde la concentración bacteriana es máxima. Este tipo de tratamientos son
los más utilizados debido a que se obtienen efluentes finales con una
concentración de material orgánico menor que en la fase de crecimiento
exponencial y el volumen de reactor biológico es menor que los tratamientos
de baja carga, es decir, se necesitan tiempos de retención hidráulicos
menores.
 Carga orgánica baja (oxidación total): el objetivo de este tipo de tratamientos

biológicos es suministrar la mínima cantidad de carga orgánica para favorecer
la respiración endógena (fase de muerte celular) y obtener una biomasa
estabilizada (elevado residuo inerte bacteriano en el reactor biológico). El
efluente final contiene poco material orgánico. Los volúmenes de los reactores
biológicos requeridos para operar con bajas cargas son muy elevados.
12
1.3. Clasificación general de los procesos biológicos para el tratamiento
de aguas residuales
La clasificación de los procesos biológicos para el tratamiento de aguas residuales

se puede dividir en dos principales categorías: procesos de cultivo en suspensión y
procesos de cultivo fijo.
En un cultivo en suspensión, los microorganismos se mantienen en suspensión en el

medio líquido de un reactor biológico mediante mecanismos de agitación. La
característica principal de este tipo de procesos es la agregación de los
microorganismos en unidades estructurales denominados flóculos mediante la
excreción de sustancias poliméricas extracelulares de origen microbiano (Jenkins
et al., 2004). El tamaño de los flóculos está comprendido entre 50 µm y 500 µm y
generalmente se separan del agua depurada mediante unidades de
decantación por gravedad.
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).
En los cultivos fijos, los microorganismos están adheridos generalmente a un

material inerte (soporte) formando una biopelícula (capas estratificadas de
microorganismos). La adhesión se produce por la excreción de polímeros
extracelulares. El material orgánico o nutrientes se transportan a través de la
biopelícula mediante mecanismos de difusión; sin embargo, el material orgánico
en suspensión no se puede difundir a través de la biopelícula y debe ser
hidrolizado a moléculas más pequeñas. Los productos finales de la degradación
del material orgánico son transportados en dirección opuesta, es decir, desde el
interior de la biopelícula hacia el líquido.
En los reactores biológicos aerobios, pueden existir diferentes condiciones

ambientales (Figura 1-7): zonas aerobias, anóxicas y anaerobias, tanto en el
flóculo (cultivo en suspensión) como en la biopelícula (cultivo fijo), en las cuales la
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
0 Distancia desde el soporte

Distancia desde el centro del flóculo
Zona Zona Zona

aerobia anóxica anaerobia
Figura 1-7. Condiciones ambientales y microorganismos en el flóculo y biopelícula

(modificado de von Sperling, 2007).
La coexistencia entre diferentes tipos de microorganismos (aerobios, anóxicos y

anaerobios) es mucho mayor en cultivos fijos, debido a que el espesor de la
biopelícula (70 µm-4.000 µm) (Gross et al., 2015) es superior al tamaño del flóculo
(50 µm-500 µm) (von Sperling, 2007) y por tanto el oxígeno se consume a medida
que penetra en la biopelícula. El espesor de la biopelícula y el tamaño de los
flóculos, depende principalmente de las condiciones hidrodinámicas en el reactor
biológico y de la carga orgánica.
Los protistas y metazoos aparecen generalmente en las zonas aerobias

(microorganismos estrictamente aeróbicos) que son las capas externas, donde la
concentración de oxígeno no es limitada (Jeppsson, 1996; Moussa et al., 2005).
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).
Este proceso biológico está constituido por cuatro componentes: 1) reactor

aireado, donde la biomasa (microorganismos) está en suspensión, 2) tanque de
decantación secundaria para la separación sólido (biomasa)-líquido (efluente
clarificado), 3) corriente de recirculación de fango y 4) corriente de fango en
exceso (Figura 1-8). En un proceso de fangos activos, el tiempo de retención
hidráulico (TRH) es de horas y es mucho menor que la edad del fango (EF, días),
debido a que parte de la biomasa es recirculada al reactor.
Influente Efluente final

VFA, SSTFA DQOsEfl, SSTEfl, QEfl
DQOsInf ,QInf
Reactor de Decantador
fangos secundario
activos
Aireación
Fango en exceso (QP, SSTP)

Recirculación de fango (QR, SSTR)
Figura 1-8. Diagrama de flujo de un proceso de fangos activos.
Factores que afectan a la eficiencia del proceso de fangos activos

Para conseguir una alta eficiencia de eliminación de material orgánico, es
necesario que determinadas variables manipulables, estén dentro de un rango
óptimo de operación para el control del proceso, como la dosificación de
nutrientes, caudal de recirculación de fango y caudal de fango en exceso
(Kenny, 2010; Zhou et al., 2015; Foscoliano et al., 2016). Otros factores que afectan
a la eficiencia del proceso FA son los siguientes:
 Edad del fango (EF): representa el periodo de tiempo que permanece la

biomasa en el sistema (Ecuación 1-1) y es regulado por el caudal de purga o
fango en exceso (QP). El mínimo valor de EF viene determinado por la
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.
SSTFA  VFA (Ec.1-1)

EF(días) 
Q  SSTEfl  QP  SSTP
Efl
donde:
SSTFA=sólidos en suspensión totales en el reactor FA (g/m3).
VFA=volumen del reactor FA (m3).

QEfl=caudal del efluente (m3/día).
SSTEfl=sólidos en suspensión totales en el efluente (g/m3).
QP=caudal de purga o fango en exceso (m3/día).
SSTP=sólidos en suspensión en la corriente de fango en exceso (g/m3).
 Oxígeno disuelto en el reactor: teóricamente la cantidad de oxígeno

transferida al reactor biológico debe ser igual a la cantidad de oxígeno
requerida por los microorganismos para la oxidación del material orgánico, la
nitrificación y la respiración endógena. La transferencia de oxígeno al líquido
del reactor, generalmente se realiza mediante un sistema de difusión de aire
(turbo-soplantes y un sistema distribuido de difusores). En general, el rango de
concentración óptima de oxigeno en el líquido del reactor es de 2-3 g/m3
(Metcalf y Eddy, 2003; von Sperling, 2007).
 Recirculación de fango: la recirculación de fango es necesaria para mantener

una determinada concentración de biomasa en el reactor y se regula
mediante el factor de recirculación (R) representado por la relación entre el
caudal de recirculación (QR, m3/día) y el caudal del influente (Qinf, m3/día)
(Ecuación 1-2).
QR
R(%)   100 (Ec.1-2)
QInf
 Producción de fango en exceso: la extracción de fango en exceso es

necesaria para mantener una edad del fango determinada y se regula
mediante el caudal de la corriente de fango en exceso. Generalmente, la
producción de lodos en exceso se relaciona con la cantidad de DQO soluble
(DQOs) eliminada denominado Sludge Yield (SY) (Ecuación 1-3).
16
QP  SSTP (Ec.1-3)
SY(Ton SST/TonDQOs)   10 6
DQOs Inf

- DQOs Efl  QInf
 Sólidos en suspensión en el reactor (SSTFA): la biomasa activa (microorganismos)

generada en el reactor biológico debido al consumo del material orgánico,
junto con la biomasa inactiva (residuos generados en la fase de inactivación)
(Moussa et al., 2005) y sólidos procedentes del influente, constituyen los sólidos
en suspensión del reactor (SSTFA). Los sólidos en el reactor se mantienen en
suspensión mediante el sistema de aireación cuya potencia depende
directamente del volumen del reactor y de la concentración de sólidos;
generalmente se utiliza un valor mínimo de 10 W/m3 (von Sperling, 2007).
Para mantener el proceso de fangos activos en equilibrio, el crecimiento de los

microorganismos en el reactor debe compensarse con una purga de fango
(fango en exceso) desde el decantador secundario. Generalmente se
establece un límite superior de 5.000 g/m3 e inferior de 2.000 g/m3 de SSTFA (van
Haandel y van der Lubbe, 2015).
 Requerimientos de nutrientes: en los tratamientos biológicos para la eliminación

de material orgánico, los nutrientes (N y P) deben estar en una concentración
mínima requerida para satisfacer las actividades metabólicas de los
microorganismos. En aguas residuales de origen industrial, generalmente los
nutrientes son deficitarios y limitan el crecimiento de los microorganismos y en
consecuencia la oxidación del material orgánico, siendo necesario
adicionarlos. Los requerimientos de N y P dependen de la composición del
agua residual y la biomasa. La biomasa sintetizada en un tratamiento biológico
generalmente contiene un 12,3 % de N y un 2,6 % de P; sin embargo, el residuo
celular procedente de la respiración endógena contiene un 7 % de N y 1 % de
P (Von Sperling, 2007). Como regla general, los requerimientos de nutrientes son
5 g de N y 1 g de P para 100 g de DQO (100 DQO:5 N:1P) (Jafarinejad, 2017).
Para asegurar una correcta dosificación de nutrientes, las concentraciones en
el efluente final de N y P tienen que estar por encima de 4 g/m3 y 0,3 g/m3,
respectivamente (Welander et al., 2002).
 Sedimentabilidad: las características de sedimentación de los sólidos en

suspensión del reactor biológico son fundamentales para un buen
funcionamiento del decantador secundario cuya función es clarificar el
efluente final y espesar el fango en el fondo del decantador. La medida del
índice volumétrico de fango (IVF) (Ecuación 1-4), se utiliza para evaluar las
características de sedimentabilidad y se refiere al volumen que ocupa 1 gramo
de fango a los 30 minutos (V30) de sedimentación.
17
V30 (ml/l) (Ec.1-4)
IVF(ml/g)  10 3
SSTFA (g/m3 )
Variantes del proceso de fangos activos

Existen gran cantidad de variantes del proceso de fangos activos (Grady et al.,
2011) pero una de las principales clasificaciones se realiza en función de la edad
del fango (EF) (von Sperling, 2007). La edad del lodo es la variable de control y de
diseño más crítica debido a que afecta al volumen del reactor biológico, a la
eficiencia del proceso biológico, a la producción de fango en exceso, a los
sólidos en suspensión en el reactor y los requerimientos de oxígeno y nutrientes.
Según el valor de EF se pueden clasificar (Metcalf y Eddy, 2003):
 Fangos activos convencional: opera con un valor de EF en el rango de 4 a 10

días y el TRH está comprendido entre 6 y 8 horas.
 Fangos activos de aireación extendida: opera con un valor de EF en el rango

de 20 a 40 días y el TRH está comprendido entre 16 y 24 horas. En este tipo de
proceso, el volumen del reactor biológico es superior al volumen de un proceso
convencional y se utiliza para pequeños caudales de aguas residuales.
En la Tabla 1-2 se muestra la influencia de la EF en las principales variables de

control para los dos tipos de proceso de fangos activos mencionados
anteriormente.
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.
Principales problemas asociados a la operación del proceso fangos activos

Los principales problemas asociados a un proceso de fangos activos son los
siguientes:
 Bulking: fenómeno asociado a la mala sedimentabilidad de los sólidos

(biomasa) en el decantador secundario que puede presentarse en bulking
filamentoso y bulking viscoso. Valores del índice volumétrico (IVF) superiores a
150 ml/g, indican una mala sedimentabilidad propiciada por este fenómeno.
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.
Influencia de la edad de la edad del fango (EF)

Variables de control Convencional Aireación extendida
EF: 4-10 días EF: 20-30 días
Carga orgánica Carga orgánica baja y
convencional y crecimiento fase de inactivación,
bacteriano en fase donde la concentración
Carga orgánica
estacionaria, donde la bacteriana es mínima y
concentración bacteriana es el sustrato disponible es
máxima limitado
Predomina el consumo
Predomina el consumo de
Requerimientos de de oxígeno para la
oxígeno para la degradación
oxigeno respiración endógena y
del material orgánico
nitrificación
Fracción Elevada fracción de
Elevada fracción de biomasa
activa/inactiva de biomasa inactiva
activa (microorganismos)
biomasa (residuo inerte)
Menor requerimiento de
nutrientes. N y P
Requerimientos de Mayor requerimiento de
contenido en el residuo
nutrientes nutrientes
celular es utilizado por
otros microorganismos
Producción de biomasa
Producción de biomasa
activa baja (sustrato
Sludge Yield (SY) activa elevada (sustrato no
limitado) y el valor de SY
limitado) y el valor de SY alto
bajo
Bulking filamentoso: las bacterias filamentosas predominan respecto a las

bacterias formadoras de flóculo. Los filamentos se extienden fuera del flóculo
impidiendo la cohesión con otros flóculos generando puentes interfloculares y
estructuras disgregadas en los flóculos (Figura 1-9), dando lugar a problemas
de separación sólido-líquido en la decantación secundaria.
Las principales causas de aparición del bulking filamentoso son la deficiencia

de nutrientes, deficiencia de sustrato fácilmente biodegradable y baja
concentración de oxigeno disuelto en el reactor (Eikelboom, 2000; Jenkins et
al., 2004). Las bacterias filamentosas compiten con las bacterias formadoras de
flóculos, debido a que su superficie es mayor, permitiendo una absorción
preferente de los nutrientes, sustrato soluble y oxígeno (Slade et al., 2004).
19
Bacteria Exceso de filamentos en Fallo en la
filamentosa el exterior del flóculo macroestructura del
flóculo
Flóculo ideal Bulking filamentoso Pin-point floc
Figura 1-9. Influencia de las bacterias filamentosas en la estructura del flóculo

(Ferrer y Seco, 2007).
Para evitar el bulking filamentoso, generalmente se incorporan selectores

cinéticos donde la velocidad de crecimiento de las bacterias filamentosas es
menor a la velocidad de crecimiento de las bacterias formadoras de flóculo.
Los selectores cinéticos generalmente son reactores previos al reactor de
fangos activos, donde la carga orgánica es muy elevada (bajos valores de EF y
TRH) y la presencia de gran cantidad de sustrato soluble rápidamente
biodegradable permite el rápido crecimiento selectivo de microorganismos
formadores de flóculo (Rensik y Donker, 1991).
Bulking viscoso: excreción excesiva de polímeros extracelulares produciendo

unos sólidos en suspensión con una consistencia gelatinosa difícilmente
sedimentable. Esta excreción masiva de polímeros es característica en
reactores biológicos con elevada carga de sustrato fácilmente biodegradable.
 Pin-point floc: fenómeno asociado a una elevada EF y a una concentración

del sustrato fácilmente biodegradable extremadamente baja, donde la
fracción inerte de los sólidos en suspensión del reactor es muy elevada debido
a la muerte celular. Los flóculos carecen de macroestructura (bacterias
filamentosas) pero son de pequeño tamaño y con poca consistencia dando
lugar a un efluente final con turbidez (Figura 1-9).
 Rising Sludge o fango ascendente: fenómeno asociado al proceso de

desnitrificación, en el que los nitratos son reducidos a N2 gas. El N2 gas arrastra
al fango decantado hacia la superficie del decantador secundario. La
desnitrificación principalmente se produce cuando la concentración de
nitratos es superior a 8 g/m3 (Henze et al., 1993). Este fenómeno puede
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).
1.3.2. Cultivo fijo: proceso MBBR (Moving Bed Biofilm Reactor)
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):
i) La planta de tratamiento requiere menos espacio ya que no hay que

mantener una concentración de biomasa activa en suspensión en el reactor
biológico debido a que la biomasa está adherida a un soporte.
ii) El tratamiento de separación sólido-líquido está menos influenciado por la

separación de la biomasa, debido a que la concentración de la biomasa es 10
veces menor que un proceso de fangos activos y existe una mayor flexibilidad
en la elección del método de separación de la biomasa (sedimentación,
flotación o filtración). Además, la eficiencia en la separación sólido-líquido en
un proceso de fangos activos, se ve afectado por los choques hidráulicos y las
características de sedimentabilidad del fango (bulking filamentoso) y por tanto
requiere de una alta superficie de decantación. Estos problemas son
solventados mediante un proceso de biopelícula.
iii) La biomasa adherida se vuelve más especializada y activa (mayor

concentración de microorganismos relevantes), ya que no hay retorno de la
biomasa al reactor biológico.
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).
La tecnología MBBR se basa en el crecimiento de microorganismos adheridos a las

paredes de soportes de polipropileno o polietileno de densidad próxima a 1
g/cm3. Estos soportes son de pequeño tamaño, pero son diseñados con una
elevada área superficial por unidad de volumen (superficie específica, m2/m3) lo
que posibilita el crecimiento de mayor cantidad de biomasa y de mayor
efectividad que la de los flóculos biológicos de reactores convencionales.
Un porcentaje del volumen del reactor es ocupado por los soportes y el

porcentaje máximo de llenado es de un 67-70 %. Los soportes dentro del reactor
se mueven libremente, incluso a un 70 % de llenado, debido a que su densidad es
parecida a la del agua y el movimiento es provocado o mediante sistemas de
aireación (procesos aerobios) o mediante agitación mecánica (proceso anóxico
y anaerobio). Los soportes son retenidos en el reactor mediante la instalación de
colectores circulares perforados en la salida de los reactores (Figura 1-10).
Retención de soportes
MBBR
MBBR anóxico o
aerobio anaerobio
Influente Efluente Influente Efluente
Aireación Agitación
mecánica
Soporte plástico
Figura 1-10. Esquema del movimiento de los soportes en un reactor MBBR en

condiciones aerobias, anóxicas o anaerobias.
En procesos aerobios, el sistema de aireación dispone de una parrilla de tubos

perforados para generar burbujas de aire de tamaño medio que aumentan la
capacidad de mezcla de los soportes (Rusten, 2006). Estas parrillas cubren toda la
superficie del fondo de los reactores con el fin de garantizar el aporte de oxígeno
necesario para el tratamiento y asegurar una correcta agitación del agua y de los
soportes plásticos.
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.
Aplicaciones de la tecnología MBBR

La tecnología MBBR se ha utilizado con éxito a nivel industrial para el tratamiento
de diferentes tipos aguas residuales, incluyendo las aguas residuales municipales
(Rusten et al, 1998a, Borkar et al., 2013) y las aguas industriales procedentes de la
industria de papel (Hosseini y Borghei, 2005) y pasta de celulosa (Jahren et al.,
2002; Vaidhegi, 2013), aguas residuales fenólicas (Borghei y Hosseini 2004), aguas
residuales del procesamiento de aves de corral (Rusten et al., 1998b), aguas
residuales farmacéuticas (Brinkley et al., 2007; Lei et al., 2010), aguas residuales de
la industria láctea, refinerías, residuos de mataderos (Barwal y Chaudhary, 2014),
piscifactorías (Rusten et al., 2006) y desnitrificación de agua potable (Kermani et
al., 2008; McQuarrie y Boltz 2011).
La tecnología MBBR se desarrolló para diferentes aplicaciones en el sector

industrial y en las aguas residuales municipales (Ødegaard, 2000; Boltz et al.,
2010b) tales como la eliminación biológica de nitrógeno, material orgánico y
fosfatos (Helness y Ødegaard, 2001). En la Figura 1-11 se muestran las principales
configuraciones donde la tecnología MBBR se puede combinar con procesos de
coagulación y fangos activos para la eliminación biológica de DQO, nitrificación
y eliminación del nitrógeno (nitrificación y desnitrificación) (Ødegaard, 1999;
McQuarrie y Boltz, 2011).
Como se muestra en la Figura 1-11, el tanque de decantación primaria (previo a

los reactores biológicos) se utiliza generalmente para evitar la obstrucción de los
colectores de retención de los soportes plásticos con los sólidos procedentes del
agua residual; sin embargo, el uso de soportes de gran tamaño permite que las
perforaciones en dichos colectores sean de mayor diámetro y haciendo
innecesaria una decantación primaria (Ødegaard et al., 2000).
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).
Habitualmente se utilizan procesos biológicos de dos etapas (2 reactores MBBR

en serie) con posterior tanque de decantación para la sedimentación de la
biomasa y su separación del efluente final (Figura 1-11a, b) o como pre-
tratamiento biológico (Figura 1-11c).
Proceso de dos etapas (Figuras 1-11a, b): dependiendo de la carga orgánica

del influente, el primer reactor MBBR es de alta carga (predominan los
microorganismos heterótrofos) y el segundo MBBR es de baja carga orgánica
(Schubert et al., 2013; Shi et al., 2017). En este segundo reactor MBBR puede
producirse la nitrificación del nitrógeno amoniacal por microorganismos
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.
En procesos de alta carga y cortos tiempos de retención hidráulica, la

separación de la biomasa del efluente final es complicada debido a la
excesiva producción de polímeros extracelulares generando el fenómeno del
bulking viscoso; en ocasiones es necesaria la dosificación previa al tanque de
decantación secundaria de coagulantes (1-11b) para favorecer la
biofloculación del fango en exceso. Además, si se requiere la eliminación de
fosfatos, en la etapa previa de coagulación es posible su precipitación con
sales metálicas (Ødegaard, 1999).
Pre-tratamiento (Figura 1-11c): esta secuencia se utiliza comúnmente para la

ampliación de la capacidad de tratamiento de un proceso de fangos activos
instalado previamente (Rankin et al., 2007; Malmqvist et al., 2008; Zalakain y
Manterola, 2011b). De esta forma el tratamiento biológico es más compacto
sin necesidad de aumentar el volumen del reactor de proceso de fangos
activos.
La combinación de una etapa de biopelícula fija de lecho móvil como pre-

tratamiento y una etapa de biomasa en suspensión constituye el proceso BAS
(Biofilm Activated Sludge). En la etapa de biopelícula se elimina la DQO soluble
rápidamente biodegradable y en la etapa de biomasa en suspensión, se
elimina la DQO particulada lentamente biodegradable. La instalación de un
tanque de decantación intermedio entre las dos etapas es opcional. El tanque
intermedio de decantación impide que llegue el fango en exceso procedente
de los reactores MBBR para evitar la reducción de la edad del fango en el
reactor de fangos activos y de esta forma degradar los compuestos más
difícilmente biodegradables. Sin embargo, si el tanque intermedio de
decantación no se instala, las propiedades de sedimentación del fango
pueden verse mejoradas (Welander et al., 2002).
 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):
Nitrificación (Figuras 1-11d, e, f): en estas figuras se muestran diferentes

configuraciones para la nitrificación con eliminación previa de fosfatos (1-11d),
eliminación del material orgánico y nitrificación (1-11e) y la eliminación del
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.
Eliminación de nitrógeno (Figuras 1-11g, h, i, j): el proceso de desnitrificación

(condiciones anóxicas) para la eliminación de nitrógeno mediante un proceso
MBBR se consigue mediante una pre-desnitrificación (1-11g), pos-
desnitrificación (1-11h, i) o mediante la combinación de ambos procesos (1-11j)
(Bassin et al., 2017). La adición de material orgánico lentamente
biodegradable es necesaria cuando su concentración es lo suficientemente
baja, siendo el sustrato limitante en la desnitrificación.
Factores que afectan a la eficiencia de un proceso MBBR

Para cualquiera de las aplicaciones y de las configuraciones descritas
anteriormente, los principales factores que afectan a la eficiencia del proceso son
los siguientes:
 Superficie específica y porcentaje de llenado de soportes: se ha demostrado

que el área de la biopelícula (Af) (Ecuación 1-5) es el parámetro clave que
define la eficiencia del reactor MBBR (Ødegaard, 1999). Por este motivo, la
eficiencia de eliminación de material orgánico depende directamente de la
carga orgánica soluble aplicada por superficie de biopelícula en el reactor
MBBR expresada como g DQOs/m2 día. Un aumento del área de la biopelícula
(Af) da lugar a un aumento de eficiencia y un volumen más pequeño del
reactor MBBR (VMBBR). Para conseguir un aumento de Af, o bien se aumenta la
superficie específica de los soportes (SE) o se aumenta el porcentaje de
llenado (Ødegaard et al, 2000).
Af (m2 )  SE(m2 / m3 ) Llenado(%) VMBBR (Ec.1-5)
Durante años, la compañía AnoxKaldnes ha desarrollado una amplia variedad

de soportes en cuanto a forma, tamaño y superficie específica. Al aumentar la
superficie específica del soporte plástico, se puede incorporar más biopelícula
en un proceso MBBR, por lo que es más compacto y eficiente. Esta superficie
específica, puede variar entre 500 a 1.200 m2/m3 para algunos de los soportes
comúnmente utilizados (Barwal & Chaudhary, 2014; McQuarrie & Boltz, 2011)
como se muestra en la Tabla 1-3.
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).
La superficie específica protegida de los soportes (Tabla 1-3) está calculada

para un porcentaje de llenado del 100 % del volumen del reactor y se reduce
proporcionalmente al disminuir el porcentaje de llenado de soportes. Autores
como McQuarrie y Boltz (2011) y Barwal y Chaudhary (2014) recomiendan un
máximo de un 70 % de llenado.
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)
K1 500 PEAD 7,2 9,1
K3 500 PEAD 12 25
K5 800 PEAD 3,5 25
BiofilmChip P 900 PEAD 3 45
BiofilmChip M 1200 PEAD 2,2 48
El soporte original de Anoxkaldnes es el K1, un pequeño cilindro diseñado con

una cruz en su interior y “aletas” en la parte exterior siendo actualmente el
dominante en los procesos MBBR; sin embargo, el K3 y especialmente K5 están
sustituyendo al K1 en las nuevas plantas de tratamiento de aguas residuales
(Barwal & Chaudhary, 2014). El soporte BiofilmChip P, es recomendable para
evitar tratamientos primarios, debido a que tiene mayor tamaño que los
anteriores y en consecuencia las perforaciones en los colectores de retención
(Figura 1-10) son grandes evitando las posibles obstrucciones por los sólidos
procedentes del agua residual (Qiqi, 2012; Shahot et al., 2014). El soporte
BiofilmChip M está diseñado específicamente para microorganismos de
crecimiento lento, como nitrificantes, ya que ofrece una superficie específica
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:
Diversidad microbiana: en un proceso de fangos activos convencional, el

desarrollo de biomasa activa comienza con la formación de flóculos
bacterianos y si la edad del fango es elevada, estos flóculos comienzan a ser
colonizados por microorganismos depredadores que se alimentan de las
bacterias. Sin embargo, en un proceso MBBR, la microbiología desarrollada en
la biopelícula depende de la carga orgánica soluble aplicada (van Haandel y
van der Lubbe, 2015). Ødegaard (1999) concluye que en las biopelículas
donde predominan las bacterias y los depredadores están ausentes, se
desarrollan cuando el valor de SCLR es alto (30 g DQO/m2 día); para valores de
SCLR moderados (10-15 g DQO/m2 día) se promueve una biopelícula con una
gran diversidad de microorganismos depredadores (ciliados pedunculados y
reptantes) y para valores de SCLR bajos (<5 g DQO/m2 día), los
microorganismos depredadores predominan en la biopelícula.
Hidrólisis del material orgánico lentamente biodegradable: el objetivo principal

de un proceso MBBR de alta carga orgánica es la eliminación de la DQO
soluble rápidamente y por lo tanto la DQO particulada sale del reactor sin ser
degradada. Sin embargo, se ha demostrado que la hidrólisis de la DQO
particulada se puede producir cuando la carga orgánica soluble aplicada es
menor de 20 g DQOs /m2 día (Helness y Ødegaard, 2005), dando lugar a un
aumento de DQO soluble en el reactor, que estará disponible para otros
microorganismos, y a una menor producción de fango en exceso.
 Concentración de oxígeno disuelto: la concentración de oxigeno disuelto en el

reactor debe mantenerse por encima de 2 g/m3 para que la eliminación de la
DQO sea eficiente (Wang et al., 2006). Una disminución de oxígeno de 2 a 1
g/m3, disminuye la eficiencia de eliminación de DQO en un 13 %, lo que indica
que la concentración de oxígeno es el factor limitante; sin embargo, el
aumento de 2 a 6 g/m3 aumenta la eficiencia de eliminación de DQO sólo en
un 5,8 % (Barwal & Chaudhary, 2014).
 Condiciones de agitación o mezcla: una turbulencia adecuada en el reactor

MBBR mantiene el espesor de la biopelícula con el fin de que la penetración
del sustrato, nutrientes y oxígeno sea completa; pero si la turbulencia es
28
extremadamente alta, el desprendimiento de la biopelícula es demasiado
elevado y además provoca el desgaste de los soportes plásticos (Barwal &
Chaudhary, 2014).
 Desarrollo de la biopelícula: el proceso de formación típico de la biopelícula

(Figura 1-12) está constituido por tres etapas: adherencia, crecimiento y
desprendimiento (Mašić, 2013).
Etapa de
Etapa de desprendimiento
crecimiento
Biopelícula
Etapa de
adherencia
Bacteria
Superficie del soporte plástico
Figura 1-12. Representación de las tres etapas de formación de la biopelícula.
En la etapa inicial de adherencia, las bacterias se adhieren a una superficie

sólida (sucede a los pocos minutos de encontrarse con la superficie sólida) e
inician la producción de polímeros extracelulares constituyendo una matriz
polimérica que atrapa nutrientes, productos microbianos y otras materias
orgánicas e inorgánicas.
En la segunda etapa de crecimiento, la matriz polimérica rodea y protege a las

bacterias de la biopelícula, proporcionando unas condiciones ambientales
específicas. Esta etapa depende principalmente de la disponibilidad de los
nutrientes, sustrato y aceptores de electrones por lo que la difusión de los
mismos juega un papel importante en la formación de la biopelícula
(Reboleiro, 2014). Las bacterias adheridas a la pared del soporte plástico
forman capas relativamente gruesas, hasta varios cientos de micras, en las
que, debido al consumo y a la difusión, los compuestos promotores del
crecimiento experimentan gradientes de concentración. Las bacterias en las
capas internas de la película experimentan diferentes condiciones de
crecimiento que las bacterias en las capas externas o en la fase líquida
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).
Ventajas del proceso MBBR

El proceso MBBR tiene una serie de ventajas frente a otros procesos de
tratamiento de aguas residuales (Zalakain, 2009; Zalakain y Manterola, 2011b):
i) Reducción del volumen del reactor biológico debido al empleo de un soporte

que proporciona una superficie específica protegida elevada. La superficie de
terreno necesaria para la instalación de un proceso de lecho móvil es muy
inferior a la necesaria para un proceso de fangos activos; esta reducción de
volumen es mayor a medida que aumenta la biodegradabilidad de las aguas
a tratar.
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.
iii) No requiere recirculación de biomasa al reactor. En estos casos, la

concentración de sólidos en suspensión que llegan al decantador secundario
es muy inferior a la concentración que recibiría en un proceso de fangos
activos, por lo que los decantadores secundarios son también de menor
tamaño.
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.
vi) En los procesos de biopelícula no proliferan microorganismos filamentosos, lo

que conlleva a la eliminación de uno de los mayores problemas de los
procesos de fangos activos, el denominado “bulking filamentoso”, que impide
que la biomasa sedimente en el decantador secundario.
vii) La edad de fango (parámetro de control crítico de un proceso de fangos

activos), desaparece, por lo que la operación del mismo se simplifica
notablemente.
viii) Recuperación rápida del proceso ante inhibiciones. La formación de

biopelícula en el soporte plástico es de forma estratificada con lo que, ante la
presencia de inhibidores o posibles picos de carga, serán primordialmente las
capas externas de la biopelícula las que se vean afectadas, produciéndose
una disminución en la eficiencia del proceso, pero una muy rápida
recuperación una vez pasado el inhibidor. A diferencia de los procesos de
fangos activos la generación de la nueva biomasa y la recuperación total de
la actividad biológica se ve restablecida rápidamente tras el paso del
inhibidor.
La principal limitación de los procesos MBBR es que dependen del proceso de

sedimentación para separar el efluente tratado de la biomasa y en este contexto,
la sedimentabilidad del fango es menor que en los procesos convencionales de
fangos activos por lo que es necesario una coagulación previa a la etapa de
decantación secundaria.
1.3.3. Proceso BAS (Biofilm Activated Sludge)
El proceso BAS consiste en la combinación del proceso MBBR y el proceso de

fangos activos (Figura 1-13). Se utiliza reactores MBBR como pre-tratamiento de
alta carga orgánica, donde la DQO soluble rápidamente biodegradable se
elimina mediante microorganismos de rápido crecimiento (bacterias heterótrofas
aerobias). Los valores típicos de eliminación son entre un 50-70 % (van Haandel y
van der Lubbe, 2015) y en consecuencia la carga orgánica que llega al reactor
de fangos activos (FA) es muy baja. El reactor FA se encarga principalmente de
eliminar la DQO particulada lentamente biodegradable como también del
exceso de biomasa procedente del reactor MBBR; además, pueden aparecer
microorganismos de lento crecimiento como los autótrofos en dicho reactor
eliminando el exceso de nitrógeno amoniacal mediante nitrificación.
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
Figura 1-13. Diagrama de flujo de un proceso BAS.
El tratamiento primario para la eliminación de la DQO particulada lentamente

biodegradable procedente del agua residual en un proceso BAS no es necesario,
debido a que es eliminada en la etapa de baja carga orgánica de fangos
activos. Por este motivo el TRH en el pre-tratamiento MBBR debe ser suficiente
mente bajo para minimizar la hidrólisis de la DQO particulada, pero lo
suficientemente alto para maximizar la degradación de la DQO soluble (Helness
et al., 2005). La guía de diseño de un proceso BAS está basada en la etapa de
pre-tratamiento MBBR, en la eficiencia global de eliminación de la DQO soluble
(DQOs) y de los requerimientos de la DBO5 en el efluente final como se muestra en
la Tabla 1-4.
Microorganismos presentes en un proceso BAS

Una característica única del proceso BAS es que las poblaciones de
microorganismos en las dos etapas son diferentes (Sointio et al., 2006).
La etapa de biopelícula elimina gran parte del material rápidamente

biodegradable y genera una cantidad sustancial de bacterias heterótrofas
aerobias. La segunda etapa de fangos activos promueve el crecimiento de
microorganismos que pueden utilizar lo que queda en el efluente de los reactores
MBBR como fuente de alimento (Wei et al., 2003; Rankin et al., 2007). Esto significa
que la etapa de fangos activos contendrá una gran cantidad de
microorganismos depredadores (ciliados, rotíferos, etc.), que viven principalmente
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
Porcentaje de llenado % 10-50 10-50

TRH en MBBR Horas >1,5 >1,5
Proceso BAS con limitación de nutrientes

El proceso BAS puede operar permitiendo un ligero exceso de nutrientes
(nitrógeno y fósforo) en el efluente final o en condiciones de limitación de
nutrientes, donde la dosis de nutrientes en el influente es reducida. El proceso BAS
con limitación de nutrientes fue introducido en 2002 en dos plantas en Suecia,
Sodra Cell Varo (celulosa) y Stora Enso Hylte (papel) y desde entonces se ha
implantado en EDARs industriales procedentes de la industria de celulosa y papel
en diferentes países europeos, América del Norte, América del Sur y Australia
(Malmqvist et al., 2008). Otras áreas de aplicación son en la industria
petroquímica, industria farmacéutica, industria textil e industria alimentaria (van
der Haandel y van der Lubbe, 2015).
Históricamente se conoce que la limitación de nutrientes crea problemas en la

separación de la biomasa en los decantadores secundarios de un proceso de
fangos activos, debido a la formación de bacterias filamentosas (Richard, 1999;
Jenkins et al., 2004). Sin embargo, se ha demostrado que la etapa de pre-
tratamiento de biopelícula (MBBR) operada en condiciones limitantes de
nutrientes ofrece ventajas importantes con respecto a la sedimentabilidad del
fango, la producción de fango en exceso y la descarga de nutrientes en el
efluente final en comparación con un proceso de fangos activos (Welander et al.,
2002; Malmqvist et al., 2004a, b).
En la Figura 1-14a se muestra una proliferación excesiva de bacterias filamentosas

entre los flóculos, dando lugar a un índice volumétrico de fango (IVF) de 300 ml/g
(mala sedimentabilidad) en un proceso de fangos activos; sin embargo, en la
Figura 1-14b se observa la desaparición de las bacterias filamentosas al añadir un
33
pre-tratamiento MBBR al proceso de fangos activos (proceso BAS) reduciéndose el
IVF a 70 ml/g (Rankin et al., 2007).
Por otro lado, es necesaria una correcta dosificación de nutrientes ya que se

pueden presentar problemas como: a) una limitación de nutrientes severa que
puede originar el fenómeno de bulking filamentoso y la disminución de la
eficiencia de eliminación de DQO soluble y b) un exceso de nutrientes que puede
generar superaciones de los límites legales de vertido (Malmqvist et al., 2008; van
Se ha demostrado en EDARs a escala industrial que la estequiometria general

100DQO:5N:1P puede reducirse hasta una estequiometria de 100DQO:0,76N:0,16P
(Rankin et al., 2007), debido a que los nutrientes absorbidos por las bacterias en la
primera etapa de biopelícula se liberan al medio cuando son consumidas por los
microorganismos depredadores en la etapa de fangos activos (Sointio et al.,
2006).
a) Proceso de fangos activos b) Proceso BAS
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).
Ventajas del proceso BAS con limitación de nutrientes

i) El pre-tratamiento MBBR amortigua los picos de carga contaminante,
protegiendo a la etapa de fangos activos ante dichas alteraciones,
consiguiendo un efluente constante y de de alta calidad.
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.
iii) El fango presenta unas características de sedimentabilidad muy buenas y tiene

menor riesgo de bulking filamentoso que un proceso de fangos activos.
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.
La principal limitación de los procesos BAS para la eliminación de material

orgánico es el elevado consumo energético necesario para la aireación tanto de
la etapa de biopelícula como en la etapa de de fangos activos.
1.4. Modelado de una estación depuradora de aguas residuales (EDAR)
El modelado matemático de un tratamiento de aguas residuales es una

herramienta útil para el diseño, la operación y optimización de una EDAR. El
modelado permite estudiar tanto los impactos de variables en el tratamiento
biológico, como el desarrollo de nuevos diseños cuyo objetivo es minimizar los
costes de explotación y mejorar la eficiencia del tratamiento; además permite
desarrollar diferentes estrategias de control que facilitan la respuesta del
tratamiento biológico ante variaciones tales como los cambios de caudal y carga
orgánica en el influente, sin poner en riesgo el tratamiento actual (Henze et al.,
2000; Banadda et al., 2011). El término de modelado matemático de una EDAR se
utiliza para indicar el conjunto de modelos de diferentes grupos de procesos
(Gernaey et al., 2004) y varía desde el modelado de caja negra (procesos
biológicos desconocidos) (Szelag et al., 2017; Granata et al., 2017; Arabameri et
al., 2017) hasta el modelado de caja blanca, donde se modelan los procesos
biológicos explícitamente (Puyol et al., 2017; Caniani et al., 2017) (Figura 1-15).
Habitualmente, el modelo mecanicista es el más utilizado en el aprendizaje, el
diseño y la optimización de los procesos biológicos de una EDAR (Gernaey et al.,
20004).
Modelado estadístico Modelado mecanicista
Caja negra Caja blanca

Influente Efluente Influente Efluente
¿procesos
biológicos?
Interacción entre microorganismos
Figura 1-15. Esquema del modelado estadístico y mecanicista en un tratamiento

biológico en una EDAR.
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).
1.4.1. Modelo biocinético
El modelo biocinético para un proceso de fangos activos fue presentado por la

Asociación Internacional del Agua (IWA) en 1987 (Henze et al., 1987)
denominándose ASM1 (Activated Sludge Model 1). El modelo ASM1 es utilizado
para describir matemáticamente las reacciones biológicas que tienen lugar en un
reactor biológico mediante un conjunto de ecuaciones diferenciales ordinarias
(EDO). Aunque este modelo se ha modificado desde entonces, sigue siendo el
modelo biocinético más utilizado en el modelado mecanicista de las EDARs de
todo el mundo (Keskitalo et al., 2010).
Actualmente existen cuatro generaciones de modelos de la IWA: a) ASM1, este

modelo fue desarrollado para describir la eliminación del material orgánico y
nitrógeno. Incluye los procesos de crecimiento microbiano en condiciones
aerobias y anóxicas, muerte de la biomasa, amonificación de nitrógeno orgánico
e hidrólisis del material orgánico particulada, b) ASM2, es una versión extendida
del ASM1 y principalmente incluye los procesos de fermentación en condiciones
anaerobias, la eliminación biológica de fósforo mediante microorganismos
acumuladores del fosfato en condiciones aerobias e incluye el ortofosfato como
factor limitante del crecimiento de la biomasa, c) ASM2d, versión extendida del
ASM2 que incluye el crecimiento de los microorganismos acumuladores de fosfato
en condiciones anóxicas y, d) ASM3, desarrollado para la eliminación biológica
de nitrógeno y material orgánico, básicamente con el mismo objetivo que el
ASM1. La principal diferencia entre los modelos ASM1 y ASM3 es que este último
reconoce la importancia de almacenamiento de polímeros por parte de los
microorganismos.
Principios básicos de los modelos ASM

Los modelos ASM están constituidos por componentes i solubles Si como
particulados Xi (Grau et al., 1982; Hauduc et al., 2013). Los componentes solubles y
particulados no son necesariamente diferenciados a través de un filtro de 0,45 µm
como es habitualmente asumido en la literatura científica, sino que el rango
utilizado puede ser entre 0,45 µm y 1,8 µm (Henze et al., 2000). Estos modelos
utilizan la DQO como parámetro de cuantificación del material orgánico
mediante el fraccionamiento de la DQO.
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).
Según el modelo de Monod, la velocidad específica de crecimiento (µ) tenderá

asintóticamente al valor máximo (µx) y KS es definida como la concentración a la
cual la velocidad específica de crecimiento es igual a la mitad de la velocidad
máxima específica (Figura 1-16).
En la Figura 1-16 se muestra la no linealidad del modelo de Monod (1949) para

describir los procesos biológicos (Lidblom, 2003). Si la concentración de S
inicialmente es alta y cambia a una concentración más baja (∆S 1), el cambio en
la velocidad específica de crecimiento, no será significativo (∆µ1); sin embargo, si
la concentración de sustrato cambia en la misma cantidad (∆S2), en valores de S
menores, el cambio en la velocidad específica de crecimiento será mayor (∆µ2).
Por lo tanto, la expresión de velocidad de crecimiento celular (rx), teniendo en

cuanta el modelo de Monod se define en la Ecuación 1-8.
 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 
Figura 1-16. Influencia de la concentración de sustrato (S) en la velocidad específica

de crecimiento (µ).
En el momento que comienza a desaparecer el sustrato, la velocidad de

crecimiento celular comienza a disminuir y por lo tanto se producirá una
disminución de biomasa. Por lo tanto, la velocidad de crecimiento de biomasa
debe ser corregida, incorporando el término de velocidad de muerte celular
(Ecuación 1-10).
39
 S 
rx   X     X  bX  X (Ec.1-10)
 S  K S 
donde:
bX = velocidad específica de muerte celular (dia-1).
Finalmente, en la Ecuación 1-11 se define la velocidad de consumo de sustrato

(rs), que está relacionada con la velocidad de crecimiento de biomasa.
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).
Para presentar de forma estructurada la cinética de los procesos biológicos, la

estequiometría y su interrelación, se utiliza la matriz de Petersen (1965), que
permite ver todas las variables de estado (compuestos solubles Si y compuestos
particulados Xi) involucradas en un proceso (en columnas), y todos los procesos
en los que está involucrada una variable de estado (en filas) (Hauduc et al., 2013).
En la Tabla 1-6 se muestra la matriz de Petersen para el crecimiento de los

microorganismos heterótrofos (XH) en el modelo original ASM1.
Cinética de crecimiento de microorganismos depredadores

Los modelos biocinéticos actuales consideran a las bacterias como la única
biomasa activa (Moussa et al., 2005) y las actividades de todos los demás
miembros de la comunidad microbiana como los depredadores, se incluyen en el
proceso de muerte celular o inactivación como los responsables de la reducción
de la biomasa activa (van Loosdrecht y Henze, 1999). Este proceso de muerte
celular es la suma de varios procesos independientes tales como, el
mantenimiento, lisis y depredación (Henze et al., 2000). El uso exitoso de los
modelos ASM, no demuestra la necesidad de incluir la depredación; sin embargo,
no se puede ignorar la presencia de depredadores en las EDARs. El papel de los
depredadores afecta a la eficiencia de una planta de tratamiento y puede ser
especialmente crítico para obtener un efluente de buena calidad con
concentraciones bajas de sólidos en suspensión (Tamis et al., 2011).
Para los procesos de fangos activos convencionales, la concentración de

microorganismos depredadores es de aproximadamente 5 % de los sólidos en
suspensión totales (SST) del reactor biológico (Hauduc et al., 2013). Estos
microorganismos están en la parte superior de la cadena alimentaria y su
concentración depende de factores tales como la edad del fango (Hao et al.,
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).
En los procesos de biopelícula, los microorganismos depredadores estarán

presentes dependiendo de la carga orgánica superficial aplicada por área de
biopelícula (SCLR). Además, autores como Kinner y Curds (1987), examinaron las
comunidades de depredadores que habitan en las biopelículas de reactores
biológicos rotativos de contacto expuestos a diversas cargas orgánicas,
demostrando que los depredadores están presentes principalmente en los
compartimentos con bajas cargas.
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
KO2,H= Constante de semi-saturación del oxígeno.

Coeficientes
KS= Constante de semi-saturación de SS.
estequiométricos
YH= Coeficiente de crecimiento heterótrofo.
µH= Velocidad máxima específica de heterótrofos.

Parámetros
cinéticos
bH= Velocidad específica de muerte de heterótrofos.
A pesar de que actualmente existen muchos estudios sobre la ecología

microbiana de los procesos de fangos activos y su correspondiente modelado
matemático, existe poca información sobre los modelos biocinéticos que incluyan
la interacción entre las bacterias y otros microorganismos en la comunidad
microbiana, especialmente el papel de los protozoos (van Loosdrecht y Henze,
1999).
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).
Estos modelos no solo deben incluir el proceso de generación de biomasa inerte

endógena, sino que también es necesario incluir la redisolución de nutrientes
endógenos contenidos en las bacterias como proponen los autores Lidblom
(2003), Moussa et al. (2005) y Hao et al. (2011) que han incluido la redisolución de
nutrientes al medio líquido del reactor biológico ya que estos nutrientes pueden
ser utilizados por otras bacterias (Tamis et al., 2011). En la Figura 1-17, se representa
el esquema general de la interacción de los depredadores y la biomasa
heterótrofa desarrollada en los modelos biocinéticos presentados por Moussa et
al., 2005 y Hao et al., 2011.
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
Figura 1-17. Esquema de la interacción entre depredadores y biomasa heterótrofa.
1.4.2. Modelo de reactor
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.
1.4.3. Modelo de biopelícula
Características de una biopelícula

Las biopelículas son más difíciles de describir matemáticamente que los cultivos en
suspensión, debido a los gradientes de difusión de los sustratos y nutrientes,
heterogeneidad estructural y fenómenos de desprendimiento (Goode, 2010). El
primer paso para elegir un modelo de biopelícula es identificar las características
esenciales de una biopelícula (Wanner et al., 2006), como son sus compartimentos
y componentes.
Los compartimentos definen las diferentes secciones del sistema de biopelícula

(Figura 1-18): líquido, biopelícula, capa límite y soporte.
Líquido
Capa límite
Biopelícula
Soporte
Figura 1-18. Compartimentos del sistema de biopelícula

(Wanner et al., 2006).
 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.
 Líquido: este compartimento se encuentra sobre el compartimento de la

biopelícula y en un reactor biológico suele ser muy grande comparado
con el de biopelícula. Los componentes disueltos y particulados son
intercambiados entre la biopelícula y el líquido, es decir, el líquido
suministra los nutrientes y sustratos utilizados por los microorganismos en la
biopelícula, mientras que los fragmentos de sólidos de la biopelícula se
desprenden del compartimento de biopelícula y se desplazan al
compartimento líquido. El compartimento líquido es modelado como un
reactor de mezcla perfecta (CSTR), donde las concentraciones de los
componentes varían según el caudal de entrada, de las reacciones de
transformación en el líquido y los intercambios con la biopelícula (Mašić et
al., 2010).
 Capa límite de transferencia de materia: es una hipotética capa de líquido

situada por encima de la biopelícula y en la que se produce una
resistencia al transporte de los componentes disueltos fuera de la
biopelícula. Para biopelículas que tienen superficies exteriores
relativamente planas, se asume que la capa límite tiene un espesor
uniforme (Wanner and Gujer, 1986); sin embargo, las biopelículas con
superficies muy irregulares no tienen necesariamente una capa límite de
transferencia de materia con un espesor uniforme (Boltz et al., 2011). Este
caso puede exigir que las concentraciones dentro del compartimiento de
la capa límite se calculen utilizando aproximaciones numéricas 2D o 3D
similares a las utilizadas para el compartimiento de biolpelícula (Wanner et
al., 2006). Además, en situaciones donde la turbulencia en el líquido es
muy fuerte, los gradientes de concentración fuera de la biopelícula
pueden llegar a ser insignificantes, y la capa límite de transferencia de
materia puede despreciarse.
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).
Clasificación de modelos de biopelícula

La asociación internacional de agua (IWA) (Wanner et al., 2006), clasifica los
modelos de biopelícula en cinco categorías generales que contienen diferentes
niveles de complejidad en función de las asunciones utilizados: analítico (A),
pseudo-analítico (PA), unidimensional 1D y multidimensionales 2D/3D. En la Tabla
1-7 se describen las principales características que pueden ser incorporadas en los
diferentes modelos.
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
Desarrollo en el tiempo (dinámico) - - + + +
Estructura heterogénea de la biopelícula - - 0 + +
Múltiples sustratos 0 0 + + +
Múltiples especies 0 0 + + +
Limitación de la capa límite 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).
El compromiso entre el esfuerzo de computación más el grado de detalle en la

descripción de la biopelícula, frente a la simplicidad y el comportamiento de la
biopelícula a largo plazo, hace que los modelos 1D sean ampliamente utilizados
en EDARs a escala industrial (Mašić, 2013).
Mayor flexibilidad pero mayor esfuerzo computacional

2D/3D
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
Figura 1-19. Representación esquemática de la clasificación de modelos

de biopelícula basada en la dimensionalidad de la biomasa
(modificado de Wanner et al., 2006).
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.
El modelo de multi-especies y multi-sustratos 1D fue introducido por Wanner y

Gujer (1984 y1986) y se ha aplicado con éxito a muchos estudios de biopelícula
desde su desarrollo. Se ha centrando en la dinámica de crecimiento de la
biopelícula, incluyendo el espesor (L), la distribución espacial de las especies
microbianas y las concentraciones de los sustratos y nutrientes (Wanner, 1996;
Mašić et al., 2010). Wanner and Reichert (1996) ampliaron el modelo original de
Wanner y Gujer (1986) con el fin de simular mecanismos, como, por ejemplo, el
movimiento de los componentes particulados dentro de la biopelícula, el
desarrollo de una fracción de volumen de la fase líquida de la biopelícula y los
procesos de desprendimiento y adherencia en la superficie de la biopelícula. La
extensión del modelo original multi-sustratos y multi-especies 1D, fue
implementado en un simulador específico de estructura abierta, denominado
AQUASIM (Reichert, 1994), como una plantilla para modelos de biopelícula en el
tratamiento de aguas residuales, permitiendo modificaciones del usuario para
representar sistemas de biopelícula específicos. Además, este modelo ha sido
implementado en otros simuladores específicos tales como el BioWin, GPS-X,
Simba y STOAT (Boltz et al., 2010a).
1.4.4. Modelo de sedimentación
En la mayoría de las EDARs el conseguir una operación eficiente requiere que se

retire la biomasa del agua depurada mediante sedimentación por gravedad
(proceso de separación sólido-líquido). La separación y concentración del fango
se realiza en un tanque de sedimentación o decantador secundario, que
combina las funciones de: a) clarificación, para separar el fango produciendo un
efluente de buena calidad y de b) espesamiento del fango, para ser extraído y/o
recirculado al reactor, en una sola unidad (Henze et al., 2008) (Figura 1-20).
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).
Se han hecho grandes esfuerzos para predecir rigurosamente los SST de un

proceso de sedimentación y dependiendo de la aplicación, los modelos pueden
dividirse principalmente en tres categorías (Li y Stenstrom, 2014b):
Modelo dinámico unidimensional (1D)

Este modelo se basa principalmente en la teoría del flujo de sólidos propuesta por
Kynch (1952), pero su desarrollo y aplicabilidad en el contexto del tratamiento de
aguas residuales está basado en los trabajos de Dick (1972). En el contexto de
sedimentación, el término “flujo” es utilizado para definir la carga de sólidos por
unidad de área o sección transversal del decantador (Kg SST/m2 día) (Li y
Stenstrom, 2014a). Este modelo 1D es el más utilizado para describir los procesos
de clarificación y espesamiento en el decantador secundario (Hreiz et al., 2015a,
b) y el flujo hidráulico se simplifica como flujo descendente / ascendente para
satisfacer la suposición 1D.
Modelo bidimensional (2D)

Se desarrollan utilizando métodos computacionales de dinámica de fluidos,
incorporando características como la densidad de corrientes y turbulencia.
Modelo tridimensional (3D)

Estos modelos tratan de comprender las características no simétricas, como el
intercambio de calor debido a la variación de la temperatura y los efectos del
viento. Sin embargo, requieren una fuerte capacidad computacional, lo que
puede limitar su viabilidad (Gong et al., 2011; Ramalingam et al., 2012).
1.4.5. Calibración de parámetros
La calibración de los parámetros del modelo generalmente se realiza sobre una

EDAR en particular para un rango de condiciones de operación determinado. Si
la EDAR específica trabaja en condiciones totalmente diferentes al objetivo, es
necesaria una nueva calibración del modelo (Ruiz et al., 2014). En general, solo
unos pocos parámetros de los mecanismos biocinéticos deben ser calibrados,
debido a que la mayoría de ellos son estables para diferentes casos, y solo
deberán calibrarse aquellos parámetros que tengan mayor influencia en el
modelo (Henze et al., 2000; Keskitalo et al., 2010).
49
Corriente de
entrada
procedente del
reactor biológico
Corriente de
Función de salida
clarificación Efluente final
clarificado
Función de
espesamiento
Corriente de Corriente de exceso

recirculación de fango
Figura 1-20. Zonas de sedimentación de un decantador secundario

(modificado de Jepsson, 1996).
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).
La calibración de parámetros se realiza mediante rutinas de optimización donde

se modifican sistemáticamente los parámetros del modelo con el fin de minimizar
una función objetivo empleando algoritmos matemáticos específicos. En general,
la función objetivo es el error cuadrático, el cual viene dado por la diferencia
entre los valores experimentales y los simulados por el modelo (Jiménez, 2010). Una
vez calibrados los parámetros más influyentes se procede a la validación del
modelo, que consiste en comprobar que sus respuestas durante la simulación
coinciden con las obtenidas en la EDAR a escala real. Si la desviación entre los
valores medidos en la EDAR y los valores simulados es severa, entonces se requiere
una nueva caracterización del modelo matemático. Sin embargo, si la desviación
es pequeña, puede ser posible ajustar los parámetros de nuevo (Jeppson, 1996).
Melcer et al. (2003) establece que, en estado estacionario, el modelo de una
EDAR es válido cuando la desviación de los datos está comprendida entre un 5-20
% y para el estado dinámico entre 10-40 %.
1.5. Simulación y optimización de una EDAR
Simulación de una EDAR

La simulación de los procesos de una EDAR se lleva a cabo en simuladores de
propósito general como el Matlab/Simulink o el Aspen Custom Modeler (ACM) y
en simuladores específicos que contienen generalmente una biblioteca de los
modelos predefinidos de los procesos unitarios de la EDAR (Sonaje y Berlekar, 2015;
Maninna et al., 2017). La configuración del proceso a simular se puede construir
conectando los bloques unitarios de la EDAR y modificando los parámetros del
modelo; sin embargo, la mayoría de los simuladores específicos no permiten
cambios estructurales en los modelos de las librerías y por lo tanto son más
limitados para la investigación (Ruiz, 2014). Actualmente existen en el mercado
simuladores específicos de estructura abierta que permiten realizar cambios
estructurales en los modelos como el ASIM (Oselame et al., 2014), SIMBA (Alex,
2004), GPS-X (Pimentel et al., 2015), WEST (Sin et al., 2008) y AQUASIM (Reichert,
1998) y específicos de estructura cerrada, donde no se permiten cambios como el
DESSAS (Pretel et al., 2016), BIOWIN (Takács et al., 2007), EFOR (Hey et al., 2012) y
STOAT (Stokes et al., 2000) (Jeppsson et al., 2013; Sánchez Rámirez et al., 2015).
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).
La resolución de un problema de optimización de una EDAR se puede llevar a

cabo en 5 etapas generales (Egea et al., 2007; Sweetapple y Butler, 2014):
i) Proporcionar un modelo matemático que describe el comportamiento del

proceso. Ecuaciones del modelo: fx, u  0 , donde x representa las variables
de estado y u representa las variables de control y/o diseño.
ii) Definir una o varias funciones objetivo (J) que exprese las características del
proceso a optimizar y minimizarla Min Jx, u o maximizarla Max Jx, 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: hx, u  0 y de desigualdad: gx, u  0 .
Estas restricciones expresan requisitos adicionales para la eficiencia de un
tratamiento biológico.
v) Una vez formulado el problema de optimización, se utiliza un algoritmo de

optimización para buscar sistemáticamente la solución o soluciones que mejor
cumplan los criterios de operación y/o diseño, respetando las restricciones
predefinidas.
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: MinJx,u  J1, J2 ,..., Jn  o Max Jx, u  J1, J2 ,..., Jn  ,
u u
donde n es el número de objetivos (Hreiz et al., 2015a). Uno de los métodos

generales que permite el cálculo simultáneo de varios criterios de un problema
multi-objetivo es la suma ponderada de objetivos y la idea general de este
método es asociar un peso a cada función objetivo y minimizar o maximizar dicha
suma; de esta manera se transforma el problema original multi-objetivo a mono-
objetivo (Vanrolleghem y Gillot, 2002): Min(w1  J1  w2  J2 ,..., wn  Jn ) o
u
Max(w1  J1  w2  J2 ,..., wn  Jn ) , donde wn es el peso asignado a la función

u
objetivo Jn.
1.6. Aguas residuales de alta carga orgánica y deficiencia de nutrientes
Las aguas residuales con alto contenido en material orgánico y deficiencia de

nutrientes mayoritariamente son aguas de procedencia industrial. A diferencia de
las aguas urbanas o domésticas, este tipo de aguas industriales necesitan un
aporte externo de nitrógeno y fosforo para poder ser tratadas mediante un
proceso biológico, ya que los microorganismos requieren de estos nutrientes para
poder degradar el material orgánico (Keskitalo y Leiviskä, 2010). Los sectores
industriales que presentan este tipo de aguas residuales son principalmente, la
industria textil, industria de celulosa, vinerías, azucareras, producción de ácido
acético y ácido butírico, industria petroquímica, industria farmacéutica,
producción de pesticidas, fabricación de tintes y producción de fertilizantes
(Hussain et al, 2015; Gray, 2004; van Haandel y van der Lubbe 2015, Freedman et
al., 2005, Bakos et al., 2016).
A continuación, se describe las principales características de las aguas residuales

de las industrias de celulosa y viscosa que son objeto de estudio en esta Tesis
Doctoral.
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).
La composición de las aguas residuales de este tipo de industria, depende de las

materias primas utilizadas y del proceso de fabricación (Tabla 1-8). Este tipo de
aguas residuales contienen entre 200-300 compuestos orgánicos diferentes, sólidos
en suspensión (SST) y DBO5 (Karrasch et al., 2006; Kamali y Khodaparast, 2015).
Dentro de los compuestos orgánicos, pueden existir materiales orgánicos no
biodegradables, halógenos orgánicos adsorbibles (AOX), compuestos fenólicos,
ácidos grasos y ácidos resínicos (Buyukkamaci y Koken, 2010), dependiendo del
proceso de fabricación aplicado y de los aditivos químicos.
La celulosa recibe distintos tratamientos para poder utilizarla como fibra en la

industria textil. El proceso de viscosa es un proceso de solución-hilatura, donde la
celulosa se transforma en celulosa soluble mediante álcali y sulfuro de carbono y
posteriormente se regenera en forma de fibra mediante precipitación en un baño
de coagulación ácido (Rouette, 2001). Al igual que en la industria de celulosa, las
aguas procedentes de la fabricación de fibra de viscosa también son
caracterizadas por contener altas concentraciones de DQO, DBO 5 y SST (Chavan
y Patra, 2004). Las principales características de las aguas residuales de la industria
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
Sulfato 60-100 60-120 18-25 12-18 0,3-0,5 0,120
Sulfito 150-200 60-100 30-40 20-40 0,1-0,20 0,060
TMP 6-15 40-80 15-25 10-30 0,1-0,20 0,070
CTMP 6-15 60-100 20-40 10-30 0,2-0,30 0,1
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
Históricamente los productores de celulosa y viscosa han sido considerados como

una fuente importante de contaminantes ambientales; sin embargo, esta
industria, impulsada por la presión social y legislativa, junto con la disponibilidad
de las mejores técnicas disponibles (MTD) (IPPC, 2015), ha reducido su impacto
ambiental en las últimas décadas entre un 80-90 % (Kamali y Khodaparast, 2015),
mediante la aplicación de tratamientos fisicoquímicos y/o biológicos (Kamali y
Khodaparast, 2015). Entre los métodos fisicoquímicos, principalmente se utiliza la
decantación y flotación (Ekstrand et al., 2013), coagulación y precipitación
(Wang et al., 2011; Razali et al., 2011), osmosis inversa (Lewis et al., 2013), filtración
(Chanworrawoot y Hunsom, 2012), adsorción (Xilei et al., 2010), ozonización
(Ramos et al., 2009) y procesos de oxidación avanzada (Babuponnusami y
Muthukumar, 2012a, 2012b; Hussain et al., 2013).
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).
En España el 75 % de la contaminación del agua residual procedente del sector

de celulosa y papel es eliminada mediante tratamientos biológicos con etapas
previas de decantación primaria (eliminación de SST procedentes del influente),
habiéndose mejorado en el año 2016 la calidad de los efluentes depurados, en
términos de DQO/ADT, en un 42 % respecto del año 2015 (ASPAPEL, 2016).
1.7. Hipótesis, objetivos y estructura de la Tesis Doctoral
La hipótesis de trabajo de la presente Tesis Doctoral es que es posible la

generalización de la mejora de la operación de un proceso BAS de una EDAR a
escala industrial para el tratamiento de aguas residuales con alto contenido en
materia orgánica y limitación de nutrientes, con el fin de mejorar los aspectos
tanto económicos como de calidad del efluente.
El objetivo general de esta Tesis Doctoral es la propuesta de un modelo

matemático generalizable que integre las etapas de cultivo en biopelícula (MBBR)
y de cultivo en suspensión (FA) de un proceso BAS, incluyendo mecanismos de
depredación. Este modelo, una vez validado, permitirá la simulación del proceso
BAS, la optimización multi-objetivo y la obtención de información útil para la toma
de decisiones en la operación óptima de procesos BAS de alta carga orgánica y
Siguiendo el objetivo general propuesto, se han planteado una serie de objetivos

específicos:
i) Análisis de los procesos MBBR y BAS en EDAR a escala industrial.

Caracterización de corrientes y determinación de los parámetros de
calibración.
ii) Desarrollo de un modelo matemático general de reactores MBBR para la

degradación de DQO en condiciones aerobias.
iii) Desarrollo de un modelo matemático general de un proceso BAS operando en

condiciones de limitación de nutrientes incorporando la hidrólisis y
depredación en las dos etpas en serie (MBBR y fangos activos).
56
iv) Verificación mediante simulación la importancia de los microorganismos
depredadores en procesos BAS.
v) Desarrollo de una metodología para la optimización multi-objetivo de las

condiciones de operación en un proceso BAS a escala industrial para el
tratamiento de aguas residuales con alta carga orgánica en condiciones de
Acorde a los objetivos específicos descritos anteriormente, la presente Tesis

Doctoral está estructurada en 9 capítulos que incluyen en cada uno de ellos, la
metodología utilizada, los resultados obtenidos y las principales conclusiones:
i) En el capítulo 1, se presenta una introducción donde se exponen los conceptos

generales del tratamiento biológico y del modelado matemático de una
EDAR.
ii) En el capítulo 2, se describe la EDAR industrial de estudio y la metodología

experimental utilizada. En el capítulo 3, se detalla la metodología de
fraccionamiento del material orgánico del agua residual industrial mediante la
combinación de un histórico de datos experimentales y un método
matemático.
iii) En el capítulo 4, se presenta un modelo matemático para reactores MBBR,

donde se incluye la depredación e hidrólisis del material lentamente
biodegradable en función de la carga orgánica aplicada (SCLR).
iv) En los capítulos 5 y 6, se lleva a cabo la simulación de los procesos MBBR

(incluyendo la etapa de decantación) y BAS a escala industrial, analizando la
influencia de los microorganismos depredadores en la distribución microbiana,
dosificación de nutrientes y producción de fango en exceso.
v) En el capítulo 7, se realiza un análisis comparativo de dos herramientas de

simulación: un software específico de EDARs y software general de procesos de
ingeniería química.
vi) En el capítulo 8, se presenta una novedosa metodología de optimización del

proceso BAS combinando criterios económicos, técnicos y medioambientales.
vii)En el capítulo 9, se presentan las conclusiones, sugerencias, trabajo futuro y

principales contribuciones de la presente Tesis Doctoral.
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
Celulosa Escenario III
FA
Datos Datos
online experimentales
 Descripción de los componentes de la EDAR industrial de estudio.
 Operación de la EDAR mediante dos procesos biológicos: MBBR y BAS.
 Descripción de la toma de datos online, metodología de toma de muestras y

métodos analíticos.
 Estudio de tres escenarios diferentes de trabajo de la EDAR, en cuanto a carga

orgánica, procedencia de las aguas residuales y proceso biológico.
 Conceptos básicos de las herramientas matemáticas de simulación y

optimización utilizadas en la presente Tesis Doctoral.
59
2.1. Descripción de la instalación industrial
La instalación industrial en la que se ha desarrollado esta Tesis Doctoral, está

constituida por una EDAR para el tratamiento de las aguas residuales procedentes
de la industria de celulosa y viscosa, basada en la tecnología MBBR. La EDAR
operó con dos procesos de tratamiento espaciadas temporalmente. Inicialmente
el proceso MBBR, en el que el proceso biológico estaba constituido por dos
reactores de biopelícula de lecho móvil (MBBR) con posterior decantación
secundaria. Posteriormente, el proceso BAS, obtenido mediante la implantación
de un reactor de fangos activos aguas debajo de los reactores MBBR.
En la Figura 2-1, se muestra la fotografía de la EDAR industrial. El proceso MBBR,

consta de una etapa doble de biopelícula constituida por dos reactores MBBR
aerobios en serie para la eliminación del material orgánico soluble rápidamente
biodegradable y posterior etapa de clarificación del efluente final, constituida por
dos decantadores secundarios en paralelo, sin recirculación de fango. El proceso
BAS consta de un reactor de fangos activos aerobio, situado después de la etapa
de biopelícula, el cual constituye la etapa de cultivo en suspensión, donde se
combina con la biopelícula desprendida de los reactores MBBR. En el proceso
BAS, los dos reactores MBBR en serie actúan de pre-tratamiento de alta carga y su
función principal es eliminar el material orgánico rápidamente biodegradable; la
etapa de fangos activos (FA) es la encargada de eliminar el material orgánico
particulado lentamente biodegradable. En esta última etapa FA, una corriente de
recirculación de fango es necesaria para mantener una alta concentración de
biomasa. En ambos procesos, se instaló un tratamiento preliminar para eliminar
sólidos de gran tamaño y un tanque de homogenización previo a los reactores
MBBR. En el tanque de homogenización, se dosifican los nutrientes necesarios,
debido a que las aguas de la industria de celulosa y viscosa son deficientes en
nitrógeno y fósforo, además de una dosificación de sosa necesaria para la
neutralización del agua residual.
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.
La homogenización es una medida que se emplea para superar los problemas

que provocan en las instalaciones las excesivas variaciones de carga
contaminante y caudal, además de proporcionar el ajuste fino de pH del agua
residual, mediante la dosificación de hidróxido sódico (NaOH) al 50 %. Además de
regular las variaciones del agua residual, en él se añaden los nutrientes necesarios
para el posterior tratamiento biológico. Se adiciona nitrógeno en forma de urea
comercial con una concentración del 40 % y un contenido en nitrógeno de un
18,4 % y fósforo en forma de ácido fosfórico con una concentración del 73 % y un
contenido de fósforo de un 23,7 %.
Figura 2-1. Fotografía de la EDAR industrial.
Reactores biológicos MBBR

Los dos reactores biológicos MBBR1 y MBBR2 son de hormigón prefabricado, de
forma circular de 31,7 m de diámetro, un volumen útil de 5.531 m3 y una altura de
6,73 m. Estos reactores biológicos de lecho móvil contienen el soporte plástico del
tipo BiofilmChip P, específicamente diseñado para el tratamiento de aguas
residuales de la industria de celulosa, dado que su diámetro es lo suficientemente
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
Fotografía del soporte -
Superficie protegida por m3 de soportes

- 900
(m2/m3)
Superficie protegida por soporte
- 6,818 10-3
(m2/soporte)
Porcentaje de llenado (%) 10 -
Volumen de soporte plástico (m3) 533 -
Área de biopelícula (m2) 479.700 -

Nº de soportes en m3 de soportes 132.000 -
Nº de soportes en reactor 70.357.876 -
Colectores de retención de soportes: la salida del agua de los reactores de

biopelícula se hace por medio de colectores circulares de chapa perforada en
acero inoxidable, que impiden el paso del soporte plástico fuera de los reactores
MBBR. En cada reactor, hay colocados 3 filas de 7 colectores en cada una. El
diámetro de cada perforación es de 25 mm y además, cada colector posee un
sistema de limpieza con aire, formado por una tubería perforada en acero
inoxidable, cuyo caudal de aire se regula mediante válvula manual (Figura 2-2a).
63
Figura 2-2. Reactores MBBR con detalle: a) los colectores de retención de
soportes plásticos y b) parrillas de aireación.
Sistema de aireación: los reactores MBBR disponen de cuatro parrillas de aireación

cada uno, que cubren toda la superficie del fondo (Figura 2-2b), con el fin de
garantizar el aporte de oxígeno necesario para el tratamiento, así como asegurar
una correcta agitación del agua y el cizallamiento entre los soportes. Las parrillas
de aireación fueron diseñadas según especificaciones técnicas de AnoxKaldnes
(Zalakin y Manterola, 2011). En cada reactor MBBR, se instalaron 4 parillas de
acero inoxidable con perforaciones de 4 mm de diámetro. El número de orificios
perforados en cada reactor es de 43,750 con una distancia de 30 mm entre cada
orificio. En general, cuanto más pequeño sea el tamaño de las burbujas, mayor
será la superficie disponible para la transferencia de oxígeno, y mayor será la
eficiencia de oxigenación en el reactor; sin embargo, la capacidad de mezcla es
menor. Considerando que las burbujas de aire suministradas por las parrillas son de
tamaño medio (3 mm), la eficiencia de transferencia de oxígeno es de un 15 %
como propone von Sperling (2007) para burbujas de tamaño mediano.
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.
Reactor de fangos activos

El reactor de fangos activos es de hormigón en forma de pentágono irregular
(Figura 2-3), con un volumen de 47.000 m3 y una altura de 7 m.
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.
En el reactor FA, se pone en contacto el agua residual procedente del reactor

MBBR2 con el fango recirculado desde los decantadores secundarios.
El reactor de fangos activos dispone de 24 parrillas de aireación que cubren toda

la superficie del reactor, con el fin de garantizar el aporte de oxígeno necesario
para el tratamiento, las parrillas de aireación están constituidas por 10.899
difusores de membrana de alta eficiencia (Figura 2-3) con perforaciones
repartidas en sectores circulares. El tamaño de burbuja es de aproximadamente 1
mm (burbuja fina) y de esa forma, se aumenta la superficie disponible para la
transferencia de oxígeno y la eficiencia de oxigenación en el reactor. A diferencia
de los reactores MBBR, la capacidad de mezcla es menor; pero el consumo
energético es menor dado que el caudal de aire necesario por difusor es menor.
Los difusores de membrana utilizados en la EDAR de estudio son de 23 cm de

diámetro y la eficiencia de oxigenación es de un 6% aproximadamente por metro
de sumergencia según especificaciones del fabricante, es decir, de un 42 %,
mucho mayor que en los reactores MBBR (15 %).
El reactor FA es aireado mediante una turbo-soplante, para mantener la

concentración de oxígeno entre 2-3 g/m3 (Metcalf and Eddy, 2003) y suministra un
caudal máximo de aire de 31.620 Nm3/h con una potencia de motor de 1.200 Kw.
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).
El sistema de barrido de los decantadores secundarios es radial y de arrastre

periférico. El barredor de la superficie va fijado rígidamente a la pasarela giratoria
y su función es eliminar las espumas y flotantes de la superficie del decantador
secundario, que se envían a un tanque de sobrenadantes junto con los fangos en
exceso. La rasqueta de fondo cuya fijación es articulada, es arrastrada por la
pasarela, para asegurar la homogenización del fango en la poceta, lugar en el
cual se procede a la extracción y recirculación del fango.
Tres bombas de recirculación y tres bombas de extracción de fango son utilizadas

en la EDAR y están diseñadas para un funcionamiento 2+1 en reserva. El caudal
máximo unitario de las bombas de recirculación de fango es de 1.500 m 3/h y 150
m3/h para las bombas de extracción de fango en exceso.
Instrumentación, control y automatización

La EDAR dispone de instrumentación para el control en continuo del proceso,
principalmente constituida por sensores de oxígeno, nivel, pH y caudalímetros de
agua (influente y efluente) y fango (extracción y recirculación) (Tabla 2-2). La
instrumentación genera una señal analógica 4-20 mA a lazos de control que
permiten un control exhaustivo de las principales variables operacionales, como
son la edad del fango (EF), oxigeno disuelto en los reactores biológicos,
concentración de nitrógeno y fósforo en el influente mediante el caudal del
influente, pH del influente y R (factor de recirculación).
El sistema de automatización está basado en puntos de consigna, que regulan de

forma automática el funcionamiento de los equipos. Este sistema está
implementado en dos paneles locales de control (PLCs), uno de ellos, exclusivo
para la dosificación de químicos (nutrientes, NaOH). Los PLCs proporcionan al
usuario informes de alarmas e históricos de datos y mediante la instalación de un
interfaz hombre-máquina (HMI) se establecen los puntos de consigna (Figura 2-5).
66
Pasarela del decantador Barredor de flotantes
Deflector
Caja de flotantes
Salida Rasqueta de fango

(mezcla de agua y fango)
Poceta de fango
Figura 2-4. Fotografía y esquema del decantador secundario.
Tabla 2-2. Instrumentación “on-line” disponible en la EDAR.

Instrumentación Función Modelo
Siemens
Sensor de nivel en pozo de bombeo Lazo de control
Radar sitrans probe LR
Entrada de agua residual Lazo de control
Caudalímetros
Efluente final Visualización Endress & Hauser

Electromagnético
Recirculación de fango Visualización
Promag 10W
Extracción de fango Lazo de control
2 x homogenización Lazo de control

pHmetros
MBBR1 Visualización Endress & Hauser

CPS11D
MBBR2 Visualización
MBBR1 Lazo de control Endress & Hauser

Sensor óptico de
MBBR2 Lazo de control
Oxímetros
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.
2.2. Toma de muestras y métodos analíticos
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.
En la Tabla 2-3, se muestran los análisis realizados y la rutina de muestreo llevada a

cabo en la EDAR de estudio.
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
Medición Cubetas LCK
Bloque termostático LT200 Fotómetro DR2800
Figura 2-6. Sistema de digestión y medición de cubetas LCK de HACH.
Demanda química de oxígeno total (DQOT): las sustancias oxidables reaccionan

con solución de ácido sulfúrico y dicromato potásico en presencia de sulfato de
plata como catalizador, a 150 ºC durante dos horas. Al medio se le añade sulfato
de mercurio para evitar la posible interferencia de iones cloruro, ya que el ión Hg 2+
se combina con dichos iones formando cloruro de mercurio, que precipita. El
dicromato de color amarillo-naranja oxida la materia orgánica, reduciéndose a
Cr3+ de color verde. Se evalúa la coloración verde del Cr3+ mediante el fotómetro
DR2800. Este método sigue la norma internacional ISO 6060-1989.
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).
Demanda química de oxígeno soluble (DQOs): el método de análisis de la DQOs

es exactamente el mismo que para el análisis de DQOT; sin embargo, es necesaria
una filtración previa de la muestra mediante un filtro de microfibra de vidrio
Whatman GF/C de 47 mm de diámetro y un tamaño de poro de 1,2 µm.
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).
Nitrógeno amoniacal (N-NH4+): los iones amonio reaccionan, a un pH de 12,6 con

iones hipoclorito y salicilato en presencia de un catalizador (nitroprusiato sódico)
formando un compuesto azul (azul de indofenol) que se determina
fotométricamente. Es necesaria una filtración previa de la muestra mediante un
filtro de microfibra de vidrio Whatman GF/C de 47 mm de diámetro y un tamaño
de poro de 1,2 µm. Este método sigue la norma internacional ISO 7150-1.
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.
Influente del Corriente Corriente Corriente Efluente final Recirculación Extracción

Análisis proceso de salida de salida de salida clarificado de fango de fango
biológico MBBR1 MBBR2 FA
Compuesta Compuesta
DQOT - - - - -
(diaria) (diaria)
Compuesta Simple Simple Compuesta
DQOS Simple (diaria) - -
(diaria) (diaria) (diaria) (diaria)
Compuesta Compuesta
DBO5 - - - - -
(semanal) (semanal)
Compuesta Compuesta
NT (nitrógeno total) - - - - -
(diaria) (diaria)
NTs (nitrógeno total Compuesta Simple Simple Compuesta
Simple (diaria) - -
soluble) (diaria) (diaria) (diaria) (diaria)
Compuesta Compuesta
PT (fósforo total) - - - - -
(diaria) (diaria)
Compuesta Simple Simple
P-PO43-(ortofosfatos) Simple (diaria) - - -
(diaria) (diaria) (diaria)
N-NH4+
(nitrógeno Simple (diaria) - -
amoniacal)
N-NO3- Compuesta Simple Simple Compuesta
Simple (diaria) - -
(nitratos) (diaria) (diaria) (diaria) (diaria)
SST Simple (diaria) Simple (diaria) Simple (diaria)
Simple Simple
V30 - - - - -
(diaria) (diaria)
Simple Simple Simple
Microscopía - - - -
(puntual) (puntual) (puntual)
Nitrato (N-NO3-): en soluciones que contienen ácidos sulfúrico y fosfórico los iones
nitrato reaccionan con 2.6-dimetilfenol formando 4-nitro-2.6-dimetilfenol de color
rojo que se determina fotométricamente. Es necesario una filtración previa de la
muestra mediante un filtro de microfibra de vidrio Whatman GF/C de 47 mm de
diámetro y un tamaño de poro de 1.2 µm. Este método sigue la norma
internacional ISO 7890-1-2-1986.
en la EDAR, LCK 339 (0,23-13,5 g/m3 N-NO3-) y LCK 340 (5-35 g/m3 N-NO3-).
Fósforo total (PT) y ortofosfatos (P-PO43-): el fósforo total se encuentra en aguas

naturales y residuales casi exclusivamente como fosfatos, los cuales se clasifican
en ortofosfatos, fosfatos condensados (piro-, meta-, y otros polifosfatos) y fosfatos
orgánicos. El método utilizado está basado en el método del azul de
fosfomolibdeno, en el que los iones fosfato reaccionan en disolución ácida con
iones molibdato y antimonio formando un complejo antimonilfosfomolibdato, el
cual se reduce en presencia de ácido ascórbico a azul de fosfomolibdeno,
compuesto de color azul que se determina fotométricamente. Este método sigue
la norma internacional ISO 6878-1-1986.
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-.
Demanda bioquímica de oxígeno a 5 días (DBO5): para la determinación de la

DBO5 se ha empleado el método manométrico, que determina de forma
indirecta el consumo de oxígeno por vía biológica en una muestra mediante la
medida de caída de presión en una botella cerrada herméticamente. El oxígeno
es aportado por el aire retenido en el interior de la botella (Figura 2-7). La botella
contiene los siguientes elementos: a) imán para mantener condiciones de mezcla
perfecta y facilitar la transferencia de oxígeno, b) receptáculo de goma en el que
se depositan dos lentejas de NaOH para eliminar el CO2 generado en la
degradación del material orgánico y c) tapón manométrico OxiTop del
fabricante WTW para medir la caída de presión.
El análisis consiste en añadir en la botella una cantidad de muestra determinada,

dependiendo del valor de DBO5 que se espere obtener (Tabla 2-4). Generalmente
se parte del valor de DQO y la relación existente entre DBO5/DQO (índice de
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
Figura 2-7. Elementos utilizados en el método de análisis de DBO5
Tabla 2-4. Volumen de muestra requerido en el análisis de DBO5.
DBO5 (mg/l) V muestra (ml) Factor de multiplicación
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
0-4000 22,7 100
A continuación, se añade a la botella 2 gotas de inhibidor de la nitrificación

(aliltiourea) y el contenido de una cápsula de nutrientes buffer pillows de HACH.
Se cierra firmemente la botella con el cabezal Oxitop y se introducen en el
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).
Sólidos en suspensión totales (SST): el método se basa en filtrar una muestra

completamente homogenizada por filtro de microfibra de vidrio Whatman GF/C
de 47 mm de diámetro y un tamaño de poro de 1,2 µm. El residuo obtenido en el
mismo se seca a una temperatura de 105 ºC durante 24 horas. El aumento de
peso del filtro representa los sólidos en suspensión totales. El volumen necesario de
muestra depende de la cantidad de sólidos que contenga el agua residual
(Ecuación 2-1).
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.
Microscopía y macroscopía del flóculo

Se necesitan realizar observaciones microscópicas del flóculo para verificar que la
macroestructura (proporcionada por los organismos filamentosos) y la
microestructura (debida a procesos de agregación bacteriana) se encuentran en
equilibrio. Además, mediante la observación microscópica se identifican
microorganismos depredadores, tanto en la etapa de biopelícula (MBBR) como
en la etapa de cultivo en suspensión (FA) (Zornoza et al., 2008).
Microscopía: se realizó con un microscopio óptico Leitz Wetzlar ORTHOLUX 2 POL.

Para realizar la observación, se tomó una alícuota de 25 µl de la mezcla de fango
y agua, de la salida del reactor MBBR1, MBBR2 y FA (solamente en la Fase II) con
una pipeta automática y en su defecto una pipeta pasteur (1 gota)
depositándola en un portaobjetos y cubriéndola con un cubreobjetos de 20 x 20
mm. Finalmente se observa la muestra con los objetivos 10X (100 aumentos) y 40x
(400 aumentos) (Rodríguez et al., 2004) para determinar la presencia o ausencia
de microorganismos tales como ciliados y filamentosas.
Macroscopía: la sedimentabilidad del fango en el decantador se determina

mediante los parámetros V30 e índice volumétrico del fango (IVF). El análisis de la
V30 consiste en determinar el volumen que ocupa el fango en un 1 litro de la
mezcla de fango y agua del reactor biológico tras someterlo a decantación
durante 30 minutos en una probeta (Figura 2-8).
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
Figura 2-8. Ensayo de V30 para la determinación del IVF.
2.3. Escenarios de estudio
Tres escenarios diferentes de trabajo de la EDAR industrial son estudiados en esta

Tesis Doctoral, diferenciados por el origen del agua residual, caudal, carga
orgánica, dosificación de nutrientes y procesos biológicos implicados (proceso
MBBR o proceso BAS). Estos diferentes escenarios están configurados por las
necesidades cambiantes de operación de la planta industrial y por la propia
evolución de la construcción y puesta en marcha de la EDAR industrial.
Los tres escenarios de trabajo representados en la superestructura de la Figura 2-9

se estudiaron de forma consecutiva temporalmente en los capítulos 3 a 8 de la
presente Tesis Doctoral.
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).
Agua residual industrial
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
Escenario III
Nutrientes FA
Celulosa
Fango en exceso
Recirculación de
fango
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.
2.4. Softwares de simulación y optimización
A continuación, se describen los tres tipos de software empleados en este trabajo

de investigación.
Aspen Custom Modeler (ACM)

ACM (http://home.aspentech.com) ha sido comercializado en 1980 por la
compañía AspenTech. Es un simulador que proporciona un marco genérico para
modelar procesos, en el cual el usuario introduce las ecuaciones matemáticas
para describir la unidad a simular. Este software se puede utilizar para simulaciones
en estado dinámico y estado estacionario, así como para la estimación de
parámetros y problemas de optimización. Este simulador permite desarrollar
modelos a medida de las unidades de proceso y emplear dichos modelos como
unidades o equipos en el diagrama de flujo (Figura 2-10). En la presente Tesis
Doctoral se ha utilizado la versión 7.2.
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).
La caracterización del influente en el BioWin se basa en términos de DQO; sin

embargo realiza los cálculos pertinentes para permitir al usuario utilizar la DBO,
como filtrada o total, a 5, 7 o 20 días. Esta conversión se basa en tasas de
degradación de diferentes componentes. Para la digestión anaerobia utiliza el
modelo ADM.
Este programa permite simular el comportamiento dinámico y estacionario de

plantas de tratamiento de aguas residuales tanto municipales como industriales y
además permite al usuario evaluar entre otros procesos: eliminación del material
orgánico (DQO, DBO), nitrificación, desnitrificación, eliminación biológica de
fósforo, fermentación y digestión (aeróbica y anaeróbica), producción de
metano, interacción de procesos físico-químicos (precipitación de fósforo y
estruvita), decantación primaria y secundaria, espesamiento , deshidratación de
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.
Aplicación del software

Diagrama de flujo
Modelos Unidad o equipo de

matemáticos proceso
Corriente
Editor de
ecuaciones
Figura 2-10. Entorno gráfico de Aspen Custom Modeler (ACM).
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
Figura 2-11. Entorno gráfico de BioWin.
Editor del modelo

matemático
Solvers
Figura 2-12. Entorno gráfico de GAMS.
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)
 Caracterización del agua residual industrial mediante un histórico de datos

experimentales.
 Fraccionamiento del influente de la EDAR de estudio, en términos de DQO,

mediante la combinación de datos experimentales y un método matemático.
 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.
Para evaluar el correcto funcionamiento de una EDAR, generalmente se

determinan parámetros tales como la DQOT (total) o la DBO 5 tanto del influente
como del efluente. Sin embargo, cuando se pretende modelar el proceso
biológico, es necesario caracterizar el influente en función de las fracciones
definidas en el modelo biocinético, es decir, de su grado de biodegradabilidad
(rápida o lentamente biodegradable o inerte) y su estado (soluble o particulado)
La caracterización del influente al proceso biológico de la EDAR objeto de estudio

se realizó mediante el histórico de datos de los principales parámetros analizados
en muestras compuestas diarias, tales como la DQOTInf, DQOsInf, SSTInf y DBO5Inf
para realizar posteriormente un correcto fraccionamiento de la DQO, calibración
del modelo biocinético y simulación del proceso biológico.
El fraccionamiento de la DQO del influente, habitualmente se determina

mediante análisis físico-químicos, análisis biológicos y ensayos de respirometría
(Jiang et al., 2005). La respirometría es una técnica que permite obtener
información de los procesos biológicos de un tratamiento y una de sus principales
aplicaciones es la determinación del carácter biodegradable del agua residual y
sus fracciones lentamente biodegradable (XLB) y rápidamente biodegradable (SRB)
(van Waveren et al., 1999; Jiang et al., 2005).
En este trabajo de investigación, el fraccionamiento de la DQO del influente se

llevó a cabo mediante un histórico de datos de la operación de la EDAR a escala
industrial basados en análisis físico-químicos y biológicos; sin embargo, no fue
posible realizar ensayos respirométricos, debido a que solamente se realizaron los
análisis rutinarios para el seguimiento y control de la EDAR industrial.
3.1. Fracción soluble y particulada
La DQOTInf está constituida por una fracción soluble (DQOsInf) y una fracción
particulada (DQOpInf) (Ec.3-1).
DQOT Inf  DQOs Inf  DQOp Inf (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.
Figura 3-1. Evolución de la carga diaria de DQOTInf (Ton DQO/día) en el influente

durante los días de operación en los tres escenarios de estudio.
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.
En la Figura 3-3 se muestra la evolución de la carga diaria de SST inf en el influente

en los diferentes escenarios expresados en términos de carga diaria (Ton SST/día)
para mantener la confidencialidad de la EDAR de estudio. Se pone de manifiesto
la gran diferencia de SSTInf entre los tres escenarios. Obviamente la diferencia
entre los escenarios I y II respecto del escenario III, es debido a la diferente
procedencia del agua residual (industria de celulosa exclusivamente). La
diferencia entre el escenario I y II es de un 41 %, con valores menores en el
escenario II debido a que se instaló un tamiz previo a la entrada de la EDAR para
la posible recuperación de de celulosa. Esta acción tiene también influencia
sobre la carga diaria de DQOTInf de los dos escenarios
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.
Los resultados obtenidos de las mediciones de la DQOTInf y DQOsInf, permiten

calcular la DQOpInf (Ec.3-2) y conocer la distribución de la fracción soluble y
particulada de la DQOTInf.
DQOp Inf  DQOT Inf  DQOs Inf (Ec.3-2)
En la Figura 3-4 se muestra la distribución de las fracciones de DQOpInf y la DQOsInf

a lo largo de los días de operación de los tres escenarios estudiados. La
distribución media de estas dos fracciones fue de un 69±10 %, 79±8 % y 87±8 %
para la fracción soluble y 31±10 %, 21±8 % y 13±8 % para la fracción particulada en
el escenario I, II y III respectivamente. Los resultados obtenidos de la distribución
de las fracciones soluble y particulada ponen de manifiesto la disminución
progresiva de la fracción particulada a lo largo de los días de operación en los
diferentes escenarios debido a la disminución de los SSTInf.
86
Figura 3-4. Fracción soluble (DQOsInf) y particulada (DQOpInf) de la DQOT en el
influente en los tres escenarios de estudio.
3.2. Fracciones solubles: inerte y rápidamente biodegradable
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)
La fracción inerte soluble no se ve afectada en el proceso biológico, es decir, no

es transformada por los microorganismos y permanece constante en el efluente
de una EDAR. Autores tales como Jiang et al. (2005) y van Waveren et al. (1999)
asumen que la fracción SIInf es el 90 % de la DQOsEfl del efluente. Sin embargo, los
modelos ASM de la IWA proponen que SIInf sea determinada mediante el análisis
de la DQOsEfl en el efluente de un reactor biológico que opera con un valor
mínimo de EF (edad del fango) de 10 días; por lo tanto, la DQOsEfl residual del
efluente corresponde con la fracción inerte del influente (Henze et al., 2000;
Ekama et al., 1986) (Ec.3-4).
87
Inf
SI  DQOs Efl (Ec.3-4)
En este trabajo de investigación, se determinó la fracción SIInf siguiendo el

supuesto de los modelos ASM (Ec.3-4) mediante el histórico de datos de DQOsEfl
en el efluente de la EDAR de estudio (Figura 3-2) para el escenario II y III ya que el
reactor de fangos activos en estos dos escenarios opera con un valor medio de EF
de 19 y 30 días, respectivamente.
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.
Como es de esperar, en el escenario I, la eficiencia de eliminación de DQOs es la

más baja de los tres escenarios, debido a que corresponde al proceso MBBR que
dispone solo de dos reactores MBBR y etapa de clarificación, preparado para
obtener una eficiencia de eliminación de DQOs entre un 50-70 % (van Haandel y
van der Lubbe, 2015). Además, en este escenario la edad del fango es menor a 1
día, y por lo tanto, la DQOs del efluente final del proceso biológico contiene la
fracción inerte (SIInf) pero también la fracción biodegradable (SRBInf) que no ha sido
eliminada, no pudiéndose calcular SIInf mediante la Ecuación 3-4. Por este motivo,
en este trabajo se ha asumido que la fracción inerte del escenario I es la misma
que en el escenario II, debido a que la procedencia del agua residual es la misma
y la diferencia principal del influente entre ambos escenarios es la carga diaria de
SSTInf.
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)
En la Figura 3-5 se muestra la distribución de las fracciones de SIInf y SRBInf a lo largo

de los días de operación de los tres escenarios estudiados.
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.
El valor medio de la fracción SIInf de la DQOsInf del influente obtenido para el

escenario I y II fue de un 25±6 % y de un 15±5 % para el escenario III, detectándose
que el incremento de la fracción inerte es proporcional al incremento de DQOs Inf
en el influente (Zalakain y Manterola, 2011b). El valor medio obtenido de la
fracción rápidamente biodegradable SRBInf fue de un 76 ±6 % en el escenario I y II y
85 ±5 % en el escenario III.
3.3. Fracciones particuladas: inerte y lentamente biodegradable
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)
El método utilizado en este estudio para la determinación de XLBInf es el propuesto

por autores tales como Melcer et al. (2003) y Roeleveld y van Loosdrecht (2002)
mediante el análisis de la DBO en función del tiempo.
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)
El método estandarizado para la medición de DBO contempla una duración de 5

días de incubación (DBO5). Sin embargo, este valor no representa la fracción
biodegradable total de la DQOT. Dependiendo del tipo de aguas residuales, la
DBO5 puede representar desde un 50 % hasta un 95 % de la DQOB (Roeleveld y
van Loosdrecht, 2002).
En la Figura 3-6 se muestra la curva de DBO en función del tiempo, donde se

observan los valores medidos desde t=1 día (DBO1) hasta t= 5 días (DBO5)
(Ramalho, 1990).
Figura 3-6. Curva de la DBO en función del tiempo.
Generalmente, un modelo matemático se puede utilizar para representar la curva

de DBO en el tiempo (DBOt) y calcular la DBO última (DBOu) y DQOB mediante las
siguientes Ecuaciones 3-8 y 3-9 (Roeleveld y van Loosdrecht, 2002):
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.
Para la determinación de la DBOu y KDBO a partir de datos obtenidos en el análisis

de la DBO5 (datos de t y DBOt), generalmente el método utilizado es el de las
diferencias logarítmicas propuesto por Eckenfelder (1970) que implica linealizar,
generando logaritmos de la derivada de la DBO t respecto del tiempo (Ecuación
3-10) permite obtener los valores de KDBO y DBOu mediante las Ecuaciones 3-11 y 3-
12 o gráficamente (Figura 3-7).
Figura 3-7. Representación gráfica del método de diferencias logarítmicas para la

determinación de KDBO y DBOu.
 DBO t  (Ec.3-10)
log   log2,303  DBOu  K DBO   K DBO  t
 t 
K DBO  pendiente (Ec.3-11)
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)
Finalmente, una vez obtenida la fracción X LB, se obtiene la fracción particulada

inerte XI mediante la Ecuación 3-14.
Inf Inf Inf Inf

XI  DQOT Inf  SRB  SI  XLB (Ec.3-14)
En la Figura 3-8 se muestra la distribución de las fracciones de X LBInf y XIInf a lo largo

de los días de operación de los tres escenarios estudiados. El valor medio de la
fracción XLBInf de la DQOpInf del influente obtenido para el escenario I y II fue de un
90±6 % y de un 84±5 % para el escenario III y el valor medio obtenido de la
fracción inerte XIInf fue de un 10 ±6 % en el escenario I y II y 16 ±5 % en el escenario
III.
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
II 53,4±8,9 47,4 ±7,4 12,6±5,4
III 37,6±7,8 33,3 ±6,9 4,9±3,4
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
II 12,0±1,8 35,4±5,4 11,4±3,9 1,2± 0,3
III 4,9±2,4 28,3±5,2 4,2±2,9 0,8±0,2
Figura 3-8. Fracción lentamente biodegradable (XLBInf) e inerte (XIInf) de la DQOp

en el influente en los tres escenarios de estudio.
La Figura 3-9 muestra el resultado final del fraccionamiento de la DQOT en el

influente a lo largo de los escenarios I, II y III. La fracción XI es similar en los tres
escenarios; sin embargo, es destacable las diferencias en la fracción X LB. En el
escenario I y II, donde el agua residual es la mezcla de las aguas procedentes de
la industria de celulosa y viscosa. La disminución de XLB en el escenario II, se debe
a la colocación del tamiz previo a la EDAR, indicando que la celulosa residual
representa la fracción lentamente biodegradable del influente.
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.
DQOTInf= SIInf + SRBInf + XLBInf + XIInf
Escenario SIInf (%) SRBInf (%) XLBInf (%) XIInf (%)
I 17±2 52±8 28±8 3±2
II 20±1 59±6 19±6 2±1
III 13±1 74±7 11±7 2±1
94
3.4. Conclusiones
El fraccionamiento de la DQOT del influente presentado en este trabajo de

investigación se ha realizado mediante la combinación de un conjunto de datos
experimentales de DQOT (influente), DQOs (influente y efluente), DBO5 y un
cálculo estructurado de la fracción biodegradable total (DQOB).
El fraccionamiento se ha realizado para tres escenarios de diferente carga

orgánica (Ton DQO/día) y dos procedencias industriales diferentes, mezcla de
aguas residuales de las industrias de celulosa y viscosa (escenarios I y II) y agua
residual de la industria de celulosa (escenario III).
Los escenarios I y II (mezcla de aguas residuales de celulosa y viscosa), se

diferencian principalmente en la carga diaria de sólidos en suspensión (SST)
mientras que la carga diaria de DQO soluble (DQOs) es similar en ambos
escenarios.
El método de fraccionamiento propuesto permite calcular las fracciones solubles

inertes (SI) de la DQOT, obteniendo un valor de 25 % para los escenarios I y II y un
15 % para el escenario III. Estos valores obtenidos, indican que la
biodegradabilidad de la mezcla de aguas residuales de celulosa y viscosa es
menor que la de las aguas residuales de procedencia exclusiva de la industria de
celulosa.
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
SO2, SPO4, S F SPO4, SNO3 SF Productos de

Externos Externos Externo fermentación
Fermentación
Crecimiento
Crecimiento
aeróbico
anóxico
Amonificación
SND SA
Externo Interno
S NH4
Interno
SF
Hidrólisis
Interno
 Propuesta de un modelo con depredación e hidrólisis para reactores MBBR.
 Validación del modelo para aguas residuales de celulosa y viscosa bajo

diferentes cargas orgánicas y diferentes condiciones de operación.
 Verificación de la presencia de microorganismos depredadores en el segundo

reactor MBBR.
 Los procesos de depredación e hidrólisis explican los resultados atípicos de

reactores MBBR en serie.
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).
El papel de los depredadores influye en el rendimiento de las EDARs y puede ser

crucial, especialmente, para obtener una buena calidad de efluente con baja
concentración de sólidos en suspensión totales (SST) (Tamis et al., 2011). A pesar
del gran trabajo realizado en el estudio de la ecología microbiana en los procesos
de fangos activos y en el modelado matemático, existe poca información sobre
la interacción entre las bacterias y los depredadores (Van Loosdrecht, 1999). El
papel de los depredadores en el proceso convencional de fangos activos ha sido
investigado por autores tales como, Moussa et al. (2005), Ni et al. (2009), Ni et al.
(2011) y Hao et al. (2011), desarrollando un procedimiento simple para la
determinación de la actividad de los depredadores en un cultivo mixto en
suspensión, donde coexisten autótrofos, heterótrofos y depredadores. Sin
embargo, ninguno de los trabajos ha incluido los fenómenos de depredación en
el modelo matemático de un reactor de biopelícula de lecho móvil, MBBR.
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 este capítulo se propone un modelo matemático general, siendo el proceso

biológico de depredación un factor clave para estimar la producción de fango
en exceso y los requerimientos de nutrientes en EDARs que tratan aguas residuales
de alta carga orgánica mediante reactores MBBR. El modelo se valida con tres
influentes procedentes de la industria de celulosa y viscosa con diferente carga
orgánica y diferentes dosis de nutrientes.
4.1. Modelo matemático de reactores MBBR
El modelo propuesto es un modelo de multi-sustratos y multi-especies, en el que se

describe la interacción entre bacterias (heterótrofos y autótrofos) y
microorganismos depredadores mediante el modelo propuesto por Moussa et al.
(2005) y es aplicado tanto en la biopelícula como el líquido del reactor MBBR de
la EDAR. Este modelo se valida mediante tres escenarios de trabajo de la EDAR
industrial con diferentes valores de SCLR y diferentes condiciones operacionales
tales como, carga diaria de SST, TRH y dosificación de nutrientes. Además, se tiene
en cuenta los valores de SCLR propuestos por Ødegaard (1999) para modelar la
presencia de microorganismos depredadores en la biopelícula y en líquido y los
valores de SCLR propuestos por Helness y Ødegaard (2005) para modelar la
hidrólisis del material orgánico lentamente biodegradable en el líquido del
reactor.
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
Compuestos solubles i (Si)
SF g DQO/m3 Rápidamente biodegradable ASM2
SA g DQO/m3 Productos de fermentación ASM2
SNO3 g N/m3 Nitrato ASM2
SNH4 g N/m3 Amonio ASM2

SPO4 g P/m3 Ortofosfatos ASM2
SI g DQO/m3 Soluble inerte ASM2
SND g N/m3 Nitrógeno orgánico biodegradable ASM1
SO2 g O2/m3 Oxígeno disuelto ASM2
Compuestos particulados i (Xi)
XH g DQO/m3 Heterótrofos ASM2
XAut g DQO/m3 Autótrofos ASM2
XI g DQO/m3 Inerte ASM2

Moussa et al.,
Xpre g DQO/m3 Depredadores
2005
XS g DQO/m3 Lentamente biodegradable ASM1
Lentamente biodegradable en el Morgenroth et

Xcel g DQO/m3
agua residual (celulosa) al., 2002
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)
NTs  SNO3  SNH4  SND (Ec.4-3)
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.
A continuación, se describen los modelos biocinético, de biopelícula y CSTR que

se integran en el presente trabajo.
101
4.1.1. Modelo biocinético
Los procesos de transformación biológica del modelo biocinético utilizado en el

modelo global propuesto, se muestran en la Figura 4-1, donde se diferencian los
compuestos solubles añadidos de forma externa y los compuestos solubles que
aparecen por los procesos de transformación (internos). En el modelo biocinético
propuesto se combinan determinados procesos biológicos del modelo ASM1,
ASM2 y el mecanismo de depredación propuesto por Moussa et al. (2005) que se
describen a continuación.
Crecimiento de microorganismos heterótrofos y autótrofos

En un reactor biológico MBBR que opera en condiciones aerobias, dentro de la
biopelícula adherida a los soportes plásticos pueden generarse condiciones
anóxicas (desnitrificación) y anaerobias. Por este motivo los procesos biológicos
elegidos para el crecimiento de los microorganismos heterótrofos encargados de
la eliminación de DQO son los propuestos en el modelo ASM2.
En este trabajo de investigación se ha considerado que el material rápidamente

biodegradable (SRB) está constituido a su vez por otros dos compuestos como se
define en el modelo ASM2 (Henze et al., 2000) (Ecuación 4-4).
SRB  SF  SA (Ec.4-4)
SF es definido como el sustrato orgánico rápidamente biodegradable disponible

para el crecimiento de los microorganismos heterótrofos y para la fermentación
biológica y SA es definida como los productos finales del proceso biológico de
fermentación en condiciones anaerobias. Los procesos de fermentación son
realizados por los microorganismos heterótrofos (XH) en condiciones anaerobias
(SO2 y SNO3 ≈0), aunque este proceso biológico da lugar al crecimiento de
microorganismos XH, el modelo ASM2 asume que es un simple proceso de
transformación de SF a SA. Además, SA, al igual que SF, también se utiliza como
sustrato orgánico rápidamente biodegradable para el crecimiento de XH.
Dentro de una biopelícula, los microorganismos autótrofos (X Aut) y heterótrofos

pueden competir por el oxígeno (SO2), por el nitrógeno amoniacal (SNH4) y el
espacio en las capas más externas de la biopelícula (Wanner et al., 2006). Sin
embargo, los autótrofos son microorganismos cuya cinética de crecimiento es
más lenta y su presencia en una biopelícula depende del ratio DQO/N-NH4+ (Lee y
Park 2007). Si el ratio DQO/N-NH4+ es bajo, los microorganismos autótrofos pueden
aparecer; si por el contrario el ratio DQO/N-NH4+ es alto, los microorganismos
heterótrofos predominarán en la biopelícula.
102
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
SO2, SPO4, S F SPO4, SNO3 SF Productos de

Externos Externos Externo fermentación
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.
Crecimiento de microorganismos depredadores

En este trabajo se ha investigado el impacto de los microorganismos
depredadores sobre la comunidad microbiana de un reactor MBBR. Se ha
comprobado que pequeños cambios en las condiciones de operación dan lugar
a un cambio drástico tanto en la concentración de estos depredadores como en
la composición y distribución microbiana de la biopelícula tal y como referencian
otros autores (Goode, 2010; Fried et al., 2000). Autores como Villareal et al. (1975) y
Kinner et al. (1987) realizaron estudios en los que el material orgánico es el sustrato
limitante del crecimiento bacteriano heterótrofo, demostrando que el número de
bacterias aumentaba hasta alcanzar un valor máximo debido al agotamiento del
sustrato, y posteriormente, el número de bacterias disminuía y el de los
depredadores aumentaba; es decir comprobaron que los estos microorganismos
depredadores predominaban sobre los grupos bacterianos a bajas cargas
orgánicas. En este contexto, en el modelo matemático desarrollado en esta Tesis
se ha considerado los diferentes valores de SCLR propuestos por Ødegaard (1999)
para modelar la presencia de depredadores en la biopelícula y el líquido de un
reactor MBBR, como se muestra en la Figura 4-2, donde el tipo de biopelícula que
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.
El crecimiento de los microorganismos depredadores propuesto por Moussa et al.

(2005) es incluido en el modelo biocinético siendo los principales supuestos: a) el
crecimiento de depredadores es simplificado a una sola especie (X pre) y los
parámetros cinéticos y estequiométricos son los mismos para cada grupo de
bacteria consumida, b) los procesos de depredación de la biomasa bacteriana
dan como resultado la generación de biomasa inerte (X I) y la redisolución de
nutrientes endógenos contenidos en las bacterias en forma de SNH4 y SPO4 (Figura 4-
1) y, c) la velocidad de crecimiento de los depredadores es proporcional a la
concentración de bacterias. Para evitar que el proceso biológico de
depredación sea modelado incluso si los depredadores no están presentes en el
reactor MBBR como propone Ni et al. (20010 y 2011), en este trabajo se ha
incorporado una función que activa o desactiva dicho proceso biológico
dependiendo de los valores de SCLR considerados por Ødegaard (1999). Si el
valor de SCLR es superior a 15 g DQO/m2 día, los depredadores están ausentes en
el reactor MBBR y por tanto su velocidad de crecimiento es igual a cero; sin
embargo, para valores de SCRL menores a 15 g DQO/m2 día, la velocidad de
crecimiento es proporcional a la concentración bacteriana (Figura 4-2).
Hidrólisis del material orgánico lentamente biodegradable

En el modelo propuesto se asume que la hidrólisis tiene lugar en el líquido de los
reactores MBBR como proponen autores como Rohold y Harremoës (1993) y
Larsen y Harremoës (1994), donde el material particulado no difusivo es
transformado a material orgánico soluble rápidamente biodegradable
pudiéndose difundir dentro de la biopelícula.
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).
XLB  X S  Xcel (Ec.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.
Xs procede del proceso biológico de la inactivación de los microorganismos y X cel

es la celulosa del agua residual de la EDAR de estudio que es un compuesto
orgánico lentamente biodegradable; sin embargo, la hidrólisis de Xcel depende
fuertemente de la edad del fango y el tiempo de retención hidráulico (TRH) en los
reactores biológicos (Ruiken et al., 2013).
Por otro lado, la hidrólisis de Xs en el líquido de un reactor MBBR depende de los

valores de SCLR (Helness y Ødegaard (2005). En este trabajo se ha modelado la
hidrólisis incluyendo una función que activa o desactiva dicho proceso biológico
dependiendo de los valores de SCLR (Figura 4-2).
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
Donde nj es el número de procesos biológicos que se relacionan con un

compuesto i.
Dentro de la biopelícula, la determinación de la velocidad neta de

transformación para un compuesto Xi (Uoi) es determinada por la Ecuación 4-7 y Xi
es remplazado por el producto fi ρ:
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.
Un ejemplo del cálculo de ri y Uoi para la biomasa heterótrofa (XH) se representa a

continuación:
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 
6 Pj  Hj 1   SF   SF   SO2  SNH4  SPO 4 

UoH      H         fH  
j 1 fH   fH     SF  KF   SF  SA   SO2  KO2,H   SNH4  KNH4,H   SPO 4  KPO 4,H 
 SA   SA   SO2  SNH4  SPO 4 
 H         fH  
S
 A  K S
A  F  S S
A   O2  K S
O 2 ,H   NH4  K S
NH4 ,H   PO 4  K PO 4 ,H 
 SF   SF   KO2,H   SNO 3  SNH4  SPO 4 

 NO 3  H          fH  
S
 F  K S
F  F  S S
A   O2  K S
O 2 ,H   NO 3  K S
NO 3   NH4  K S
NH4 ,H   PO 4  K PO 4 ,H 
 SA   SA   KO2,H   SNO 3  SNH4  SPO 4 

 NO 3  H          fH  
 SA  K A   SF  SA   SO2  KO2,H   SNO 3  KNO 3   SNH4  KNH4,H   SPO 4  KPO 4,H 
 SO2   fH  
 bH  fH    P      fH   
S
 O2  K f
O 2 ,H   H  f 
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
P11.Crecimiento aerobio de Xpre con XH -1 - YP 1  fXI  - fXI
P12.Crecimiento aerobio de Xpre con XAut - -1 YP 1  fXI  - fXI
P13.Inactivación de Xpre - - -1 1  fXI fXI

Continuación Tabla 4-2.
Si→ SO2 SF SA SND SNH4 SPO4 SNO3

Pj↓ - - -
1 1  i P,BM
P1. 1  - -  i N,BM -
YH YH
1 1  i N,BM  i P,BM
P2. 1 -  - -
YH YH
1  i N,BM  i P,BM 1  YH
P3. -  - - 
YH 2,86YH
1  i N,BM  i P,BM 1  YH
P4. - -  - 
YH 2,86YH
P5. - -1 +1 - - - -
P6. - - - i N,BM  i N,XI fXI i P,BM  i P,XI fXI -
P7. - +1 - - - - -
P8. - - -1 +1 - -
4,75  YA 1 1
P9.  - - -  i N,BM   i P,BM
YA YA YA
P10. - - - - i N,BM  i N,XI  fXI i P,BM  i P,XI  fXI -
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 ) -
P13. - - - - i N,BM  i N,XI  fXI i P,BM  i P,XI  fXI -

Continuación Tabla 4-2.
Pj↓ Cinética de los procesos Pj
 S   SF   SO2  SNH4  SPO4 
P1.
H   F        XH
 SF  KF   SF  SA   SO2  KO2,H   SNH4  KNH4,H   SPO4  KPO4,H 
 SA   SA   SO2  SNH4  SPO4 

H         XH
P2.
 SA  KA   SF  SA   SO2  KO2,H   SNH4  KNH4,H   SPO4  KPO4,H 
 SF   SF   KO2,H   SNO3  SNH4  SPO4 

NO3  H          XH
P3.  SF  KF   SF  SA   SO2  KO2,H   SNO3  KNO3   SNH4  KNH4,H   SPO4  KPO4,H 
 SA   SA   KO2,H   SNO3  SNH4  SPO4 

NO3  H          XH
P4. S
 A  K S
A  F  S S
A   O2  K S
O2 ,H   NO 3  K S
NO 3   NH4  K S
NH4 ,H   PO 4  K PO 4 ,H 
 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
 SO2  SNH4  SPO4 

P9. A       XAut
 SO2  KO2,H   SNH4  KNH4,H   SPO 4  KPO 4,H 
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.
Parámetro Símbolo Unidad Valor utilizado Referencia

Heterótrofos (XH)
Rendimiento celular YH g DQO/g DQO 0,63 ASM2 (Henze et al., 2000)
Velocidad máxima específica de crecimiento uH Día-1 6 ASM2 (Henze et al., 2000)
Constante de inactivación bH Día -1 0,4 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SF KF g DQO /m3 4 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SA KA g DQO /m3 20 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SF en fermentación Kfe g DQO /m3 4 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SPO4 KPO4,H g P/m3 0,01 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SNH4 KNH4,H g N/m3 0,05 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SO2 KO2,H g O2 /m3 0,2 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SNO3 KNO3 g N/m3 0,5 ASM2 (Henze et al., 2000)
Velocidad máxima de fermentación qfe g DQO/g DQO day 3 ASM2 (Henze et al., 2000)
Factor de desnitrificación 𝜂NO3 - 0,8 ASM2 (Henze et al., 2000)
Autótrofos (XAut)
Rendimiento celular YA g DQO/g N 0,24 ASM2 (Henze et al., 2000)
Velocidad máxima específica de crecimiento uA Día -1 1 ASM2 (Henze et al., 2000)
Constante de inactivación bA Día -1 0,15 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SPO4 KPO4,A g P/m3 0,01 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SNH4 KNH4,A g N/m3 1 ASM2 (Henze et al., 2000)
Coeficiente de semi-saturación de SO2 KO2,A g O2 /m3 0,5 ASM2 (Henze et al., 2000)
Depredadores (Xpre)
Rendimiento celular YP g DQO/g COD 0,335 Lindblom, 2003
Velocidad máxima específica de crecimiento uP Día -1 2,2 Ni et al., 2011
Constante de inactivación bP Día -1 0,1488 Lindblom, 2003
Coeficiente de semi-saturación de SO2 KO2,P g O2 /m3 0,2 Lindblom, 2003
Continuación de la Tabla 4-3.
Hydrolysis y amonificación
Constante de velocidad de hidrólisis Kh Día-1 3 Henze et al., 2000 ASM1
Coeficiente de semi-saturación de XS Kx g DQO/g DQO 0,10 Henze et al., 2000 ASM1
Constante de velocidad de amonificación Ka m3/gDQO día 0,08 Henze et al., 2000 ASM1
Parámetros de la biopelícula
Coeficiente de difusión de SO2 f m2/día 1,75 10-4 Wanner and Gujer, 1986
DO 2
Coeficiente de difusión de SF DFf m2/día 8,3 10-5 Wanner and Gujer, 1986
Coeficiente de difusión de SA DfA m2/día 8,3 10-5 Wanner and Gujer, 1986
Coeficiente de difusión de SNH4 f m2/día 1,36 10-4 Boltz et al., 2011
DNH 4
Coeficiente de difusión de SNO3 f m2/día 1,28 10-4 Boltz et al., 2011
DNO 3
Coeficiente de difusión de SPO4 f m2/día 5,44 10-5 Geesey, 1994
DPO 4
Coeficiente de difusión de SND f m2/día 6 10-5 Jeppsson, 1996
DND
Constante de desprendimiento de biomasa λ 1/m día 1.000 Mašić et al., 2010
Espesor de la capa límite LL µm 100 Boltz et al., 2011
Densidad de la biopelícula ρ g DQo/m3 20.000 Horn and Lackner, 2014
Área total de la biopelícula Af m2 479.790 AF=900 m2/m3 x % llenado x VMBBR
Coeficientes estequiométricos de nutrientes y factores de conversión
Contenido de nitrógeno en biomasa activa iN,BM g N/g DQO 0,06 I, II-0,03III Parámetro calibrado
Contenido de fosforo en biomasa activa iP,BM g P/g DQO 0,01 I, II -0,0062 III Parámetro calibrado
Contenido de nitrógeno en biomasa inerte iN,XI g N/g DQO 0,017 I, II -0,0082 III Parámetro calibrado
Contenido de fosforo en biomasa inerte iP,XI g P/g DQO 0,005 I, II -0,0031 III Parámetro calibrado
Fracción inerte de la biomasa fXI - 0,1 Henze et al., 2000 ASM2
Factor de conversión (SST/biomasa activa) iSST,BM g SST/g DQO 0,90 Henze et al., 2000 ASM2
Factor de conversión (SST/XI) iSST,XI g SST/g DQO 0,75 Henze et al., 2000 ASM2
Factor de conversión (SST/Xs) iSST,XS g SST/g DQO 0,75 Henze et al., 2000 ASM2
Factor de conversión (SST/Xcel) iSST,Cel g SST/g DQO 0,95 Experimental
I, II: Escenario I y II. III: Escenario III
4.1.2. Modelo de biopelícula
El modelo de biopelícula propuesto en este trabajo de investigación, se basa en

el modelo 1D de Wanner y Gujer (1986) (Goode, 2010; Mašić, 2013); permite
describir la dinámica y distribución espacial de los tres grupos de microorganismos
representados en el modelo biocinético descrito en la sección anterior, así como
predecir la evolución del espesor de la biopelícula (Goode, 2010). El modelo
original de Wanner y Gujer (1986), tiene en cuenta los siguientes procesos: a) la
utilización y difusión simultánea de los sustratos y nutrientes dentro de la
biopelícula (modelo de difusión-reacción), b) la resistencia externa del transporte
de materia debido a la capa límite entre el compartimento del líquido y la
superficie de la biopelícula y, c) la pérdida de biomasa por la inactivación y el
desprendimiento. Además, la abundancia relativa y distribución espacial de los
diferentes grupos de microorganismos son determinadas por tres procesos: 1)
conversión microbiana de los sustratos, 2) expansión volumétrica de la biopelícula
y 3) el transporte de los sustratos por difusión molecular.
El modelo 1D propuesto en este estudio, utilizado para describir la biopelícula

tiene los siguientes supuestos: a) la capa límite (LL) entre el compartimento del
líquido y la superficie de la biopelícula es considerada constante y uniforme (Boltz
et al., 2011), b) la densidad de la biopelícula (ρ) es constante con la profundidad
(Horn y Lackner, 2014), c) los compuestos XS y XI forman parte de la biomasa de la
biopelícula (Wolf et al., 2007), d) todos los procesos de transformación tanto de los
compuestos particulados como de los solubles ocurren en dirección
perpendicular al soporte plástico, e) la biopelícula es tratada matemáticamente
como un continuo y de superficie plana, f) la cinética de Monod se utiliza para
describir las velocidades netas de transformación tanto de los compuestos
solubles Si como de los compuestos particulados Xi y, g) la biomasa de la
biopelícula y la biomasa en suspensión en el líquido del reactor MBBR tienen
coeficientes estequiométricos y cinéticos similares. A continuación, se describen
los balances de materia incluidos en el modelo.
Balance de masa para los compuestos particulados Xi

Las Ecuaciones 4-8 a 4-11 describen el balance de masa para los compuestos
particulados i y las Ecuaciones 4-12 y 4-13 las condiciones de contorno.
En la Figura 4-3 se muestra la expansión volumétrica de una biopelícula, donde g
es el flujo de masa desplazado por unidad de tiempo y de área (Af) respecto del
soporte plástico.
113
Figura 4-3. Flujo de biopelícula a través de un elemento diferencial de
volumen de Af∙dz (Wanner y Gujer, 1986).
La Ecuación 4-8 describe el balance de masas para cada compuesto X i

expresado en términos de fracción de volumen (fi).
dfi (t, z) df (t, z)

dt
 
 Uoi (t, z)  U o  fi (t, z)  U(t, z)  i
dz
(Ec.4-8)
i=I, S, H, Aut y pre.
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.
En la Ecuación 4-9 se define U o (día-1) como la velocidad de crecimiento de la

biopelícula y la relación entre el desplazamiento espacial U y la producción de
biopelícula U o se describe en la Ecuación 4-10:
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.
Si la biopelícula crece o disminuye, el espesor L (m) cambia y la interfase

biopelícula-líquido se mueve a una velocidad UL (m/día) (Figura 4-3). Por tanto en
la Ecuación 4-12 se define el cambio de L mediante dos términos: U (m/día)
(velocidad de expansión de la biopelícula) y σ (m/día) (velocidad a la cual se
desprende la biopelícula) (Ecuación 4-13):
dL
 UL(t)  U(t, L)  (t) (Ec.4-12)
dt
(t)    L2 (t) (Ec.4-13)
donde:
λ (1/m día)=constante de desprendimiento de la biopelícula.
Las condiciones de contorno para la interfase soporte-biopelicula (z=0) son

definidas en las Ecuaciones 4-14 y 4-15:
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:
dSfi(t, z) d2 Sfi(t, z) (Ec.4-16)

 Dfi   ri(t, z)
dt dz 2
i=O2, A, F, NH4, NO3, PO4, ND.
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.
En el modelo 1D de biopelícula se asume que la difusividad de los compuestos Si

dentro de la biopelícula ( D fi ) es un 80% de su difusividad en el agua ( DiW ) como
proponen Wanner y Gujer (1986).
Las condiciones de contorno para la interfase soporte-biopelicula (z=0) y la

interfase biopelícula-líquido (z=L) son definidas en las ecuaciones 4-17 y 4-18,
respectivamente. La Ecuación 4-18 incluye la resistencia de transferencia de
materia de la capa límite LL:
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.
4.1.3. Modelo CSTR
El reactor MBBR se modela como un reactor de mezcla perfecta (CSTR) y los

balances de masa a los compuestos Xi y Si en el líquido se definen en las
Ecuaciones 4-19 y 4-20 respectivamente.
116
dSbi(t)
VMBBR
dt
 
 QIn  Sini  Sbi  ji(t, L)  Af  ri(t)  VMBBR (Ec.4-19)
i=A, F, NH4, NO3, PO4, ND.
dXbi(t)
VMBBR
dt
 
 QIn  Xini  Xbi  (t) Af    fi  ri(t) VMBBR (Ec.4-20)
i=I, S, H, Aut y pre.
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).
Método de resolución numérica

El modelo matemático de los dos reactores MBBR fue implementado en el
software comercial Aspen Custom Modeler® (ACM), que permite que los modelos
sean personalizados para procesos específicos.
La técnica utilizada para resolver el sistema de ecuaciones diferenciales parciales

del modelo de biopelícula es el método de líneas (MOL), y el método BFD1
(método de diferencias finitas hacia atrás) fue utilizado como método de
discretización. La evolución del espesor de la biopelícula conduce a un problema
de "contorno móvil" y por tanto la distribución espacial de los microorganismos es
una discontinuidad, debido a que, si la película crece o disminuye, la
discontinuidad en z=L se mueve en el espacio. Esta discontinuidad es mucho más
fácil de tratar numéricamente definiendo una nueva coordenada espacial como
se describe en el trabajo de Wanner y Gujer (1986) y Goode (2010) mediante la
Ecuación 4-21.
(t)  z / L(t) (Ec.4-21)
La discontinuidad es fijada ζ=1 (Figura 4-3) y el uso de ζ como coordenada

espacial requiere pequeñas modificaciones en las ecuaciones del modelo de
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
El sistema de ecuaciones se iteró a intervalos de tiempo de Δt = 0,1 días hasta 30

días para asegurar que el espesor de la biopelícula (L) alcance el estado
estacionario. El número máximo de iteraciones fue de 100 y el valor inicial del
espesor L fue de 50 µm (Wanner y Gujer, 1986; Mašić et al., 2010).
Calibración de los parámetros del modelo

La calibración de los parámetros del modelo propuesto se realiza en estado
estacionario mediante un conjunto de datos experimentales promediados para
describir el comportamiento de los reactores MBBR a largo plazo, debido a que los
datos experimentales no se recogieron con la suficiente frecuencia para describir
la dinámica de la EDAR.
Las EDARs para el tratamiento de aguas residuales de la industria de celulosa y

viscosa están diseñadas para la eliminación de DQO, y debido a que el
contenido de nutrientes es bajo, estos nutrientes deben de adicionarse para
obtener un tratamiento eficiente. En este contexto, la estrategia de calibración
del modelo es bastante sencilla porque sólo existe un proceso biológico
predominante: la degradación de la materia orgánica (Keskitalo et al., 2010), y
por lo tanto, solamente es necesario cambiar unos pocos parámetros del modelo
En este estudio se ajustaron los parámetros relativos al contenido de nitrógeno y

fósforo en la biomasa activa (iN,BM y iP,BM) y en la biomasa inerte (iN,XI y iP,XI) con la
media de datos experimentales para cada escenario de estudio. Estos cuatro
parámetros se designan en la Tabla 4-3 como "parámetros calibrados". Dichos
parámetros se estimaron utilizando el software Aspen Custom Modeler. El ajuste de
los parámetros del modelo se llevó a cabo utilizando el algoritmo NL2SOL para la
minimización de mínimos cuadrados de la desviación entre los datos
experimentales y simulados.
4.2. Condiciones de operación
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).

Celulosa Viscosa
Etapa MBBR
Escenario II Escenario I
MBBR1 MBBR2
Celulosa
Escenario III
Nutrientes
Figura 4-4. Esquema de los tres escenarios de estudio en la etapa MBBR.
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.).
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 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.
Variables de operación Escenario I Escenario II Escenario III
DQOs:N:P 100:2,6:0,7 100:2,14:0,28 100:1,13:0,24
Llenado de soportes en MBBR1 y

10 10 10
en MBBR2 (%)
O2 disuelto en MBBR1 (g/m3) 3 3 3
O2 disuelto en MBBR2 (g/m3) 5 5 5
TRH en MBBR1 y MBBR2 (horas) 1h* 1,2h* 2,1h*

*h, valor de referencia para mantener la confidencialidad de la información de la EDAR.
4.3. Resultados y discusión
4.3.1. Resultados experimentales y simulados del MBBR1 y MBBR2
La simulación de las diferentes concentraciones de los parámetros de las

corrientes de salida de los dos reactores MBBR en serie en los tres escenarios de
estudio descritos en la sección 4.2, se lleva a cabo mediante el modelo propuesto
en la sección 4.1. El mismo modelo matemático fue utilizado para simular las dos
unidades de proceso MBBR.
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.
En la Figura 4-5 se muestra que el valor medio de eliminación de DQOs es

aproximadamente entre un 42 % y 65 % en el MBBR1 y solamente entre un 14 % y
21% en el reactor MBBR2, debido a que la mayor parte de los compuestos solubles
fácilmente biodegradables (SF) del influente fueron consumidos rápidamente en el
reactor MBBR1 en los tres escenarios de estudio.
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.
En la Figura 4-6 se observa un importante aumento de la concentración de SST en

el reactor MBBR1 respecto a los SST del influente en los tres escenarios de estudio.
Este hecho es debido al crecimiento celular y al desprendimiento de la biomasa
de los soportes (Schubert et al., 2013). En el escenario II, se observó un ligero
aumento en la concentración de SST en el reactor MBBR2; sin embargo, en los
escenarios I y III, en el reactor MBBR2 se observó un ligero descenso producido por
la hidrólisis de Xs y por el proceso biológico de depredación (Moussa et al., 2005).
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.
Se observa buena concordancia entre los valores experimentales y simulados de

DQOs y SST, con desviaciones estándar inferiores al 10 % en los tres escenarios de
estudio (Tabla 4-6) confirman 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.
La desviación estándar entre las concentraciones experimentales y simuladas de

TNs y SPO4 se muestra en la Tabla 4-6. En los tres escenarios, se obtuvieron valores
inferiores al 15 %, pero estos valores son superiores a las desviaciones estándar
obtenidas para la DQOs y SST, probablemente debido al menor número de
ensayos analíticos de nitrógeno y fósforo.
La Tabla 4-7 muestra las medias de las concentraciones experimentales de

nitrógeno total soluble (TNs) y fósforo soluble inorgánico (SPO4) en el líquido de los
reactores MBBR para cada escenario. En los tres escenarios, se produjo una fuerte
disminución de los valores medios en el reactor MBBR1 como consecuencia del
rápido crecimiento de los microorganismos por el consumo de S F. En los escenarios
I y III, aumentaron ligeramente en el reactor MBBR2 debido a la regeneración de
nutrientes por el proceso de depredación. Este aumento de nutrientes se ha
observado en otros trabajos tales como Lidblom et al. (2003), Rankin et al. (2007) y
Tamis et al. (2011). Sin embargo, en el escenario II, no se observó un aumento de
nutrientes en el reactor 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
MBBR1 * 0,08p 0,5n
MBBR2 * 0,05p 0,5n
Escenario III
MBBR1 0,07n 0,05p <0,12n
MBBR2 0,41n 0,12p <0,12n
* Datos experimentales no disponibles
La Tabla 4-8 muestra la media de los valores experimentales de SCLR y la tasa de

eliminación de DQOs (SCRR, soluble COD removal rate) para ambos reactores
MBBR. Se observaron altos valores de SCLR en todos los escenarios en la corriente
de entrada al reactor MBBR1 (84-59 g DQO/m2 día) y valores altos de SCRR (70-38
g DQO/m2 día) debido a que el crecimiento de los microorganismos heterótrofos
fue el proceso predominante (Schubert et al. 2013).
Las dos últimas columnas de la Tabla 4-8 muestran si los microorganismos

depredadores están presentes y si el proceso biológico de hidrolisis ocurre tanto
en el MBBR1 como en el MBBR2 en los tres escenarios de acuerdo con los valores
de Ødegaard (1999) y Helness y Ødegaard (2005) presentados en la Figura 4-2. En
el MBBR2 se observan bajos valores de SCLR en los escenarios I y III y por tanto el
proceso de hidrólisis y crecimiento de depredadores son significativos; sin
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
Además, en los escenarios I y III se observa microscópicamente la presencia de

microorganismos depredadores como los ciliados sésiles o pedunculados en el
reactor MBBR2 (Figura 4-7), indicando que su presencia es debido a condiciones
de operación de baja carga orgánica (Ferrer y Seco, 2007). Por lo tanto, en esta
Tesis Doctoral, los dos reactores MBBR en serie pueden ser considerados como un
sistema de doble etapa, donde la población microbiana es diferente en función
de la carga orgánica disponible (SCLR).
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).
En la Tabla 4-9 se muestra la comparación de la media de los valores

experimentales y simulados de SST, NTs y SPO4 en el reactor MBBR2 para el escenario
I y III cuando la función del proceso biológico de hidrólisis y depredación se activa
o desactiva en el modelo propuesto. Los resultados simulados fueron obtenidos en
estado estacionario y fueron similares a los valores experimentales cuando las
funciones de hidrólisis y depredación estaban activadas en ambos escenarios.
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
En la Figura 4-8 se muestran los resultados experimentales del fraccionamiento de

la DQOs en el influente y los resultados simulados en los reactores MBBR 1 y MBBR2.
En los tres escenarios de estudio, se observa un importante aumento de la
fracción no biodegradable (SI) en los dos reactores MBBR debido al consumo de
la fracción SS. Además, una pequeña fracción de productos de fermentación (S A)
aparece en los escenarios I y III debido a la deficiencia de oxígeno en las capas
más internas de la biopelícula.
La Figura 4-9 muestra los resultados simulados de la evolución de la concentración

de DQOs en el líquido de los reactores MBBR1 y MBBR2 obtenidos mediante
simulación dinámica durante un periodo de tiempo de 30 días. Se muestra una
disminución muy rápida en la concentración de DQOs, alcanzando el estado
estacionario en 4 días en los tres escenarios de estudio. Estos resultados verifican
que el empleo de reactores MBBR para la eliminación de DQOs de aguas
residuales alta carga orgánica es un proceso muy rápido debido al rápido
crecimiento de los microorganismos heterótrofos (Zalakain y Manterola, 2011b;
van Haandel y van der Lubbe, 2015).
125
Figura 4-8. Fracciones de la DQOs en los reactores MBBR1 y MBBR2 en estado estacionario.
Figura 4-9. Evolución de la concentración de DQOs a la salida de los reactores

MBBR1 y MBBR2 durante un periodo de simulación de30 días.
4.3.2. Distribución de microorganismos
Biopelícula del reactor MBBR

En la Figura 4-10 se muestra la evolución del espesor de biopelícula (L, µm)
durante un periodo de tiempo de simulación de 30 días, donde se observa que
alcanza el estado estacionario al cabo de 6 días en todos los escenarios de
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.
Figura 4-10. Evolución dinámica de la biopelícula de los reactores MBBR1 y MBBR2.
Los valores simulados del espesor de la biopelícula y la biomasa por unidad de

área de biopelícula, BA (g SST/m2), se muestran en la Tabla 4-10. En primer lugar,
tal y como se esperaba, se observa una correspondencia entre la biomasa por
unidad de área y espesor de la biopelícula. También se observa que el mayor
espesor de biopelícula es alcanzado en el reactor MBBR1 del escenario I, ya que el
SCRR es el valor más alto en ese escenario (Tabla 4-8).
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
Escenario L (µm) BA (g SST/m2) L (µm) BA (g SST/m2)
I 860 12,1 690 9,1
II 724 10,2 563 7,9

III 604 8,5 675 9,5
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).
Sin embargo, en el escenario III, el espesor de la biopelícula en el MBBR2 es

ligeramente mayor que en MBBR1 debido a que su elevado tiempo de retención
hidráulica (TRH) favorece el proceso de hidrólisis de XS y consecuentemente el
porcentaje XS hidrolizado será mayor que en el resto de los escenarios. Un
aumento de este porcentaje de Xs en el líquido genera mayor cantidad S F que
estará disponible para los microorganismos de la biopelícula (Rohold y Harremoës,
1993, Larsen y Harremoës, 1994) dando lugar a un mayor espesor (Schubert et al.,
2013). Es importante señalar que el TRH es prácticamente el doble en el escenario
III que en el escenario I y II (Tabla 4-5).
En la Figura 4-11 se muestra la distribución espacial de los grupos de

microorganismos en términos de fracción volumétrica (fS, fI, fH, fAut y fpre) junto con
el perfil de concentración de oxígeno (SO2) dentro de la biopelicula en los dos
reactores MBBR para los tres escenarios de estudio en estado estacionario.
El análisis de los resultados representados en la Figura 4-11 muestra:
i) Los microorganismos autótrofos (fAut) no aparecen en la distribución espacial

de la biopelícula de los dos reactores MBBR en ningún escenario de estudio.
Esto es debido en el reactor MBBR1, a que la carga orgánica en términos de
SCLR es muy alta (ver Tabla 4-8) y además, los microorganismos heterótrofos (fH)
predominan sobre el resto de los grupos de microorganismos, ya que tienen
una mayor velocidad de crecimiento específico UoH.
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).
La ausencia de fAut se confirma experimentalmente mediante la concentración

de nitratos (SNO3) en el líquido de ambos reactores. En la Tabla 4-7, la
concentración de SNO3 disminuye en los reactores MBBR1 y MBBR2 en el
escenario I y II y permanece constante en el escenario III, indicando la
128
ausencia de nitrificación por parte de la biomasa autotrófica (Remy et al.,
2014).
ii) Los compuestos particulados procedentes de la inactivación (f I) y los

compuestos lentamente biodegradables (fS), son acumulados en las capas
más internas de la biopelícula (Mašić, 2013). Esta acumulación es debida a la
falta de oxígeno en el escenario I y III y a la falta de SPO4 en el escenario II.
iii) Los microorganismos depredadores (fpre) aparecen solamente en el reactor

MBBR2 de los escenarios I y III, debido a que SCLR es inferior a 15 g DQO/m 2 día
(Tabla 4-8) (Ødegaard, 1999, van Haandel y van der Lubbe, 2015). Como se
observa en la Figura 4-11, los microorganismos depredadores aparecen en la
región menos profunda de la biopelícula como sugiere Jeppsson (1996). En la
presente Tesis Doctoral, entre 345-690 μm y 338-675 μm en el escenario I y II
respectivamente. En esta región de la biopelícula la concentración de oxígeno
no es cero y por tanto aparece el crecimiento de f H. Sin embargo, a medida
que la concentración de SO2 disminuye con la profundidad, fH también
disminuye.
Además de las condiciones aerobias, los microorganismos heterotróficos

pueden crecer bajo condiciones anóxicas en presencia de nitratos (S NO3) (Lee
y Park, 2007) y cuando el SNO3 se consume, el proceso de fermentación del
material rápidamente biodegradable (SF) se lleva a cabo por dichos
microorganismos. El crecimiento anóxico de fH es apreciable en el reactor
MBBR1 del escenario III, donde una pequeña fracción volumétrica de f H
aparece hasta la interfase soporte-biopelícula.
La Figura 4-12 muestra los perfiles de las concentraciones simuladas de DQOs y

SPO4 a través de la biopelícula y se observa que el fósforo (SPO4) es el sustrato
limitante en el escenario II, ya que su concentración se aproxima a cero a una
profundidad de 507 μm en el MBBR1 y a 394 μm en el MBBR2. Sin embargo, en el
escenario I y III, el SPO4 no tiende cero a través de la biopelícula y por tanto el
sustrato limitante es el oxígeno (SO2) como se observa en la Figura 4-11.
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.
La depredación de la biomasa heterotrófica tanto en la biopelícula como en el

líquido conduce a un fenómeno destacable relacionado con la redisolución de
los nutrientes en el reactor MBBR2. El NTs y el SPO4 procedentes del influente de la
EDAR a escala industrial, son consumidos por los microorganismos heterótrofos (X H
y fH) y cuando estos microorganismos heterótrofos son consumidos por los
depredadores, SPO4 y SNH4 son regenerados en el líquido del reactor y finalmente
estarán disponibles para el crecimiento de otros microorganismos (Lindblom,
2003). Este fenómeno de redisolución de nutrientes es observado en la Tabla 4-7,
tanto en los resultados simulados como en los resultados experimentales del
reactor MBBR2 de los escenarios I y III.
Los resultados simulados obtenidos muestran la disminución del compuesto

lentamente biodegradable XS en el reactor MBBR2 para los escenarios I y III. Esta
disminución se debe al proceso de hidrólisis de XS. El porcentaje de XS hidrolizado
es de un 78 % en el escenario I y un 86 % en el escenario III. Este porcentaje es
mayor en el escenario III, debido a que el TRH en este escenario es casi el doble
que el TRH en el escenario I como se explica en la sección 4.3.2.; sin embargo, en
el escenario II, el valor de XS aumenta en el líquido del reactor MBBR2 debido a
que el proceso de hidrólisis es insignificante.
Los valores de Xcel permanecen constantes en el líquido de ambos reactores MBBR

porque no se ha considerado la hidrólisis de la celulosa, debido al bajo TRH en
ambos reactores.
En la Figura 4-13 también se observa que los microorganismos depredadores (Xpre)

aparecen en el líquido del MBBR2 en el escenario I y III. La presencia de
microorganismos depredadores provoca una disminución de la biomasa
heterotrófica (XH) en el MBBR2 de un 16,4 % y un 26,3 % en los escenarios I y III,
respectivamente.
132
Figura 4-13. Distribución de los compuestos Xi en el líquido del MBBR1 y MBBR2.
4.4. Conclusiones
En esta Tesis Doctoral se presenta un modelo matemático de reactores MBBR para

la eliminación de DQO; se trata de un modelo mecanicista unidimensional 1D de
biopelícula con multi-especies y multi-sustratos, que en función de los valores de
carga soluble biodegradable (SCLR), considera: a) el proceso de hidrólisis de
compuestos lentamente biodegradables en el líquido del reactor y b) el
crecimiento de los microorganismos depredadores en el líquido y en la
biopelícula. El modelo se puede utilizar para diferentes tipos de aguas residuales
en diferentes condiciones operacionales.
La validez del modelo se confirma con el uso de aguas residuales de la industria

de la celulosa y viscosa en dos reactores MBBR en serie a escala industrial. Los
valores simulados de DQO soluble (DQOs), sólidos en suspensión totales (SST),
nitrógeno total soluble (NTs) y ortofosfato (SPO4) se comparan con los valores
experimentales. La desviación estándar entre las concentraciones simuladas y
experimentales para las corrientes de salida de los reactores MBBR1 y MBBR2 es
inferior al 15 % en los tres escenarios de estudio con diferente carga orgánica,
dosificación de nutrientes y caudal de influente.
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.
El modelo propuesto permite simular el perfil de concentración de oxígeno (SO2) y

ortofosfato (SPO4) a través de la biopelícula, determinando el sustrato limitante en
la biopelícula.
La reducción de la biomasa heterótrofa causada por la depredación, tanto en el

líquido del reactor MBBR como en la biopelícula, conduce a un fenómeno
interesante: la concentración de SPO4 y NTs dosificados en el influente de la EDAR
son consumidos por los microorganismos heterótrofos y cuando los depredadores
consumen a estos microorganismos, se produce una redisolución de dichos
nutrientes en el medio líquido, quedando disponibles para otros microorganismos
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
 Aplicación de un modelo de sedimentación a la última etapa de separación

sólido-líquido de un proceso MBBR de alta carga orgánica.
 Validación del modelo del proceso completo MBBR para aguas residuales de
celulosa y viscosa.
 Análisis de la sedimentabilidad del fango a través del índice volumétrico de

fango (IVF).
 Análisis de parámetro sludge yield obtenido en un proceso de alta carga

orgánica.
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).
Los decantadores secundarios o también denominados tanques de

sedimentación son los más comúnmente utilizados proporcionando dos funciones:
clarificación y espesamiento. La clarificación es la eliminación de los sólidos para
producir un efluente de baja turbidez y el espesamiento es el proceso de
aumentar la concentración del fango en la corriente de recirculación y/o
corriente de extracción de fango, con el fin de que ocupen el menor volumen
posible.
La sedimentación en un decantador secundario es uno de los procesos más

determinantes de la eficiencia de una EDAR con tratamiento biológico. Por este
motivo los procesos de sedimentación son frecuentemente investigados junto con
los modelos matemáticos de los reactores biológicos, para el diseño, optimización
y operación de la EDAR (Hreiz et al., 2015a).
En este capítulo se aplica un modelo matemático unidimensional (1D) de

sedimentación para predecir la concentración de sólidos en el efluente y en la
corriente de extracción de fango de la etapa de decantación de un proceso
MBBR de alta carga orgánica. Además, se analiza la sedimentabilidad del fango
a través del índice volumétrico del fango (IVF) y la producción de fango en
exceso que se genera en este tipo de procesos de alta carga. El modelo es
validado mediante su aplicación al tratamiento industrial de las aguas residuales
de la producción de celulosa y viscosa en el denominado escenario I (aguas de
celulosa y viscosa con alta carga orgánica).
5.1. Modelo matemático del proceso MBBR incluyendo sedimentación
El modelo matemático para el proceso MBBR a escala industrial que se propone

en este capítulo, está constituido por el modelo para la etapa MBBR detallado en
el capítulo 4 y por un modelo de sedimentación para la etapa de decantación
final, que permite predecir la concentración de sólidos en suspensión totales en el
efluente final y en la corriente de extracción de fango.
Las variables de estado del modelo propuesto se detallan en el capítulo 4 (Tabla

4-1). El valor de DQOT se incluye en el modelo ya que tiene en cuenta los
compuestos particulados. Es importante destacar que, en la etapa de
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.
DQOT(gDQO / m3 )  SA  SF  XAut  XH  Xpre  XI  Xcel  Xs (Ec.5-1)
Modelo de la etapa de decantación

En esta Tesis Doctoral, el modelo utilizado en la etapa de decantación es un
modelo 1D y se basa en el enfoque de Vitasovic (1986, 1989), en el cuál, se asume
que los gradientes horizontales de concentración de sólidos en el decantador
secundario son despreciables (Figura 5-1). Este modelo se basa en la teoría del
flujo de sólidos (Kynchk, 1952). Esta teoría establece que los SST que entran en el
decantador son llevados al fondo a través de un flujo gravitacional (Gg) y un flujo
de sólidos debido al movimiento del líquido (Gb). Gb se calcula a través de la
concentración de SST y la velocidad del líquido. La velocidad del líquido, puede
ser ascendente (vAsc) o descendente (vDes) dependiendo de su posición relativa
con respecto a la capa de alimentación (Figura 5-1). El flujo de sólidos
ascendente es debido al caudal de salida o efluente y el flujo descendente de
sólidos es debido al caudal de recirculación y/o extracción de fango en exceso
(Ekama et al., 1997).
Concentración de sólidos en suspensión totales (SST):

SSTIn= entrada al decantador
SSTEfl = efluente final
SSTR=corriente de recirculación de fango
SSTP=corriente de purga de fango en exceso
QEfl SSTEfl
vs vAsc
Altura de la capa QIn
de alimentación
(HIn) HIn
SSTIn
vs vDes
H
QR + Q P SSTR=SSTP
Figura 5-1. Esquema simplificado de un decantador de flujo horizontal

(modificado de Ekama et al., 1997).
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
Figura 5-2. Modelo de capas de un decantador secundario.
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:
GT,j  Gg,j  Gb,j (Ec.5-2)
Gg, j  v s, j  SST (Ec.5-3)
Gb,j  v Asc  SSTj , si H>HIn (Ec.5-4)
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).
El cálculo de la velocidad de sedimentación (vs,j) utilizado en el modelo 1D de

sedimentación es el propuesto por Takács et al. (1991), denominándose modelo
de doble exponencial (Ecuaciones 5-8, 5-9 y 5-10). El modelo es válido, tanto para
la zona de clarificación como para la zona de espesamiento de los decantadores
secundarios que constituyen la etapa de decantación de un proceso biológico y
se utiliza para predecir la concentración de los sólidos tanto en el efluente como
en las corrientes de recirculación y extracción de fango.
 rh  SST j  SSTmin   rp  SST j  SSTmin 

v s, j  v o  e  v0  e (Ec.5-8)
0  v s , j  v o´ (Ec.5-9)
SSTmin  fns  SSTIn (Ec.5-10)
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)
Por otra parte, el modelo de sedimentación aplicado en esta Tesis Doctoral, es un

modelo no reactivo, ya que se asume que en el decantador secundario no se
producen reacciones biológicas como proponen autores como Alasino et al.
(2007) y Hvala et al. (2017). En este contexto, el modelo considera una única
variable de estado para todos los compuestos particulados (sólidos en suspensión
totales, SST) y las variables solubles descritas en el capítulo 4 no sufren
transformaciones biológicas.
En este capítulo, el caudal de recirculación de fango (QR) no se tiene en cuenta

en los balances de masas a los SST ya que en un proceso MBBR no se recircula
fango al reactor biológico.

El modelo del proceso MBBR incluyendo la etapa de decantación secundaria fue
implementado en el software comercial Aspen Custom Modeler® (ACM). La
técnica utilizada para resolver el sistema de ecuaciones diferenciales parciales
del modelo de biopelícula es el método de líneas (MOL), y el método BFD1 fue
utilizado como método de discretización en los modelos de los reactores MBBR.
Una descripción detallada de la metodología de resolución numérica se ha
presentado en el capítulo 4.
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
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
Etapa MBBR Etapa de decantación Efluente

Escenario I
final
MBBR1 MBBR2 2
DECANTACIÓN 1
Nutrientes
Fango en exceso
Figura 5-3. Esquema general del escenario I con el proceso MBBR.
Tabla 5-2. Caracterización experimental del influente en el escenario I.

Esc. Origen
Celulosa
I 1,1q 1,27s 5,83c 4,08c 5,28n 2,14p 0,5n 1,02c
y viscosa
5.3.1. Resultados experimentales y simulados en la decantación
Resultados simuladas y experimentales de SST y DQOT en el efluente final

La simulación de las concentraciones de SST y DQOT en el efluente final del
proceso MBBR tras el paso de la corriente de salida del reactor MBBR 2 por la etapa
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.
La Figura 5-4a muestra los resultados experimentales en el influente, reactor MBBR2

y efluente final y los resultados simulados en el efluente final para las
concentraciones de SST. La Figura 5-4b muestra los resultados experimentales en el
influente y efluente final y simulados en el efluente final para las concentraciones
de DQOT del proceso MBBR industrial, en intervalos de 34 días durante un total de
8 meses de operación.
La validación del modelo se lleva a cabo con los parámetros calibrados y

mediante un conjunto de valores experimentales. Los datos experimentales son la
media de los datos medidos cada 34 días (Figuras 5-4 y 5-6) durante el tiempo de
operación del escenario I de estudio y la desviación estándar entre los valores
experimentales y simulados se utiliza para confirmar la validez del modelo.
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.
Tabla 5-3. Condiciones de operación del proceso MBBR a escala industrial.

Condiciones de operación del escenario I
Origen del agua residual Celulosa y Viscosa
Dosificación de nutrientes (DQOs:N:P) 100:2,6:0,7
TRH (MBBR1-2) (horas) 1h*
SCLR (MBBR1) (g DQO/m2 día) 84
SCLR (MBBR2) (g DQO/m2 día) 14
QP (m3/día) 1.867
Ad (decantador 1 y decantador 2) (m2) 1.017
H (decantador 1 y decantador 2) (m) 4

*h: valor de referencia para mantener la confidencialidad de la información de la EDAR.
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.
DQOT* SST* SSTP Sludge yield
Escenario I 5,9 8,3 8,1 11,2
*Datos del efluente final.
El valor medio de la eficiencia de eliminación de SST en la etapa de decantación

es de un 71 %, si se comparan los valores de SST en la salida del reactor MBBR 2 y en
el efluente. Este valor es típico de un proceso MBBR de alta carga orgánica como
propone Ødegaard (2000). Sin embargo, se consigue una eficiencia de un 46 %
en el proceso global MBBR (Figura 5-4a), si se comparan los valores del influente
con el efluente final. Obviamente, esta disminución en la eficiencia de eliminación
de SST es debido a que en el influente, los SST están constituidos principalmente
por celulosa (Xcel) y no hay componentes particulados procedentes de la
biomasa activa (XH, XAut y Xpre) e inactiva (XI).
Respecto al valor medio experimental de la eficiencia de eliminación de DQOT en

el proceso global MBBR, se obtiene un 66 %, siendo un valor típico de un proceso
144
MBBR de alta carga como proponen autores como van Haandel y van der Lubbe
(2015).
Fraccionamiento simulado de DQOT en el efluente final

La Figura 5-5 muestra el fraccionamiento simulado de todos los compuestos
solubles y particulados que constituyen la DQOT del efluente final del proceso
MBBR en el escenario I, en estado estacionario. Es destacable que la fracciones
de DQO rápidamente biodegradable SF y SA corresponden a un 20 % y 4 % de la
DQOT del efluente, respectivamente. Por lo tanto, se confirma que en la etapa
MBBR no se elimina completamente la fracción rápidamente biodegradable
(Rankin et al., 2007).
Figura 5-5. Fraccionamiento simulado de la DQOT en el efluente

final del proceso MBBR industrial.
Resultados experimentales y simulados de SSTP en la corriente de purga de fango

y del parámetro sludge yield
En la Figura 5-6a se muestran los resultados experimentales y simulados de los SST
en la corriente de extracción o purga de fango en exceso (SST P). Estos valores
corresponden a la zona de espesamiento de los decantadores secundarios 1 y 2,
obteniéndose un valor medio de SSTP 60 veces superior al valor medio de SST en el
efluente del proceso MBBR, siendo similar a lo reportado por autores como Henze
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.
En la Figura 5-6b se muestran los valores experimentales y simulados del parámetro

sludge yield. Se obtiene un valor medio experimental de 0,754±0,094 Ton SST/Ton
DQOs, valor característico de los procesos MBBR de alta carga orgánica como
reportan Aygun et al. (2008). La desviación estándar entre los valores
experimentales y simulados del sludge yield es de un 11,2 % (Tabla 5-4). El valor
experimental del parámetro sludge yield da lugar a una producción de fango en
exceso de 27±4 Ton SST/día.
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 5-7 se muestran los resultados experimentales del índice volumétrico

del fango (IVF) en el proceso MBBR industrial. Se obtiene un valor medio de 126±24
ml/g, dando lugar a una sedimentabilidad moderable del fango, como propone
von Sperling (2007). El valor medio de IVF, obtenido experimentalmente, es
característico de un proceso MBBR de alta carga orgánica (Ahmadi et al., 2014);
en estos procesos la carga orgánica soluble aplicada por área de biopelícula
(SCLR) influye directamente sobre la eficiencia de eliminación de SST en la etapa
de decantación secundaria.
Figura 5-7. Resultados experimentales del IVF en el proceso

MBBR industrial.
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.
En la Figura 5-9 se muestra una fotografía donde se compara los análisis

experimentales del parámetro V30 obtenidos para el fango del proceso MBBR de
estudio (malas propiedades de sedimentabilidad) y para el fango del proceso
BAS de estudio que se detallará en los siguientes capítulos de esta Tesis Doctoral.
Se aprecia una ausencia de clarificación en el fango procedente de los reactores

MBBR sin una clara separación entre el fango y el agua depurada; sin embargo,
en fango procedente del proceso BAS se diferencia perfectamente las dos fases
fango-agua depurada.
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
En este trabajo de investigación se ha incluido un modelo matemático de

sedimentación unidimensional 1D en la etapa de decantación secundaria de un
proceso MBBR completo para la eliminación de material orgánico con el fin de
predecir los sólidos en suspensión totales (SST) tanto en el efluente final como en la
corriente de extracción o purga de fango en exceso.
La validez del modelo matemático para un proceso MBBR completo (incluyendo

la etapa de decantación secundaria), se confirma para aguas residuales de la
industria de la celulosa y viscosa a escala industrial. Los valores simulados de DQO
total (DQOT) y sólidos en suspensión totales (SST) en el efluente, se comparan con
los valores experimentales. La desviación estándar entre las concentraciones
simuladas y experimentales en el efluente final del proceso biológico es inferior al
10 %.
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.
Finalmente se puede concluir que la concentración de los SST en el efluente final

en un proceso biológico de alta carga orgánica como es el proceso MBBR
depende directamente de la carga orgánica soluble aplicada (SCLR).
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
 Modelado matemático del proceso BAS incluyendo depredación.
 La depredación es el proceso biológico predominante en la etapa de

fangos activos (FA) del proceso BAS.
 La distribución microbiana en las etapas MBBR y FA son diferentes.
 El modelo propuesto explica la eficiencia de la eliminación de DQO en

condiciones de limitación de nutrientes.
 Análisis de la influencia de la depredación en la disminución de la

dosificación de nutrientes y producción de fango en 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).
La depredación no se considera relevante en el proceso convencional FA y

generalmente la concentración de microorganismos depredadores es de un 5 %
a un 10 % de los sólidos en suspensión totales (SST) (Hauduc et al., 2013); sin
embargo, se vuelve significativa en la segunda etapa del proceso BAS (Malmqvist
et al., 2004a). En un reactor FA de un proceso BAS, los microorganismos
depredadores están situados en la parte superior de la cadena alimenticia
(Sointio et al., 2006) y su concentración depende de la edad del fango (EF) y la
carga orgánica que entra al reactor. Como consecuencia de la depredación de
las bacterias de rápido crecimiento que dejan el reactor MBBR, la producción de
fangos en exceso en un proceso BAS será típicamente de un 30 % a un 50 %
menor que en un proceso FA convencional (Malmqvist et al., 2004b).
El control de la dosificación de nutrientes en la etapa de pre-tratamiento MBBR

también es un aspecto muy relevante en un proceso BAS (van Haandeland y van
der Lubbe, 2015) porque los nutrientes que son absorbidos por las bacterias en la
1ª etapa de biopelícula son liberados cuando estas bacterias son consumidas por
los microorganismos depredadores en la 2º etapa FA (Slade et al. Al., 2004) y por
lo tanto el proceso BAS puede operar en condiciones de limitación de nutrientes
(Rankin et al., 2007; Malmqvist et al., 2008).
El proceso BAS generalmente es utilizado para aguas residuales industriales de alta

carga orgánica y deficientes en nutrientes, como las aguas residuales de la
industria de celulosa (Slade et al., 2004, Elsergany et al., 2015). La adición de
nutrientes tiene un impacto significativo en los costes operacionales de este tipo
de depuradoras industriales.
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.
En este capítulo se propone y se valida un nuevo modelo matemático para las

dos etapas en serie de un proceso BAS: una primera etapa bacteriana-
depredadora (MBBR) y una segunda etapa depredadora (FA). El modelo predice
la coexistencia de autótrofos, heterótrofos y depredadores y la diferente
distribución de microorganismos en los reactores biológicos de cada etapa. La
eliminación de DQO, los requerimientos de nutrientes, la producción de fango en
exceso y la distribución microbiana son analizados utilizando el modelo propuesto
en un proceso BAS industrial a escala real. El modelo se ha validado con dos
influentes procedentes de la industria de celulosa y viscosa con diferente carga
orgánica, diferentes dosis de nutrientes y diferentes condiciones operacionales.
6.1. Modelo matemático del proceso BAS
El modelo propuesto para el proceso BAS de estudio considera: a) los procesos

biológicos en las etapas MBBR y FA, b) el mecanismo de depredación se incluye
en ambas etapas como propone Moussa et al. (2005), c) modelo de Takács et al.
(1991) para la etapa de decantación, d) modelo CSTR en los reactores biológicos
de la etapa MBBR y FA y, f) los valores de referencia SCLR tal como se proponen
en Ødegaard (1999) y en Helness y Ødegaard (2005) para modelar la
depredación y la hidrólisis del sustrato secundario(XS) en los reactores MBBR
(Helness y Ødegaard, 2005). La hidrólisis del sustrato primario (Xcel) sólo se
considera en la etapa de FA debido a su elevada edad del fango (EF) (Revilla et
al., 2016a).
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).
El reactor FA se modela como un reactor de mezcla perfecta (CSTR). Los balances

de masa a los compuestos Xi y Si en el líquido se definen en las Ecuaciones 6-1 y 6-
2 respectivamente.
dS bi (t)
VFA 
dt

 QIn  SIn b
i  Si 
 ri (t)  VMBBR (Ec.6-1)
i=A, F, NH4, NO3, PO4, ND.
dXbi(t)
VFA 
dt

 QIn  XIn b
i  Xi 
 ri(t)  VMBBR (Ec.6-2)
i=I, S, H, Aut, pre y Cel.
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.
Procesos biológicos y matriz de Petersen

En la Figura 6-1 se muestra una representación esquemática de las reacciones
básicas de los procesos biológicos del modelo BAS.
PROCESOS BIOLÓGICOS DEL MODELO BAS
Procesos biológicos Reacción básica Referencia
Crecimiento de depredadores SO2+XH+XAut→Xpre+ SNH4+SPO4+XI Moussa et al., 2005

Inactivación de depredadores Xpre→XS+XI+ SNH4+SPO4
Crecimiento aeróbico de heterótrofos SF+SA +SO2+SNH4+SPO4→XH
Crecimiento anóxico de heterótrofos SF+SA +SNO3+SNH4+SPO4→XH
Inactivación de heterótrofos XH→XS+XI+ SNH4+SPO4 ASM2 (Henze et al., 2000)
Fermentación SF+ XH →SA
Crecimiento aeróbico de autótrofos SO2+SNH4+SPO4→XAut+SNO3
Inactivación de autótrofos XAut→XS+XI+ SNH4+SPO4
Hidrólisis de XS XS + XH →SF
Hidrólisis de Xcel Xcel + XH →SF ASM1 (Henze et al., 2000)
Amonificación SND + XH →SNH4
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
Constante de Henze et al.,

Kh día-1 3
velocidad de hidrólisis 2000 ASM1
Coeficiente de semi- Henze et al.,

Kx g DQO/g DQO 0,10
saturación de Xcel 2000 ASM1
Las velocidades netas de transformación en el líquido del reactor FA (r i) se

obtienen de la misma forma que en el líquido de los reactores MBBR mediante los
coeficientes estequiométricos (υij) de cada compuesto i y proceso j y la cinética
de cada proceso, como se detalla en el capítulo 4 (Tabla4-3).
Todos los parámetros cinéticos y coeficientes estequiómetricos del resto de los

procesos biológicos del modelo propuesto están detallados en el capítulo 4.

El modelo del proceso BAS fue implementado en el software de ingeniería Aspen
Custom Modeler® (ACM). La técnica utilizada para resolver el sistema de
ecuaciones diferenciales parciales del modelo de biopelícula en la etapa MBBR
es el método de líneas (MOL), y el método BFD1 fue utilizado como método de
discretización.
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.
La caracterización del influente, tanto del escenario II como el III se muestra en la

en la Tabla 6-4.
158
Celulosa Viscosa
Escenario II Etapa MBBR Etapa FA Etapa de decantación

Efluente
MBBR1 MBBR2 FA final
DECANTACIÓN 1 2
Escenario III
Nutrientes
Celulosa Fango en exceso
Recirculación de
fango
Figura 6-2. Esquema general de los escenarios II y III con el proceso BAS.
Tabla 6-3. Condiciones de operación del proceso BAS a escala industrial.

Condiciones de operación del proceso BAS
Escenario II Escenario III
Origen del agua residual Celulosa y Viscosa Celulosa
Dosificación de nutrientes (DQOs:N:P) 100:2,14:0,28 100:1,13:0,24
TRH (MBBR1-2) (horas) 1,2h* 2,1h*
TRH (FA)(horas) 10,4h* 19,6h*
EF (MBBR1-2) (días) <1 <1
EF (FA) (días) 19 30
SCLR (MBBR1) (g DQO/m2 día) 71 59
SCLR (MBBR2) (g DQO/m2 día) 33 14

*h: valores de referencia del TRH para mantener la confidencialidad de la información.
159

Esc. Origen
Celulosa
II 1,0q 0,68s 5,21c 3,73c 3,99n 0,84p 0,5n 0,93c
y viscosa
6.3.1. Resultados experimentales y simulados del proceso BAS
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.
La Figura 6-3 muestra los valores experimentales de DQOs en el influente y efluente

del proceso BAS, donde se aprecia una evolución estable de la DQOs en el
efluente durante todo el tiempo de operación de ambos escenarios. Además, en
la Tabla 6-5 se muestran el promedio de los valores experimentales de la eficiencia
de eliminación de DQOs en cada reactor biológico, observándose que la
cantidad de DQOs eliminada principalmente en el reactor MBBR1. También se
muestran los promedios de los valores de la eficiencia de eliminación global de
DQOs del proceso BAS: en el escenario de estudio II se obtiene un 76 % y un valor
de un 85 % en el escenario de estudio III.
El valor de eficiencia de eliminación global de DQOs es mayor en el escenario III

debido a que la fracción inerte de DQOs en el influente (SI) es menor (15 %) que
en el escenario II (25 %). Resultados similares son obtenidos en los trabajos
presentados por los autores Sointio et al. (2006), Rankin et al. (2007) y Malmqvist et
al. (2008) para el tratamiento de aguas residuales procedentes de la industria de
celulosa y papel mediante un proceso BAS a escala industrial.
160
Figura 6-3. Valores experimentales (exp.) y simulados (sim.) de DQOs en el influente y efluente del
proceso BAS a escala industrial.
Tabla 6-5. Eficiencia de eliminación de DQOs en el proceso BAS.

Eficiencia de eliminación de DQOs (Ton/día y %)
Ton/día % Ton/día %
Reactor MBBR1 20,2 44 21,7 65
Reactor MBBR2 3,4 13 2,4 13
Reactor FA 11,8 52 4,2 46

Proceso global BAS 35,4 76 28,3 85
Los valores experimentales de SST en el influente, en la corriente de salida del

reactor FA y el efluente se muestran en la Figura 6-4. Los SST en el influente se
componen principalmente de fibras celulósicas (X cel) que serán hidrolizadas en el
reactor FA por los microorganismos heterótrofos (Ruiken et al., 2013). Los valores de
SST en la corriente de salida del reactor FA son 10 veces superiores a los del
influente debido al crecimiento de los microorganismos. Además, la Figura 6-4
también muestra la disminución de los SST del reactor FA al pasar a través de la
161
etapa de decantación, obteniendo una disminución de un 98,5 % en el escenario
II y un 98,7 % en el escenario III.
La alta eficiencia de eliminación de SST obtenida en la etapa de decantación

está relacionada con el índice volumétrico de fango (IVF): experimentalmente los
valores obtenidos de IVF son de 90 ml/g y 72 ml/g en el escenario II y III,
respectivamente, dando lugar a una sedimentabilidad del fango buena como
propone von Sperling (2007) y siendo característica de un proceso BAS bajo
limitación de nutrientes como demostraron los autores Malmqvist et al. (2004a) y
Rankin et al. (2007).
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.
La Figura 6-5 muestra los valores experimentales de fósforo (SPO4) en el influente y

efluente del proceso BAS, observándose una ligera disminución del S PO4 en el
efluente y siendo estas concentraciones aproximadamente el 75% de las
concentraciones de SPO4 en el influente en los dos escenarios de estudio. Las
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).
El nitrógeno total soluble (NTs) en el influente del proceso BAS se compone

principalmente de nitrógeno orgánico soluble (SND) debido a la urea dosificada,
que es rápidamente hidrolizada por los microorganismos heterótrofos (Henze et
al., 2000) a nitrógeno amoniacal (SNH4) en la etapa MBBR; el exceso de SNH4 se
oxida a nitrato (SNO3) por nitrificación de los microorganismos autótrofos (XAut) en el
reactor FA (Mozumder et al., 2014). Por lo tanto, el NTs en el efluente final del
proceso BAS está compuesto principalmente de SNO3 (Figura 6-6).
Figura 6-5. Valores experimentales (exp.) y simulados (sim.) de SPO4 en el influente

y en el efluente del proceso BAS a escala industrial.
El proceso biológico de nitrificación (Figura 6-6) solamente se produce en el

reactor FA del proceso BAS mediante de la redisolución de S NH4 debido a dos
procesos biológicos, depredación e inactivación de los microorganismos. Como
consecuencia de lo anterior, el ratio DQO/N-NH4+ es muy bajo y el proceso de
nitrificación ocurre en esta etapa del proceso BAS (Lee y Park 2007).
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.
La Figura 6-7 muestra el fraccionamiento simulado de todos los compuestos

solubles y particulados que constituyen la DQOT del efluente del proceso BAS en
el escenario II y III cuando se ha alcanzado el estado estacionario.
Las fracciones de DQO rápidamente biodegradable SF y SA corresponden a un 0,4

% y 0,04 % respectivamente de la DQOT del efluente en el escenario II y a un 0,6 y
un 0,02 % en el escenario III, con lo que se confirma que en el proceso BAS se
elimina prácticamente toda la fracción rápidamente biodegradable de la DQOT.
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.

Corriente de
salida del Efluente del proceso BAS
reactor FA
Esc. SST SST *DQOs SPO4* NTs* SNO3* SNH4*
II 11,5 6,2 4,7 9,1 7,8 7,9 13,5
III 12,8 8,2 7,4 12,2 13 13,2 13,1
*La concentración de los compuestos solubles es la misma en la corriente de salida del reactor FA y en
el efluente del proceso BAS.
Figura 6-7. Fraccionamiento simulado de la DQOT en el efluente del proceso BAS industrial.
6.3.2. Distribución de microorganismos
El modelo matemático es utilizado para evaluar la de distribución microbiana en

el líquido de los reactores biológicos involucrados en el proceso BAS.
La Figura 6-8 muestra los resultados simulados en estado estacionario del

porcentaje de microorganismos heterótrofos, material inerte y lentamente
biodegradable procedentes de la inactivación, celulosa, depredadores y
microorganismos autótrofos (XH, XI, XS, Xcel, Xpre y XAut) en el líquido de los reactores
MBBR1, MBBR2 y FA.
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.
El modelo detalla las poblaciones de microorganismos en las dos etapas, de

biopelícula y de cultivo en suspensión, lo que conduce a que el principal
compuesto particulado en los reactores MBBR1 y MBBR2 es la biomasa heterótrofa
(Revilla et al., 2016a) y en el reactor FA es el material inerte y microorganismos
depredadores (Figura 6-8). Los reactores MBBR eliminan la mayor parte de la
DQOs, dando lugar a que el crecimiento de microorganismos heterótrofos es el
principal proceso biológico de la etapa de biopelícula. Sin embargo, el TRH en la
etapa de cultivo en suspensión, en el reactor FA, es aproximadamente 10 veces
superior al de los reactores MBBR (Tabla 6-3) y los principales procesos biológicos
son el proceso de depredación e inactivación.
La diferencia de las poblaciones de microorganismos en cada etapa es una de

las principales características del proceso BAS (Wei et al., 2003). Además, se han
analizado otras diferencias entre las fracciones de los compuestos particulados en
cada reactor del proceso BAS y sus causas:
i) Los microorganismos heterótrofos (XH) en los reactores MBBR representan el 50 %

de de los SST en el escenario II y entre 60-70 % en el escenario III (Figura 6-7),
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).
En la etapa FA, la eliminación de DQOs es mucho menor en ambos escenarios

de estudio (11,8 y 4,2 Ton/día de DQOs en los escenarios de estudio II y III,
respectivamente) siendo el porcentaje de microorganismos heterótrofos muy
bajo, entre un 5 % y 10 %. Por tanto, en la etapa FA, la principal fuente de
alimento son los microorganismos heterótrofos procedentes de la etapa MBBR
en lugar de DQOs (Sointio et al., 2006).
ii) Los microorganismos depredadores (Xpre) están ausentes en el reactor MBBR1

para ambos escenarios de estudio ya que la la carga orgánica soluble
aplicada (SCLR) es muy alta en el MBBR1 (Ødegaard, 1999). En el MBBR2, los
microorganismos depredadores también están ausentes en el escenario II, pero
en el escenario III estos microorganismos representan el 13,2 % de los SST (Figura
6-7) debido a que el valor de SCLR es inferior a 15 g DQO/m2 día (van Haandel
y van der Lubbe, 2015).
En el reactor FA, el porcentaje de Xpre y el material inerte (XI) representan un 32

% y un 57 % en el escenario II y un 26 % y 69 % en el escenario III. Este alto
porcentaje de material inerte se explica porque los microorganismos
depredadores consumen la biomasa activa (XH y XAut) y convierten la fracción
no biodegradable de XH y XAut en material inerte (Moussa et al., 2005). Además,
se observó microscópicamente la presencia de microorganismos
depredadores como ciliados (Wei et al. Al., 2003) en el reactor FA.
Como la cantidad de DQOs que llega al reactor FA es pequeña, la biomasa

heterótrofa XH está en condiciones de inanición y la DQOs que llega al reactor
FA se elimina rápidamente. En general, cuanto mayor es el tiempo en
condiciones de inanición, mayor será la fracción inerte generada por el
proceso biológico de inactivación (Ni et al., 2011). Además, la depredación de
XH y XAut genera altas cantidades de XI (Moussa et al 2005) y como
consecuencia de ambos procesos biológicos, la fracción inerte (XI) es el
principal compuesto particulado en el reactor FA del proceso BAS.
iii) Los compuestos lentamente biodegradables (Xcel y XS) necesitan previamente

ser hidrolizados a SF mediante los microorganismos heterótrofos para poder ser
utilizados como sustrato. La hidrólisis biológica de la celulosa (X cel) depende
fuertemente de la edad del fango (EF) (Ruiken et al., 2013); por lo tanto, en
esta Tesis Doctoral se asume que la hidrólisis de Xcel solamente ocurre en el
reactor FA (Tabla 6-3) donde la EF es lo suficientemente alta (19 y 30 días) para
que las fibras de celulosa puedan ser hidrolizadas. La celulosa en el reactor FA
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).
Además, en la Figura 6-9 se muestran fotografías del fango realizadas mediante

un microscopio óptico en los tres reactores biológicos del proceso BAS a escala
industrial, donde se verifica la presencia de fibras celulósicas en la etapa MBBR
(MBBR1 y MBBR2); sin embargo, en la etapa de fangos activos (FA) no se
detectan.
Figura 6-9. Determinación de la presencia/ausencia de fibras celulósicas en el fango de la etapa MBBR

y FA mediante fotografías con microscopio óptico.
En contraste con Xcel, el material lentamente biodegradable XS puede ser

hidrolizado por los microorganismos heterótrofos del líquido en suspensión en los
reactores MBBR dependiendo de los valores de SCLR (Helness y Ødegaard,
2005). En el escenario de estudio III, XS disminuye ligeramente en el reactor
MBBR2 porque el valor de SCLR es menor que 20 g DQO/m2 día y no se
desprecia el proceso de hidrólisis; sin embargo, en el escenario de estudio II, XS
aumenta en el reactor MBBR2 debido a que los valores de SCLR son superiores a
20 g DQO/ m2 día (Tabla 6-3). Como consecuencia de todo lo discutido
anteriormente, las fracciones de XS y Xcel son superiores en la etapa MBBR que
en la etapa FA (Figura 6-8).
iv) La presencia de microorganismos autótrofos XAut está relacionada con el ratio

DQOs/ SNH4 de entrada al reactor biológico (Mozumder et al., 2014). La Figura 6-
7 muestra que en los reactores MBBR1 y MBBR2 no aparecen microorganismos
autotróficos en ambos escenarios de estudio; sin embargo, en el reactor FA, se
observó una pequeña fracción de XAut (0,5 % en el escenario II y 0,2 % en el
escenario III) debido al bajo ratio DQOs/ SNH4 de entrada al reactor FA. Para un
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).
Como resumen de la distribución de los microorganismos en las etapas que

constituyen el proceso BAS a escala industrial, se observa que el primer reactor de
MBBR1 es una etapa bacteriana, el segundo reactor MBBR2 es una etapa
bacteriana-depredadora y por último el reactor FA es una etapa depredadora.
6.3.3. Dosificación de nutrientes y producción de fango en exceso
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).
La alta eficiencia de eliminación de DQOs en el proceso BAS como se muestra en

la Tabla 6-5 permite confirmar que la proporción de nutrientes puede ser mucho
menor que la proporción indicada por la "regla general" con un efecto
económico positivo en el proceso global BAS debido al alto coste de los
nutrientes.
Para demostrar que en el proceso BAS a escala industrial las proporciones de

DQOs:N:P son menores a las utilizadas en un proceso de fangos activos
convencional (Malmqvist et al., 2008), se muestran en la Tabla 6-7 los resultados de
simulación en estado estacionario de los nutrientes obtenidos en los reactores
MBBR y FA.
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.
Durante estos procesos, los compuestos de fósforo contenidos en los

microorganismos XH y XAut se liberan al agua. Sin embargo, el resultado de la
simulación de SNH4 en el reactor FA es muy bajo, ya que el SNH4 liberado debido a
la depredación da como resultado una relación baja de DQOs/SNH4 y en
consecuencia el SNH4 es oxidado a SNO3 por los microorganismos autótrofos (Lee y
Park, 2007). Como resultado final, los valores simulados de SNO3 son altos respecto
al influente y la concentración de SNH4 es baja en el reactor FA del proceso BAS.
Con el fin de confirmar la influencia de la depredación sobre las concentraciones

de fósforo y compuestos de nitrógeno en el reactor FA de un proceso BAS, se
utiliza el modelo matemático propuesto para activar (OFF) y desactivar (ON) la
depredación (Moussa et al., 2005; Revilla et al., 2016a). Los valores simulados en
estado estacionario de SNH4, SNO3 y SPO4 cuando la depredación está
activada/desactivada se muestran en la Tabla 6-8.
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.
El aumento de las concentraciones de fósforo y nitrógeno en el reactor FA debido

a la depredación hace posible el uso de bajas proporciones DQOs:N:P y por tanto
también de una baja dosificación de nutrientes en el influente sin disminuir la
eficiencia de eliminación de DQOs. Esto supone una gran ventaja para el proceso
global (Rankin et al., 2007).
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
Producción de fango en exceso

El tratamiento y gestión de los fangos en exceso de una EDAR es costoso
pudiendo representar hasta el 60 % del coste total de operación (Ramdani et al.,
2010). La reducción de la producción de fango representa un evidente interés
económico.
Una de las principales características del proceso BAS es que la producción de

fango en exceso es mucho menor que un proceso de fangos activos
convencional (Malmqvist et al., 2004b; Rankin et al., 2007; Malmqvist et al., 2008).
En esta sección, se analiza la influencia de la depredación en la producción de

fango mediante la comparación de las fracciones de los compuestos
particulados de la concentración de SST y la propia concentración de SST en el
reactor FA del proceso BAS con el modelo propuesto. La comparación se realiza
entre los valores simulados en estado estacionario y los valores experimentales en
las mismas condiciones de operación, pero activando (ON) y desactivando (OFF)
los procesos biológicos de depredación al igual que se hizo en la sección anterior.
En la Tabla 6-8 se muestran los valores simulados de SST, activando y desactivando

la función de depredación, observándose una disminución importante de la
concentración de SST (de un 42 % y un 44 %) en el escenario II y III,
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
Se aprecia que tanto el sludge yield como la producción de fango en exceso es

mucho menor cuando se opera con el proceso BAS que con el proceso MBBR.
Una disminución del valor del sludge yield entre un 55 % y un 79 % y una
disminución de la producción de fango en exceso entre un 73 % y un 84 % se
consigue con el proceso BAS mediante la implantación de la etapa de FA o
etapa depredadora en la EDAR industrial.
6.3.4. Influencia de EF en el reactor FA
Otra opción para disminuir la producción de fango en una EDAR es ampliar la

edad del fango (EF) (Liu y Wang, 2015). Sin embargo, el aumento de EF, da lugar a
un aumento del proceso de inactivación que puede conducir a una mayor
concentración de material inerte (XI) y, como consecuencia, el tratamiento
biológico de aguas residuales podría perder eficiencia (Hreiz et al., 2015a). En el
reactor FA del proceso BAS de estudio, el contenido de XI es alto (Figura 6-10)
debido a los procesos biológicos de inactivación y depredación como se
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.
Figura 6-10. Evolución dinámica de la concentración de microorganismos y material

inerte en el reactor FA del proceso BAS operando a una EF de 19 días y 30 días.
Los escenarios de estudio II y III operan bajo diferentes condiciones de EF y

diferente origen de las aguas residuales (Tabla 6-3). Un análisis de ambos
escenarios de estudio permite observar el efecto de EF sobre la fracción de los
compuestos particulados y el contenido de biomasa activa (XH, XAut y Xpre) en el
reactor FA. La Figura 6-10 muestra el comportamiento dinámico de la
concentración simulada de los compuestos particulados en ambos escenarios de
estudio, hasta alcanzar el estado estacionario después de 200 días de tiempo de
simulación. Esto permite comparar el comportamiento de los SST en el reactor FA
con diferentes aguas residuales industriales y edades de fango. El escenario de
estudio III opera con una mayor EF (30 días) que en el escenario II (19 días), dando
lugar a concentraciones similares de SST, 8.5s g SST/m3 en el escenario II y 8.6s g
SST/m3 en el escenario III, siendo el material inerte (XI) la fracción principal de SST.
Para las aguas residuales procedentes de la industria de la celulosa es posible

operar utilizando altos valores de EF, ya que el aumento en XI se compensa con
una reducción en la cantidad de depredadores (Xpre), microorganismos
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
Se presenta y se valida un modelo matemático de un proceso BAS para el

tratamiento de las aguas residuales de alta carga orgánica y deficiencia de
nutrientes. Los valores simulados de demanda química de oxígeno soluble (DQOs),
sólidos en suspensión totales (SST), nitrógeno total soluble (NTs), ortofosfatos (SPO4),
nitrógeno amoniacal (SNH4) y nitratos (SNO3) presentan desviaciones estándar
inferiores al 15 % al compararlos con los valores experimentales para los dos
escenarios de estudio que se presentan en la Tesis y que trabajan con diferentes
condiciones operacionales. El modelo propuesto permite estudiar el
comportamiento microbiano en la etapa de biopelícula (MBBR) y la etapa de
fangos activos (FA), así como de evaluar la influencia de la depredación sobre la
dosificación de nutrientes, la producción de lodos y la distribución microbiana.
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.
Se verifica que la hidrólisis de fibras celulósicas se produce en reactores biológicos

con elevada edad del fango y largos tiempos de retención hidráulica.
174
7. ANÁLISIS Y APLICACIÓN DE HERRAMIENTAS DE SIMULACIÓN DE UN
PROCESO BAS
SIMULACION Y OPTIMIZACION DEL PROCESO BAS INDUSTRIAL
ETAPA DE BIOPELICULA ETAPA DE FANGOS ACTIVOS

Modelo propuesto Simulador comercial Modelo propuesto Simulador comercial
- Modelo unidimensional de biopelícula - Modelo ASM2d
- Modelo ASM2 - Hidrólisis
- Hidrólisis - Hidrólisis
- Depredación - Depredación -Depredación -Depredación
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
Escenario II y III Etapa de

biopelícula
Recirculación Fango en
de fango exceso
 Comparación de dos herramientas de simulación matemática para un

proceso BAS de la eliminación de material orgánico.
 El modelo propuesto en este estudio, implementado en un software

general de ingeniería (ACM) se acerca más a los datos experimentales
que el software específico (BioWin) de EDARs.
 La depredación es el principal proceso biológico en un proceso BAS y

debe incluirse en los modelos matemáticos de una EDAR.
 El coste de operación puede reducirse hasta un 10 % utilizando

herramientas de optimización de softwares generales de ingeniería.
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.
En este capítulo se ha llevado a cabo la simulación de un proceso BAS industrial

para el tratamiento de aguas residuales de la industria de celulosa y viscosa,
utilizando dos herramientas de simulación: a) un software específico de simulación
de EDAR (BioWin) y b) software general de ingeniería química de procesos (Aspen
Custom Modeler). La optimización preliminar del proceso BAS se ha realizado,
utilizando la herramienta de simulación más eficaz de las utilizadas previamente,
mediante tres funciones objetivo: minimización de nutrientes en el efluente final,
minimización de la producción de fango en exceso y maximización de la
concentración de sólidos en la corriente de fango en exceso.
7.1. Herramientas de simulación y optimización
BioWin (ACM) v.3.0

En este capítulo, la simulación se realizó utilizando la versión del software BioWin®
v.3.0 (EnviroSim Associates Ltd., Canadá). BioWin incorpora los modelos de fangos
activos ASM1, ASM2d y ASM3 de la asociación internacional del agua (IWA), para
describir los procesos biológicos en los reactores (Liwarska-Bizukojc et al., 2013).
Además, BioWin incorpora el modelo de sedimentación basado en la teoría del
flujo de sólidos (Manual del usuario de BioWin, 2008). En esta Tesis Doctoral, se
seleccionó el módulo MBBR para los reactores de biopelícula, el módulo FA para
el reactor aerobio de fangos activos y el modulo de decantación secundaria
para describir los dos decantadores secundarios. BioWin utiliza el modelo
unidimensional (1D) de biopelícula para los reactores MBBR y un modelo de
reactor de mezcla perfecta (CSTR) para el reactor FA. Se selecciona el modelo
ASM2d para describir los procesos biológicos mientras que los parámetros del
modelo fueron seleccionados en el BioWin por defecto; además las fracciones de
177
la demanda química de oxígeno total (DQOT) en el influente se calculan
siguiendo el procedimiento recomendado por dicho software.
Aspen Custom Modeler (ACM) v.7.2

En esta Tesis, el software Aspen Custom Modeler (ACM) se ha utilizado como una
potente herramienta que permite diseñar modelos específicos de cada unidad
del proceso BAS. El modelo matemático para el proceso BAS implementado en
Aspen Custom Modeler ha sido detallado previamente en el capítulo 6.
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.
La simulación y optimización preliminar se han realizado sobre la configuración del

proceso BAS en los escenarios II y III de un influente industrial con las características
recogidas en la Tabla 7-1.

Esc. Origen
Celulosa
II 1,0q 0,68s 5,21c 3,73c 3,99n 0,84p 0,5n 0,93c
y viscosa
En ambos escenarios de estudio las condiciones operacionales son diferentes en

cuanto a la dosificación de nutrientes (100DQOs:N:P), edad del fango (EF), caudal
de purga de fango en exceso (QP) y factor de recirculación de fango (R). La
media de los valores de las condiciones operacionales para ambos escenarios de
estudio se muestra en la Tabla 7-2.
178
Tabla 7-2. Valores medios de las principales condiciones de operación en cada escenario de estudio.
Variables de operación Escenario II Escenario III

Origen del agua residual Celulosa y viscosa Celulosa
DQOs:N:P 100:2,14:0,28 100:1,13:0,24
EF (días) 19 30
QP (m3/día) 1.082 636
R (%) 110 80
7.2.1. Simulación de DQOT, DQOs y SST
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.
En la Figura 7-1, los resultados experimentales y simulados de DQOs en la corriente

de salida de los reactores MBBR1 y FA son similares a los resultados experimentales,
utilizando BioWin y el modelo propuesto en el capítulo 6. En la Tabla 7-3 se
muestran las desviaciones estándar entre las concentraciones experimentales y
simuladas de DQOs en las corrientes de salida de cada reactor biológico.
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 %).
Es de destacar, que el valor de la desviación estándar de DQOs en el reactor

MBBR2 (11%) en el escenario III, utilizando BioWin, se convierte en un valor más bajo
en el reactor FA (5,8 %) (Figura 7-1 y Tabla 7-3). Esta disminución de la desviación
estándar, se produce debido a que la DQOs en la entrada del reactor FA es baja
y puede ser eliminada fácilmente (excepto la fracción inerte SI) porque el valor de
la edad del fango (30 días) es alto en el reactor FA (von Sperling, 2007; van
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
Desviación estándar de SST (%)

MBBR1 MBBR2 FA Efluente final
Esc. BW MP BW MP BW MP BW MP
II 8,9 8,5 9,1 9,3 42,9 6,2 30,9 9,2
III 9,8 7,9 35,4 8,7 37,6 8,2 25,1 8,9
En la Figura 7-2 se muestran, los resultados experimentales y simulados de SST en la

corriente de salida del reactor MBBR1 utilizando BioWin y el modelo propuesto en
los dos escenarios de estudio. A pesar de la buena corcondancia de los valores
(desviación estándar < 10 %), los resultados simulados de SST en el reactor MBBR2
en el escenario III y en el reactor FA en el escenario II y III, utilizando BioWin,
presentan valores de desviación estándar superiores al 35 % (Tabla 7-3).
En el proceso BAS, las poblaciones de microorganismos en la etapa de biopelícula

(reactores MBBR1 y MBBR2) y en la etapa de fangos activos (reactor FA) son
diferentes: la etapa de biopelícula genera una cantidad sustancial de bacterias
de rápido crecimiento (heterótrofas) y la etapa de fangos activos promueve el
crecimiento de microorganismos depredadores (Sointio et al. 2006, van Haandel y
van Lubbe, 2015). Además, en el proceso BAS de estudio, la etapa de biopelícula
está constituida por dos reactores MBBR en serie que presentan diferentes
condiciones de carga orgánica soluble aplicada por área de biopelícula (SCLR) y
por tanto diferentes grupos de microorganismos.
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.
La corriente de entrada al reactor MBBR1 presenta valores de SCLR > 20 g DQO/m2

día y por lo tanto el MBBR1 se comporta como un típico reactor de biopelícula sin
depredación e hidrólisis. Sin embargo, en el MBBR2, en el escenario III, presenta
valores bajos de SCLR produciéndose la hidrólisis. En el escenario II estos dos
procesos biológicos no ocurren debido a que la carga orgánica a la entrada del
reactor MBBR2 es mayor que 20 g DQO/m2 día. Por tanto, el valor de la desviación
estándar de DQOs en el reactor MBBR2 obtenida con BioWin es bajo (6,4 %, Tabla
7-3) en el escenario II; sin embargo, el valor de la desviación estándar aumenta en
el escenario III (11 %, Tabla 7-3), debido a que el proceso de hidrólisis del sustrato
secundario (XS) produce un aumento de DQOs en el líquido del reactor MBBR2,
aspecto que el simulador BioWin no lo tiene en cuenta.
Los simuladores específicos para una EDAR no incluyen depredación en los

modelos biocinéticos debido a que utilizan los modelos ASM propuestos por la
IWA; sin embargo, el modelo propuesto implementado en ACM, incluye la
depredación en los reactores MBBR, activando y desactivando las ecuaciones
que representan el crecimiento de los microorganismos depredadores cuando el
valor de SCLR es menor o mayor que 15 g DQO/m2 día (Ødegaard, 1999; van
Haandel y van der Lubbe, 2015; Revilla et al., 2016a). En relación con la hidrólisis,
los simuladores específicos para una EDAR, incluyen la hidrólisis del sustrato
secundario. En este trabajo, no se ha considerado la hidrólisis en los reactores
MBBR, utilizando el simulador BioWin, ya que este software no diferencia entre la
hidrólisis del sustrato primario presente en el agua residual original (celulosa, Xcel) y
la hidrólisis del sustrato secundario (Xs) producido por la inactivación bacteriana
(Morgenroth et al., 2002). La hidrólisis del sustrato primario requiere una edad del
fango elevada y por tanto solamente ocurre en el reactor FA (Ruiken et al., 2013);
como consecuencia la hidrólisis del sustrato primario y secundario en esta etapa
del proceso BAS es incluida en el BioWin y en el modelo propuesto.
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 %).
Adicionalmente, en la Figuras 7-1 y 7-2, se muestran los valores experimentales y

simulados de DQOT y SST en el efluente final. Las desviaciones estándar obtenidas
con el BioWin son superiores al 12 % y al 25 % respectivamente, en ambos
escenarios de estudio (Tabla 7-3) debido a que la depredación no se incluye en el
modelo ASM2d que utiliza BioWin.
Finalmente, en la Tabla 7-5 se muestra una de las principales características del

proceso BAS: el bajo valor del parámetro sludge yield (Ton SST/Ton DQOs),
parámetro que relaciona las toneladas de fango en exceso con las toneladas de
DQOs eliminada. Los resultados simulados del sludge yield utilizando BioWin son
superiores a los resultados experimentales; sin embargo, los resultados simulados
utilizando el modelo propuesto son similares a los experimentales. Por lo tanto, se
confirma la influencia de la depredación, principalmente en la etapa de FA
(etapa depredadora) en el proceso BAS industrial.
Tabla 7-5. Valores experimentales, simulados y optimizados del sludge yield en el escenario II y III.
Sludge yield (Ton SST/Ton DQOs)
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.
La baja concentración de N y P en las aguas residuales de la industria de celulosa

y viscosa no es suficiente para satisfacer las necesidades del crecimiento
bacteriano (Slade et al., 2004; Swamy et al., 2011); por lo tanto, es necesario
agregar los nutrientes necesarios para lograr el nivel óptimo de tratamiento
biológico de este tipo de aguas residuales (Elsergany et al., 2015). La adición de
los nutrientes tiene un impacto significativo en los costes de operación en el
tratamiento de aguas residuales. El propósito de esta sección es simular el
comportamiento del proceso BAS cuando se disminuye la dosificación de
nutrientes respecto de la dosis inicial (Tabla 7-2) y observar las consecuencias
sobre el porcentaje total de eliminación de DQOs.
La Figura 7-3 muestra cómo la reducción de la dosificación de nutrientes influye

en el porcentaje de eliminación global de DQOs en el proceso BAS utilizando
BioWin y el modelo propuesto.
En primer lugar, se observa que cuando no hay reducción de nutrientes el

porcentaje de eliminación de DQOs es un 76 % para el escenario II y de un 85 %
para el escenario III. Ambas herramientas de simulación predicen la posibilidad de
reducir los nutrientes en ambos escenarios sin reducir el porcentaje de eliminación
de DQOs; sin embargo, se obtienen diferentes valores: 60-65 % de reducción con
el modelo propuesto y 17-21 % con BioWin. Estas diferencias se deben a que los
nutrientes son regenerados en la etapa FA debido al proceso de depredación y
por lo tanto puede dosificarse una menor cantidad de nutrientes, como ha sido
verificado por diferentes autores como Lidblom (2003); Moussa et al. (2005); Sointio
et al. (2006); Rankin et al. (2007) y Hao et al. (2011). Esta regeneración se tiene en
cuenta en el modelo propuesto. La relación más baja de DQOs:N;P obtenida en
el influente del proceso BAS es de 100:0,74:0,105 en el escenario II y 100:0,44:0,08
en el escenario III utilizando el modelo propuesto.
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).
7.2.2. Optimización preliminar del proceso BAS
Los resultados obtenidos en esta sección se basan en una optimización preliminar

del proceso BAS realizada sobre los mejores resultados de simulación obtenidos en
las secciones anteriores; por este motivo se utiliza el software ACM que utiliza el
modelo propuesto y que adicionalmente incorpora las herramientas de
optimización.
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 de productos químicos 75 62
Coste energético 22 35
Coste de gestión del fango en exceso 3 3
En este capítulo se consideran tres funciones objetivo diferentes: a) minimización

de los nutrientes (N y P) en el efluente final, b) minimización de la producción de
fango en exceso y c) maximización de la concentración de fango tanto en la
corriente de recirculación como en la corriente de fango en exceso. La
optimización de estas tres funciones objetivo permite disminuir los costes totales de
operación.
Minimización de nitrógeno total (NT) y fósforo total (PT) en el efluente final

En esta sección es necesario señalar, que cuando las bacterias son consumidas
por los microorganismos depredadores en los reactores MBBR2 y FA, los nutrientes
contenidos en las bacterias son regenerados y, por lo tanto, están disponibles
para otros microorganismos. En el caso del reactor FA, la concentración de
nutrientes que no es consumida por los microorganismos es vertida al medio
receptor a través del efluente final y en consecuencia, la minimización de
nutrientes en el efluente es importante para prevenir la eutrofización en las aguas
receptoras (EC, 1991; IPPC, 2015).
La minimización de NT y PT en el efluente es la función objetivo incorporada en el

software ACM, la dosificación de nutrientes en el influente (NT y PT) son las
variables de control y el porcentaje de eliminación de DQOs (mayor del 76 % en el
escenario II y 85 % en el escenario III) es la restricción dinámica para cada
escenario al final de cada simulación.
Los valores simulados de NT (g N/m3) y PT (g P/m3), no se introducen como

variables de estado en el modelo matemático; sin embargo, se calculan
mediante las Ecuaciones 7-1 y 7-2:
NT  XAut  XH  Xpre   iN,BM  XI  XS   iN,XI  SNO3  SNH4  SND (Ec.7-1)
PT  X Aut  XH  Xpre  i P,BM  XI  X s   i P,XI  SPO4 (Ec.7-2)
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).
La Figura 7-4 muestra la evolución de la concentración de nutrientes y la

eliminación de DQOs durante un periodo de simulación de 170 días con las
condiciones óptimas obtenidas en el estado estacionario. Se observa que se
requieren 100 días para obtener el estado estacionario y hasta ese momento la
concentración de los nutrientes en el influente varía y por lo tanto también varían
las concentraciones de NT y PT en el efluente y la eliminación de DQOs. Los
resultados obtenidos en estado estacionario muestran que la concentración
mínima de nutrientes en el efluente se obtiene usando una relación DQOs:N:P de
100:0,89:0,13 y 100:0,42:0,08 en el influente del escenario II y III, respectivamente,
las cuales son muy similares a la dosis obtenidas en la sección 7.2.2.
Además, la minimización de la dosificación de nutrientes conduce

simultáneamente a una disminución de la producción de fango en exceso que se
refleja en una disminución del valor del sludge yield (Tabla 7-4).
En el proceso BAS, la biomasa desprendida de los soportes plásticos en la etapa

MBBR, es la principal fuente de alimento de la etapa FA. La Tabla 7-4 muestra que
el sludge yield disminuye respecto a los valores experimentales debido a la
minimización de la dosificación de nutrientes, en concreto en un 12,5 % (de 0,207
a 0,181 Ton SST/Ton DQOs) en el escenario II y en un 0,64 % (de 0,155 a 0,152 Ton
SST/Ton DQOs), en el escenario III.
Como consecuencia de la disminución de nutrientes en el influente (incluyendo la

disminución producida en el sludge yield), el coste total de operación disminuye
en un 9,45 % y en un 4,72 % para los escenarios II y III, respectivamente.
Minimización de la producción de fango en exceso (Ton SST/día)

La reducción de la producción de fango en exceso en una EDAR presenta un
gran interés económico ya que el tratamiento de los fangos es costoso y puede
representar porcentajes importantes del coste total de operación de la EDAR
(Ramdani et al., 2010).
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.
En esta sección, la minimización de la producción de fangos en exceso (Ton

SST/día) es la función objetivo y el caudal de la corriente de fango en exceso
(m3/día) es la variable de control. Se han incluido tres restricciones dinámicas al
final de un período de simulación de 200 días: a) la concentración de N y P en el
efluente final tienen que cumplir con los requerimientos para las descargas de
plantas de tratamiento de aguas residuales urbanas (Directiva 91/271 / ECC; IPPC,
2015), así como los niveles de emisión para la descarga de aguas residuales de la
fabricación de pasta de celulosa al sulfito asociados a las mejores técnicas
disponibles (MTD), b) la concentración de SST en el reactor FA tiene que estar en
el intervalo de 3 a 4 kg/m3 para un correcto funcionamiento del proceso biológico
como proponen autores como van Haandel y van der Lubbe (2015), y c) el
porcentaje de eliminación de DQOs tiene que ser igual o superior al 76 % y al 85 %
en el escenario II y III, respectivamente, ya que es el máxima eficiencia que se
puede obtener en este tipo de aguas residuales de estudio mediante tratamiento
biológico, como se ha demostrado en el capítulo 6. La relación óptima de
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.
El coste de operación total disminuye un 9,64 % y un 4,95 % en los escenarios II y III,

respectivamente, mediante la minimización combinada de nutrientes en el
efluente y de la producción de fango en exceso.
Maximización de la concentración de fango en la corriente extracción de fango

El aumento de la concentración de fango en la corriente de fango en exceso
(SSTP) permite disminuir el coste de operación total debido a la disminución de la
cantidad de floculantes para deshidratar el fango en exceso (Henze et al., 2008).
En esta sección, la maximización de la concentración de fango en la corriente de
extracción o de purga (SSTP) es la función objetivo, el factor de recirculación(R) la
variable de control y la restricción dinámica al final del período de simulación de
200 días, es la concentración de SST en el reactor de FA del proceso BAS, cuyo
valor óptimo se establece entre 3-4 kg/m3 (Van Lubbe y Van Haandel, 2015).
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.
El decantador secundario juega un papel crucial en el proceso BAS: a) para

concentrar el fango en la corriente de purga y en la corriente de recirculación
(función de espesamiento) y b) como clarificador para producir un efluente de
buena calidad con baja concentración de SST (función de clarificación) (Van
Haandel y van der Lubbe, 2015). Aunque el modelo de doble exponencial de
Takács et al. (1991) se utiliza en el modelo propuesto para modelar la etapa de
decantación, el método State Point Analysis (SPA) es una herramienta que
permite examinar el comportamiento (función de clarificación y espesamiento)
de los decantadores secundarios bajo diferentes condiciones de operación
(Amanatidou et al., 2015a).
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.
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
Valores óptimos 11,6 40 46 10,7 40 92
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 función de clarificación se evalúa por la ubicación del state point en relación a

la curva Gg pudiendo generar tres situaciones: a) baja carga de sólidos, cuando
el state point está dentro de la curva Gg y se obtiene una baja concentración de
SST en el efluente final, b) carga crítica de sólidos, cuando el state point está
situado en la curva de Gg, es decir, se opera en los límites permitidos y c)
Sobrecargado, cuando el state point está fuera de la curva Gg y se obtiene una
elevada concentración de SST en el efluente final (Henze et al., 2008).
La función de espesamiento se evalúa por la ubicación de la línea UFL en relación

a la curva Gg pudiendo generar tres situaciones: a) baja carga de sólidos, cuando
la línea UFL está dentro de la curva Gg y por lo tanto no hay una acumulación
significativa de fango, b) carga crítica de sólidos, cuando la línea UFL es
tangencial a la parte descendente de la curva Gg y se genera un manto de
fango acumulado, pero se opera en los límites permitidos y c) Sobrecargado,
cuando la línea cruza la parte descendente de la curva G g y parte del fango
acumulado asciende hacia el efluente, con lo cual también la clarificación falla
En la Figura 7-6 se muestra el efecto de la disminución del factor de recirculación

(R) sobre la concentración de SSTP mediante el método SPA. La verificación del
correcto funcionamiento del decantador secundario con el método SPA
comienza con los valores experimentales del factor de recirculación de R =110 %
en el escenario II y de R= 80 % en el escenario III (Tabla 7-2).
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.
En el escenario III el valor de R= 40 % es el valor óptimo de la operación, ya que, a

valores de R inferiores, la función de espesamiento puede llegar a ser crítica e
incluso a fallar. Por tanto, para ambos escenarios de estudio, el valor óptimo de R
es de un 40 % y los valores de SSTP obtenidos son de 11,6 kg/m3 en el escenario II y
de 10,7 kg/m3 en el escenario III. Estos valores óptimos de operación en la
concentración SSTP permiten disminuir la cantidad de floculantes en un 14,5 % en
el escenario II y en un 13,5 % en el escenario III, obteniéndose una reducción extra
en los costes de operación de un 0,34 % y 0,36 % en cada escenario estudiado.
En la Tabla 7-8 se muestra un resumen de la reducción de los costes de operación

obtenida mediante las tres funciones objetivo.
193
Tabla 7-8. Reducción de los costes de operación mediante las tres funciones objetivo.
Funciones objetivo Escenario II Escenario III
Minimización de NT y PT en el efluente (%) 9,45 4,72
Minimización de la producción de fango (%) 0,19 0,23
Maximización de la concentración de fango (%) 0,34 0,36
Reducción total (%) 9,98 5,31
7.3. Conclusiones
En esta Tesis Doctoral, se examinan dos tipos de software para la simulación de un

proceso BAS: software específico de tratamiento de aguas residuales (BioWin) y
software general de ingeniería química de procesos (Aspen Custom Modeler-
ACM-). Los resultados simulados utilizando BioWin no ajustan adecuadamente los
resultados experimentales de DQO total (DQOT), DQO soluble (DQOs) y sólidos en
suspensión totales (SST) para el tratamiento de las aguas residuales de celulosa y
viscosa. Sin embargo, utilizando un software de general de ingeniería química que
incluye un modelo detallado con depredación, los resultados simulados se ajustan
adecuadamente.
El éxito de los actuales modelos ASM para un proceso de fangos activos

convencional no demuestra la necesidad de incluir la depredación; sin embargo,
la depredación debe incluirse en los modelos de los reactores MBBR y FA de un
proceso BAS.
El software ACM permite optimizar el proceso utilizando el modelo propuesto,

obteniéndose valores óptimos para la relación de DQOs:N:P, el caudal de la
corriente de fango en exceso y la producción de fango para cada escenario de
estudio. La principal reducción del coste total de operación proviene de la
disminución de nutrientes, mientras que la optimización de la producción de
fango y la concentración de fango en la corriente de fango en exceso, permite
reducciones adicionales en el coste de operación.
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
 Propuesta de una nueva metodología de optimización para un proceso

BAS.
 El modelo de optimización incluye una aproximación simplificada de la

teoría del flujo limitante de sólidos en la etapa de decantación
secundaria.
 Inclusión de criterios económicos, de calidad de efluente y técnicos en la

metodología de optimización.
 Reducción del coste operacional hasta un 25 % y un 62 % en la

contaminación del efluente final en condiciones óptimas.
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).
La optimización multi-objetivo es ampliamente aplicada en la operación y diseño

de una EDAR para diferentes aplicaciones, utilizando enfoques interactivos entre
varias herramientas de optimización y toma de decisiones (Rivas et al., 2008;
Garrido-Baserba et al., 2016; Sweetapple et al., 2014; Dai et al., 2016). Sin
embargo, actualmente no existe una metodología sistemática de optimización
multi-objetivo de un proceso BAS que opera bajo deficiencia de nutrientes, tanto
a escala de laboratorio como a escala industrial, en ningún trabajo aceptado por
la comunidad científica.
En general, las aguas residuales municipales contienen una alta concentración de

nutrientes (N y P) que satisfacen los requerimientos nutricionales del metabolismo
microbiano; sin embargo, en este trabajo, se estudian aguas residuales industriales
deficientes en estos nutrientes y esta limitación hace que sea necesario añadirlos
de forma externa al agua residual, con el consiguiente incremento significativo de
los costes operacionales del tratamiento biológico (Rankin et al, 2007).
En esta sección de la Tesis Doctoral se presenta la propuesta de una metodología

de optimización multi-objetivo para un proceso BAS que opera en condiciones de
limitación de nutrientes para el tratamiento de aguas residuales. La minimización
simultánea del impacto ambiental del efluente final, los costes operacionales y las
consideraciones de aspectos técnicos del proceso, son los principales objetivos de
este procedimiento. La aplicabilidad de la metodología propuesta se muestra
utilizando dos escenarios de estudio a escala industrial de una EDAR de la industria
de celulosa y viscosa.
197
8.1. Identificación del problema de optimización
Planteamiento del problema de optimización

El problema de optimización de las condiciones operacionales del proceso BAS
de estudio se plantea de la siguiente manera: conociendo los parámetros de
diseño del proceso BAS y el influente del proceso biológico (caudal y
concentraciones de los compuestos contaminantes), el objetivo de este problema
de optimización es identificar las condiciones de operación de la EDAR para
obtener el mínimo coste operacional y la mínima descarga de contaminantes en
el efluente final, considerando varias especificaciones técnicas del proceso
biológico.
Modelo de optimización del proceso BAS a escala industrial

La descripción del modelo matemático para el proceso BAS (reactores MBBR,
reactor de FA y decantadores secundarios) incluyendo las reacciones biológicas
(modelo biocinético) así como los coeficientes estequiométricos y cinéticos, se
detallan en los capítulos 4, 5 y 6 de la presente Tesis Doctoral.
En el modelo de optimización, además de utilizar el modelo matemático

propuesto, se incluye un enfoque simplificado del concepto del flujo limitante de
sólidos para evitar una sobrecarga de sólidos en los decantadores secundarios y
que parte de estos sólidos se escapen a través del efluente final (von Sperling,
2007).
El concepto de flujo limitante de sólidos (GL) se refiere al flujo máximo de sólidos

que puede transportarse hacia la parte inferior del decantador secundario sin que
las funciones de clarificación y espesamiento se vean afectadas. En la Figura 8-1
se muestra la curva del flujo total de sólidos (G T) frente a la concentración de
sólidos en suspensión totales (SST), donde la intersección en el eje Y de la tangente
al mínimo de la curva GT, representa el valor de GL (Bae y Kim, 2008).
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).
vs  vo  eKSST (Ec. 8-2)
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):
dG T(SST) (Ec. 8-3)

0
dSST
Para obtener el mínimo de la curva GT, se tiene que comprobar cuál de los puntos
extremos cumplen la Ecuación 8-4:
d2GT(SST) (Ec. 8-4)

0
d2 SST
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):
QIn (Ec. 8-5)

HLR 
Ad
SLR 
Q
In

 QR  SSTFA (Ec. 8-6)
Ad
v s  v o  e KSSTFA (Ec. 8-7)
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).
Los valores de Vo, K, m y n están relacionados con el índice volumétrico de fango

(IVF) indicando el grado de sedimentabilidad del fango. En este contexto, se han
utilizado los valores de la Tabla 8-1 para un IVF entre 100 -200 ml/g,
correspondiente a una sedimentabilidad del fango moderada, ya que es
necesario tener en cuenta un factor de seguridad (von Sperling, 2007).
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).
v0 (m/día) K (m3/Kg) m (-) n (-)
206,4 0,50 8,41 0,72
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:
i) Función de clarificación: HLR< Vs
ii) Función de espesamiento: SLR<GLs
Con el objeto de asegurar una consistencia operacional, en el modelo se incluyen

valores límite en determinadas variables operacionales, tanto en los decantadores
secundarios como en el reactor de fangos activos (Espírito-Santo et al., 2013).
Dichos valores se han seleccionado de entre un conjunto de valores disponibles
en la literatura en base a la experiencia de trabajo con EDARs industriales (Henze
et al., 2008; van Haandel y van der Lubbe, 2015; Hreinz et al., 2015a).
En el decantador secundario, el límite inferior impuesto al tiempo de retención

hidráulica (vd) es de 1 hora, debido que, si vd es inferior a este valor, la
turbulencia generada en los decantadores puede provocar problemas de
separación sólido-líquido; sin embargo, si vd es superior a 3 horas, puede ocurrir el
fenómeno de desnitrificación, dando lugar a la elevación del fango producido
por las burbujas de N2 (van Haandel y van der Lubbe, 2015; Comas et al., 2008).
Además, para asegurar que se cumplen los límites de vd, el factor de
recirculación debe estar entre el 50 % y 150 % (von Sperling, 2007).
Con el fin de evitar la pérdida de eficiencia en la eliminación de DQOs, se impone

un límite inferior a la concentración de los sólidos de suspensión totales en el
reactor de fangos activos (SSTFA) de 2 Kg/m3 (Hanaken et al, 2013; van Haandel y
van der Lubbe, 2015).
8.2. Metodología de optimización
El objetivo planteado en esta sección es la reducción de los costes operacionales,

la reducción de la cantidad de contaminantes descargados en el efluente final y
la reducción de la producción de fangos en exceso generados, así como la
necesidad de que el proceso BAS a escala industrial opere correctamente dentro
de los límites técnicos de operación. Además, esta metodología de optimización
implica otros desafíos como el elevado número de ecuaciones (no lineales) y
variables, el comportamiento de distribución dinámica y espacial de los
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.
La metodología de optimización para cumplir los objetivos propuestos se divide en

cuatro pasos consecutivos: a) generación de alternativas, b) simulación de la
etapa MBBR en estado estacionario, c) optimización multi-criterio y, d) proceso de
toma de decisiones. Este enfoque simplifica la convergencia matemática de los
modelos y la determinación de los puntos iniciales de las variables.
En la Figura 8-2 se muestra un diagrama de flujo de la metodología de

optimización propuesta y el procedimiento matemático. La metodología también
incluye el conocimiento heurístico y cualitativo como proponen algunos autores
como Comas et al. (2003) en la última etapa de la metodología.
Esta metodología puede utilizarse para aguas residuales que compartan la

característica de alta carga orgánica y deficiencia de nutrientes, como son las
aguas residuales de la industria de celulosa y papel, industria petroquímica,
industria farmacéutica, residuos de cítricos, aguas residuales de la industria
vinícola o de la industria textil (Hussain et al, 2015; Gray, 2004; van Haandel y van
der Lubbe 2015; Freedman et al., 2005; Bakos et al., 2016).
Etapa 1: generación de alternativas

El proceso BAS se aplica al tratamiento biológico de aguas residuales con alto
contenido en DQO y deficiencia de nutrientes, por lo que los nutrientes tienen que
ser dosificados en el influente para satisfacer los requerimientos nutricionales
necesarios para el crecimiento de los microorganismos.
La metodología de optimización comienza con la generación de alternativas

seleccionando una variable independiente como restricción adicional (Hreiz et
al., 2015b). La variable seleccionada es la dosificación de nutrientes en el
influente; esta variable afecta al comportamiento del reactor MBBR y a la
eficiencia global y al coste operacional del proceso BAS. Se consideran diferentes
valores de la dosificación de nutrientes permitiendo la generación de tantas
alternativas como sea necesario dependiendo de la precisión requerida.
Etapa 2: simulación de la etapa MBBR hasta el estado estacionario

El software general de ingeniería química Aspen Custom Modeler se utiliza para
simular el comportamiento espacial y dinámico de la biopelícula de los reactores
MBBR.
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
Ecuaciones restrictivas RESTRICCIONES Y LÍMITES OPERACIONALES Límites
Decantador secundario Decantador secundario Reactor fangos activos

Función de espesamiento: Factor de recirculación (%):
SLR< GL Sólidos en suspensión
50≤R≤150 totales (Kg/m3 )
Función de clarificación: Tiempo de retención 2≤SSTFA ≤5
HLR< v s hidráulico (horas): 1 ≤vd≤ 3
METODOLOGIA DE OPTIMIZACION
1 DISMINUCION DE NUTRIENTES EN EL INFLUENTE EN

GENERACION DE ALTERNATIVAS RELACION A LAS CONDICONES REGULARES DE
OPERACION
2 SIMULACION DE LOS REACTORES MBBR HASTA EL ESTADO ESTACIONARIO
3 OPTIMIZACION MINIMIZACION DE FUNCIONES OBJETIVO: ICE, ICO y ITC

MULTI-CRITERIO
ASPECTOS TECNICOS
4 PROCESO DE
TOMA DE
Problemas de separación Pérdida de eficiencia en la
DECISIONES
sólido-líquido eliminación de DQO
Rising sludge: Bulking: Pin -point NT> 4 g/m3 y PT>0,3 g/m3

S NO3 (nitrato)< 8 g/m3 NT> 4 g/m3 y PT>0,3 g/m3 floc:
EF<40 días
NO ¿SOLUCIONES OPTIMAS? SI SELECCION
Figura 8-2. Esquema de la metodología de optimización.
Una vez alcanzado el estado estacionario, los resultados de la corriente de salida

de la etapa de biopelícula MBBR para cada alternativa, se introducen en el
software de optimización para obtener las condiciones óptimas del resto del
proceso BAS. Este procedimiento es útil ya que facilita la determinación de los
puntos iniciales de las variables para el proceso de optimización y requiere mucho
menos esfuerzo computacional que el uso de un software de optimización en
condiciones dinámicas y espaciales.
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).
El índice de calidad del efluente (ICE), mide la presencia de contaminantes en el

efluente. El índice del coste operacional (ICO), evalúa los gastos de operación en
la EDAR. Estos índices han sido cuantificados utilizando varios criterios que
permiten evaluar el grado de satisfacción de las funciones objetivo. El índice total
de costes (ITC) se utiliza adicionalmente para relacionar los índices anteriores (ICE
y ICO), y se minimiza mediante el método de la suma ponderada (Flores-Alsina et
al., 2008). A continuación, se describen los índices utilizados:
 Índice de calidad del efluente (ICE, Kg contaminación/día): este índice

cuantifica en un solo término la carga de contaminación del efluente que es
vertida al medio acuático (kg de contaminación/día) (Copp, 2002; Flores-
Alsina et al., 2009; Foscoliano et al., 2016). La descarga de diferentes
contaminantes en el efluente se considera como la suma ponderada de seis
criterios que componen el índice ICE: nitrógeno total Kjeldahl (NTK), DQOT,
DBO, SST, nitrato (SNO3) y fósforo total (PT) expresados en unidades de
concentración (g/m3). La Ecuación 8-9 muestra la suma ponderada de cada
criterio de evaluación donde QEfl es el caudal de efluente final (m3/día).
ICE  20  NTK  1 DQOT  2  DBO  2  SST  20  SNO3  100  PT  QEfl  103 (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):
NTK  XAut  XH  XPr e   iN,BM  XI  XS   iN,XI  SNH4  SND (Ec.8-10)
DBO  0,25  SS  XS   1 fXI   XH  XAut  XPr e  (Ec.8-11)
 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:
Energía de aireación (KWh/día): el cálculo de la energía de aireación se basa

en los requerimientos de oxígeno en los reactores biológicos aerobios (MBBR y
FA). Supone la suma de tres criterios de evaluación como propone El-Shorbagy
et al. (2013): a) la demanda carbonosa (DC), debida a la oxidación del
material orgánico para suministrar oxígeno en la síntesis bacteriana y a la
respiración endógena de los microorganismos, b) demanda nitrogenada (DN),
debido a la oxidación de la materia nitrogenada (nitrificación) y, c) energía de
mezcla (EM), con el fin de mantener la biomasa en suspensión en los reactores
MBBR y FA. La Ecuación 8-12 permite el cálculo del consumo de energía de
aireación debido a estos tres criterios (von Sperling, 2007) expresada en
unidades de KWh/día. El cálculo de DC y DN se basa en la edad de fango en
los reactores biológicos y es comúnmente utilizado en diferentes trabajos de
investigación aceptados por la comunidad científica (Grady et al., 1999;
Metcalf y Eddy, 2003; von Sperling, 2007; Henze et al., 2008; van Haandel y van
der Lubbe, 2015). Para el cálculo de EM, se utiliza un valor de 10 W/m3 para
estimar los KWh/día que se consumen en los tres reactores biológicos del
proceso BAS.
Energía de aireación  DC  DN  EM (Ec.8-12)
Producción de fango en exceso (PF, Ton SST/día): se calcula mediante el

producto del caudal de la corriente de fango en exceso (QP, m3/día) y la
concentración de fango en dicha corriente (SSTP, g/m3) (Ostace et al., 2013;
Zhou et al., 2015). La producción de fango se expresa en unidades de Ton
SST/día (Ecuación 8-13):
PF  QP  SSTP   106 (Ec.8-13)
Energía de bombeo (EB, KWh/día): se calcula mediante la suma ponderada

del caudal de la corriente de fango en exceso (QP, m3/día) y el caudal de la
corriente de recirculación de fango (QR, m3/día), utilizando el factor de
ponderación de energía propuesto por los autores Copp (2002) y Chen et al.
(2016). La Ecuación 8-14 muestra el cálculo de EB:
EB  0,04  QP  QR  (Ec.8-14)
Coste de nutrientes (CN, €/año): se calcula como la suma ponderada de la

dosificación de nitrógeno, como urea, y la dosificación de fósforo, como ácido
fosfórico, expresados en unidades de Kg/día. La Ecuación 8-15 muestra el
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):
KgN KgP (Ec.8-15)

CN  220,83   77,74 
día día
Finalmente, el índice de coste operacional (ICO) expresado en unidades de

€/año se calcula mediante la Ecuación 8-16 a través de la suma ponderada
de los criterios de evaluación descritos anteriormente y utilizando los factores
de ponderación que proponen los autores Copp (2002) y Zhou et al. (2015).
ICO  25  DC  DN  EM  EB  75  PF  CN (Ec.8-16)
 Índice total de costes (ITC, €/año): el problema de optimización multi-objetivo

se inicia en este trabajo mediante el método de la suma ponderada, donde
las dos funciones objetivo descritas anteriormente (ICE y ICO) se multiplican por
un coeficiente de ponderación positivo y, a continuación, se optimiza la suma
ponderada. El índice de coste total (ITC) se define en la Ecuación 8-17
(Vanrolleghem y Gillot, 2002; Kim et al., 2015).
ITC  50  ICE  ICO (Ec.8-17)
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.
Etapa 4: proceso de toma de decisiones

La estrategia de optimización propuesta produce una solución óptima para cada
alternativa generada y para cada función objetivo; por tanto, se lleva a cabo un
proceso final de toma de decisiones para seleccionar entre todas las alternativas
óptimas. La última parte de la metodología incluye condiciones de refinamiento,
mediante la inclusión de algunas variables que pueden utilizarse como variables
de toma de decisiones.
La última etapa de decantación secundaria del proceso BAS es la que permite la

separación del fango y el agua depuradora. La separación de los fangos
depende de la forma en que crecen los microorganismos, habitualmente
generando grandes agregados (flóculos), ya que los microorganismos individuales
son demasiado pequeños para poder decantar. Sin embargo, el crecimiento de
los microorganismos no siempre genera grandes flóculos, dando lugar a
problemas de separación sólido-líquido. En este contexto, la mayoría de los
modelos matemáticos no incluyen estos aspectos; sin embargo, el crecimiento
206
adecuado de los microorganismos se considera dentro de la metodología de
optimización propuesta con el fin de mejorar el modelo de optimización.
Con el objetivo de evitar el riesgo de que se produzcan problemas de separación

sólido-líquido en la etapa de decantación y la pérdida de eficiencia global en la
eliminación de DQO en el proceso BAS, se seleccionan varios aspectos técnicos
como variables de refinamiento o de toma de decisiones (Comas et al., 2008;
Flores-Alsina et al., 2009) (Figura 8-2).
Las variables de toma de decisiones se seleccionan para el caso general de un

proceso BAS para el tratamiento de aguas residuales con alta carga orgánica y
limitación de nutrientes que pueden proceder de diferentes tipos de procesos
industriales. En función del proceso BAS objeto de estudio, en cada caso las
variables de toma de decisiones pueden tomar diferentes valores. Aunque los
procesos BAS específicos en los que se apliquen estas variables pueden trabajar
sin cumplir dichas especificaciones, el cumplirlas mejora la eficiencia del proceso.
Además, permite clasificar las alternativas óptimas obtenidas en las etapas
previas, facilitando la selección de las mejores condiciones de operación.
8.3. Escenarios de estudio
La EDAR a escala industrial opera con la configuración de un proceso BAS (Figura

8-3) en dos escenarios de estudio diferentes, el escenario II y III (Tabla 8-2),
partiendo de las condiciones de operación regulares mostradas en la Tabla 8-3.
Como se observa en la Tabla 8-3, los valores de la relación de nutrientes

dosificados (DQOs:N:P) en el influente del proceso BAS de estudio, es mucho
menor a la relación establecida como regla general (100:5:1). Esto se debe a las
grandes cantidades de nutrientes que se regeneran en el reactor FA (Comeau et
al., 2003) debido a la biomasa consumida por los microorganismos depredadores.
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.
Esc. Origen
Celulosa
II 1,0q 0,68s 5,21c 3,73c 3,99n 0,84p 0,5n 0,93c
y viscosa
Es importante destacar que el tiempo de retención hidráulica en los

decantadores secundarios (vd) para un proceso BAS bien operado, debe estar
entre 1 y 3 horas (van Haandel y van der Lubbe, 2015); sin embargo, vd es de 6,07
horas en las condiciones regulares de operación en el escenario III; por lo tanto,
en el presente trabajo, con el objetivo de optimizar las condiciones operacionales,
sólo se considera un decantador secundario en el escenario III, ya que el uso de
dos decantadores secundarios en paralelo daría soluciones no factibles (Figura 8-
3).
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*
vd (horas) 3,12 6,07
DQOs:N:P 100:2,14:0,28 100:1,13:0,24

Condiciones
regulares de R (%) 110 80
operación
EF (días) 19 30
QP (m3/día) 1.082 636
Eliminación global de DQOs (%) 76 85

Principales
resultados Sludge yield (Ton SST/Ton DQOs) 0,207 0,155
experimentales
Eficiencia (Ton DQOs /día) 35,4 28,3
ITC (€/m3) 0,431 0,401
Índices de
ICE (Kg contaminación/m3) 1,790 0,861
optimización
ICO (€/m3) 0,186 0,245

*q, valor de referencia para el caudal del influente (Q).
Finalmente, hay que señalar, que el sistema de aireación en la etapa MBBR y en la

etapa de fangos activos es diferente, aunque el caudal máximo de aire (31.600
Nm3/h) que suministran las turbo-soplantes sea el mismo para los tres reactores
biológicos del proceso BAS industrial. Esto se debe a la diferencia en la eficiencia
de transferencia de oxígeno, 15 % en los reactores MBBR1 y MBBR2, y 42 % en el
reactor FA. La mayor eficiencia de transferencia de oxígeno en el reactor FA
conlleva a un menor flujo de aire suministrado por la turbo-soplante para
satisfacer la demanda carbonosa (DC) y nitrogenada (ND).
209
8.4.1. Generación de alternativas
Un equilibrio correcto de la dosificación de nitrógeno y fósforo en aguas residuales

deficitarias en nutrientes es crucial considerando los siguientes aspectos: a) la
sobredosificación de nutrientes puede producir efluentes con altas
concentraciones de nitrógeno y fósforo (Malmqvist et al, 2007) o a la proliferación
excesiva de bacterias nitrificantes en la etapa FA, las cuales consumen oxígeno y
producen altas concentraciones de nitratos (SNO3); las concentraciones elevadas
de SNO3 pueden generar un problema adicional de separación líquido-sólido en la
etapa de decantación debido al proceso de desnitrificación (Henze et al., 1993)
y, b) la limitación demasiado severa de los nutrientes da como resultado una
pérdida de la eficiencia en la eliminación de DQO y además puede ocasionar
problemas de separación en la etapa de decantación debido a una proliferación
excesiva de bacterias filamentosas (bulking) (Van Haandel y van der Lubbe, 2015;
Welander et al., 2002).
Es destacable la influencia de la disminución de la dosificación de nutrientes en la

producción de fango en exceso de un proceso BAS, debido a que se limita el
crecimiento de los microorganismos heterótrofos en los reactores MBBR con una
menor producción global de fango (Welander et al., 2002).
Diferentes dosificaciones de nutrientes se incorporan en el modelo de

optimización para generar un amplio número de alternativas. En este trabajo, en
el escenario II el valor inicial de la relación DQOs:N:P es 100:2,14:0,28 y se reduce
hasta 100:0,34:0,06 en intervalos de un 5 %. De esta manera se generan 17
alternativas con diferentes dosis de nutrientes. Al igual que en el escenario II, en el
escenario III, se generan 15 alternativas diferentes, con una dosis inicial de
100:1,13:0,24 hasta llegar a 100:0,34:0,07. En este trabajo, no se han reducido más
las dosis de nutrientes, debido a que dosis menores provocan pérdidas de
eficiencia en la eliminación de DQO mayores al 2 %. No obstante, se puede
considerar fácilmente un mayor número de alternativas si fuese necesario
considerando reducciones menos del 5 % respecto a las condiciones regulares de
operación.
8.4.2. Simulación de los reactores MBBR hasta alcanzar el estado estacionario
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.
Los resultados simulados obtenidos en la corriente de salida del reactor MBBR2 se

introducen como valores iniciales en el software de optimización GAMS para
obtener las condiciones óptimas del resto de las etapas del proceso BAS a escala
industrial.
8.4.3. Optimización multi-criterio
La optimización del proceso BAS se realiza para cada alternativa generada,

minimizando el índice total del coste (ITC), que incluye los costes de operación
(ICO) y los criterios de la calidad del efluente (ICE). Como se obtiene una solución
óptima para cada alternativa, se obtienen 17 y 15 soluciones óptimas para los
escenarios de estudio II y III, respectivamente. En general, se observa que la
disminución de la dosificación de nutrientes tiene un gran impacto en el ITC. La
alternativa con el valor más bajo de ITC, evidentemente, es la mejor alternativa, y
se presenta para la dosificación de nutrientes más baja: 100:0,34:0,06 en el
escenario II (ITC=0,208 €/m3) y 100:0,34:0,07 en el escenario III (ITC = 0,244 €/m3).
La Figura 8-4 muestra en un gráfico de caja, la distribución de los valores de los

índices de calidad del efluente y del coste de operación optimizados para todas
las alternativas. Los valores más bajos de ICE y ICO corresponden con la dosis de
nutrientes más bajas.
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.
Además, las gráficas de cajas muestran que la variabilidad de los resultados

optimizados del índice del coste operacional (ICO) son similares en los dos
escenarios de estudio ya que el rango entre el primer y el tercer cuartil es similar;
sin embargo en el escenario II, la variabilidad de los resultados optimizados del
índice de calidad del efluente (ICE) es mayor en el escenario III, debido a que se
parte de una relación inicial de dosificación de nutrientes (condiciones regulares
de operación) mucho mayor que en el escenario II (Tabla 8-3).
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.
En la Figura 8-5 se muestra la contribución de cada criterio en los índices de

calidad de efluente (ICE) y del coste de operación (ICO) para los valores más
bajos y más altos de dosificación de nutrientes cuando se minimiza el índice total
de costes (ITC). En general, cuanto menor es la dosificación de nutrientes en el
influente, menor es el caudal de fango en exceso QP, obteniéndose una edad del
fango (EF) más alta y por consiguiente: a) menos nitrógeno y fósforo se descargan
en el efluente final y por lo tanto se dispone de menos nitrógeno en el reactor FA y
menor será la nitrificación (menos nitrógeno se oxida a nitrato (SNO3) por el
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.
Por estas razones, cuando la dosificación de nutrientes es la más baja

(100:0,34:0,06 y 100:0,34:0,07), la DQO contribuye hasta un 67 % y un 66 % de la
descarga de contaminación en el en el escenario II y III, respectivamente, el SNO3
7-16 % y el PT 1-3 %. Cuando la dosis de nutrientes es la más alta (100:2,14:0, 28 y
100:1,3:0,24), la concentración de DQOT contribuye 20-35 %, SNO3 25-30 %, y el PT
31-33 % para cada escenario II y III, respectivamente. Por otra parte, es notable
que cuando la dosificación de nutrientes es la más baja, la CD se reduce a un 2-
14% debido al flujo de aire suministrado en el reactor AS es menor que en los
reactores MBBR.
Criterios del ICE Criterios del ICO

100 % 100 %
90 % 90 %
Contribución de cada criterio (%)
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.
Case A Case A Case B Case B Case A Case A Case B Case B

Escenario II Escenario III Escenario II Escenario III
PT SST SNO
P TSS NO3 DBO NTK
BOD TKN DQOT
COD CN PE
NC EB EM
ME DN
ND PF
SP DC
CD
Criterios con la máxima (max.) y mínima (min.) dosificación de nutrientes
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

DQOs:N:P 100:0,34:0,06 100:0,34:0,07 100:0,54:0,07 100:0,45:0,10
QP (m3/día) 461 313 1.218 655
R (%) 109 82 109 82
Índices objetivo
TCI (€/m3) 0,208 0,244 0,223 0,270
QEI (Kg de contaminación/m3) 0,684 0,541 0,680 0,593
OCI (€/m3) 0,114 0,170 0,130 0,189

Variables principales
Sludge yield (Ton SST/Ton DQOs) 0,108 0,082 0,155 0,108
Eficiencia (Ton DQOs/día) 34,5 27,9 35,4 28,3
Variables técnicas del proceso de toma de decisiones
EF (días) 39 51 17 28
SNO3 (g/m3) 5,4 1,8 6,5 3,8
NT (g/m3) 5,9 1,9 7,1 4,3
PT (g/m3) 0,1 0,2 0,3 0,6
8.4.4. Proceso de toma de decisiones
Los problemas operacionales de los procesos biológicos generados por el

crecimiento de microorganismos no deseados, se encuentran entre los más
graves y más difíciles de detectar y resolver en las estaciones depuradoras de
aguas residuales (EDARs), dando lugar a pérdidas de eficiencia del tratamiento
biológico y a problemas de separación sólido-líquido en la etapa de decantación
(Clauss et al., 1999; Comas et al., 2003).
Las condiciones óptimas de operación antes del proceso de toma de decisiones

mostradas en la Tabla 8-3 son condiciones adecuadas para el funcionamiento del
proceso BAS; sin embargo, en relación con el crecimiento de microorganismos, se
consideran tres aspectos técnicos: a) si la dosificación de nutrientes en el influente
es demasiado baja puede provocar el crecimiento excesivo de bacterias
filamentosas, dando lugar a problemas de separación sólido-líquido (Flores-Alsina
et al., 2009), b) altos valores de la edad del fango (EF) puede provocar la
formación de un fango sobre-oxidado debido al metabolismo endógeno de los
microorganismos, dando lugar al fenómeno pin-point floc que provoca problemas
de separación sólido-líquido y, c) rising sludge o elevación del fango desde la
zona inferior del decantador secundario hasta la superficie, provocado por la
desnitrificación de los microorganismos heterótrofos facultativos (Flores-Alsina et
al., 2010).
La consideración de estos tres nuevos aspectos técnicos en la metodología de

optimización ayuda a: a) facilitar el equilibrio entre el índice de calidad del
efluente, el índice de costes operacionales y, b) la mejora técnica (Hanaken et
al., 2013).
Las variables de toma de decisiones relacionadas con los aspectos técnicos

descritos previamente y sus valores límite se agrupan en dos categorías:
i) La reducción de la dosificación de nutrientes demasiado severa provoca el

riesgo de la formación de bulking y la disminución de la eficiencia de
eliminación de DQO.
Hasta ahora, la dosificación de nutrientes se ha considerado en el influente; sin

embargo, cuando las concentraciones de NT y PT en el efluente son muy bajas
pueden significar una disminución demasiado severa de la dosificación de
nutrientes que provoca la formación de bulking filamentoso o incluso una
pérdida en la eficiencia de eliminación de DQOs (Van Haandel y van der
Lubbe et al, 2015). Por esta razón, en este trabajo se ha tenido en cuenta los
valores límite de 4 g/m3 para el NT y 0,3 g/m3 para el PT en el efluente, tal y
como propone Welander et al. (2002).
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.
ii) Riesgo de problemas de separación sólido líquido debido al pin-point floc y

rising sludge.
A continuación, se añaden dos nuevos requisitos técnicos: a) concentración

de nitrato (SNO3) en el efluente final y, b) edad del fango (EF) en el reactor de
fangos activos del proceso BAS.
Concentraciones de SNO3 superiores a 8 g/m3 no son recomendables como

proponen los autores Henze et al. (1993) y Flores-Alsina et al. (2010), debido a
que, en la zona inferior del decantador secundario, donde se forman burbujas
de nitrógeno gas por la desnitrificación biológica, puede elevar el fango a la
zona superior y escapar con el efluente, produciendo un aumento de DQOT,
DBO, NTK y PT en el efluente (Comas et al., 2008). Además, valores altos de la
edad del fango (EF) producen un lodo viejo y sobre-oxidado que contiene
altas concentraciones de material inerte, debido a que a las concentraciones
de material orgánico biodegradable son extremadamente bajas cuando se
opera una EDAR con una elevada EF, provocando pin-point floc (Comas et al.,
2003).
La aireación extendida es una variante del proceso de fangos activos, y se

caracteriza por operar con un valor alto de EF y un tiempo de retención
hidráulico (TRH) superior a 30 horas en el que predomina el metabolismo
endógeno de los microorganismos. En el proceso BAS a escala industrial
presentado en este trabajo de investigación, el TRH en la etapa de fangos
activos es superior a 30 horas y se considera como un reactor de aireación
extendida, cuyo valor óptimo de EF tiene que ser igual o inferior a 40 días
(Metcalf y Eddy, 2003) para evitar problemas de pin-point floc.
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 ( ).
La aplicación de esta metodología permite una reducción de los Kg de

contaminación por m3 de agua residual tratada de hasta un 62 % sin
comprometer a la eficiencia del proceso (Ton de DQOs eliminadas/día) y en
relación con los costes operacionales (€/m3), de hasta un 30 %, respecto a las
condiciones regulares de operación del proceso BAS a escala industrial.
En la Figura 8-8 se muestra las diferentes contribuciones de cada criterio de

evaluación en el índice total coste (ITC) para la mejor alternativa generada
después del proceso de toma de decisiones. La principal contribución de los
criterios de calidad del efluente en el ITC es la DQOT (21 % en el escenario II y 17%
en el escenario III), ya que las contribuciones de SNO3 y PT se reducen en
comparación con las condiciones regulares de trabajo debido a la disminución
de la dosificación de nutrientes. La principal contribución de los criterios de los
costes operacionales en el ITC es el consumo de energía para la demanda de
carbonosa (21 % en el escenario II y 28 % en el escenario III) debido a que el
proceso BAS en este trabajo se diseñó para la eliminación de DQO en
condiciones aerobias (Revilla et al., 2016b); además, se observa una gran
disminución en el coste de nutrientes (CN) en comparación con las condiciones
regulares de operación.
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 .
8.4.5. Comparación de la metodología completa de optimización y la

optimización preliminar
En esta sección se compara los valores óptimos obtenidos mediante la
metodología de optimización propuesta en este capítulo con los valores
obtenidos en la optimización preliminar realizada en el capítulo 7 (Tabla 8-5).
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.
Valores óptimos obtenidos con la Valores óptimos obtenidos con la metodología de

optimización preliminar optimización completa

DQOs:N:P 100:0,84:0,13 100:0,42:0,08 100:0,54:0,07 100:0,45:0,10
QP (m3/día) 670 240 1.218 655
R (%) 40 40 109 82
Índices objetivo
TCI (€/m3) 0,285 0,311 0,223 0,270
QEI (Kg de contaminación/m3) 0,940 0,705 0,680 0,593
OCI (€/m3) 0,146 0,191 0,130 0,189

Variables principales
Sludge yield (Ton SST/Ton DQOs) 0,155 0,129 0,155 0,108
Eficiencia (Ton DQOs/día) 35,4 28,3 35,4 28,3
Variables técnicas del proceso de toma de decisiones
EF (días) 30 68 17 28
SNO3 (g/m3) 8,3 6,1 6,5 3,8
NT (g/m3) 8,5 6,3 7,1 4,3
PT (g/m3) 0,6 0,9 0,3 0,6
Por último, es destacable que algunos valores de las variables técnicas del
proceso de toma de decisiones cuando se utiliza la optimización preliminar
superan los límites establecidos en la literatura para evitar los riesgos de problemas
de separación sólido-líquido en la etapa de decantación secundaria, como es la
edad del fango obtenida para el escenario III (68 días) o la concentración de
nitratos (SNO3) en el escenario II (8,3 g/m3).
8.5. Conclusiones
Esta Tesis Doctoral presenta una novedosa metodología de optimización que

permite obtener las condiciones operacionales óptimas para un proceso BAS a
escala industrial que trata aguas residuales con alto contenido en DQO y
deficiencia de nutrientes. El caso bajo estudio se formula como un problema de
optimización matemática combinando criterios económicos y ambientales como
función objetivo.
La metodología de optimización se divide en cuatro etapas consecutivas: a)

generación de alternativas, b) simulación de los reactores MBBR en estado
estacionario, c) optimización multi-criterio y, d) proceso de toma de decisiones.
Esta metodología establece dos niveles de prioridad de varias especificaciones
técnicas, variables esenciales para un buen funcionamiento del proceso
biológico y variables de refinamiento relacionadas con las etapas de fangos
activos y decantación secundaria.
La aplicación de esta metodología en dos escenarios de estudio a escala

industrial a partir de aguas residuales de viscosa y celulosa permite una reducción
de la contaminación por unidad de volumen (m3) de agua residual tratada de
hasta un 62 % y una reducción de los costes de operación (€/m3) de hasta un 30 %
respecto de las condiciones regulares de operación utilizadas en el proceso BAS a
escala industrial.
La optimización propuesta permite evitar los problemas de separación sólido-

líquido, provocados por fenómenos de bulking filamentoso, rising sludge y pin-
point floc, no resueltos en la optimización preliminar realizada en el capítulo 7.
221
9. CONSIDERACIONES FINALES
 Principales conclusiones globales obtenidas en la presente Tesis Doctoral.
 Contribución de la Tesis Doctoral a la reducción de la carga contaminante de

las aguas residuales en un futuro próximo.
 Sugerencias y recomendaciones en cuanto a la metodología experimental,

calibración de parámetros del modelo y toma de decisiones en la
metodología de optimización.
 Consideración de diferentes aspectos en futuras investigaciones.
 Difusión científica de los resultados.
223
9.1. Conclusiones globales
Adicionalmente a las conclusiones mostradas al final de cada uno de los capítulos

de la presente Tesis Doctoral, se pueden destacar las siguientes conclusiones
globales:
i) El modelo matemático presentado en esta Tesis Doctoral para eliminación de

DQO en reactores MBBR aerobios incluyendo depredación e hidrolisis del
material orgánico lentamente biodegradable es válido para trabajar con
aguas residuales de alta carga orgánica y deficiencia en nutrientes. El modelo
propuesto integra un modelo unidimensional 1D dinámico en la biopelícula y
un modelo de reactor de mezcla perfecta. En función de los valores de carga
orgánica soluble aplicada por área de biopelícula (SCLR), considera: a) el
proceso de hidrólisis de compuestos lentamente biodegradables procedentes
de la inactivación de los microorganismos en el líquido del reactor y, b) el
crecimiento demicroorganismos depredadores en el líquido y en la biopelícula.
El modelo puede utilizarse para diferentes tipos de aguas residuales bajo
diferentes condiciones de operación.
El modelo se valida para aguas residuales de la industria de la celulosa y

viscosa trabajando a escala industrial con dos reactores MBBR en serie. Los
valores simulados de demanda química de oxígeno soluble (DQOs), sólidos en
suspensión totales (SST), nitrógeno total soluble (NTs) y ortofosfatos (S PO4) se
comparan con los valores experimentales de las corrientes de salida de los
reactores MBBR, obteniendo desviaciones estándar inferiores al 15 % en los tres
escenarios de estudio con diferentes condiciones operacionales.
El crecimiento de microorganismos depredadores se confirma en dos

escenarios de estudio y, en combinación con el proceso biológico de hidrólisis,
permiten interpretar los resultados experimentales atípicos obtenidos en el
reactor MBBR2 como la disminución de sólidos en suspensión totales y el
aumento de nitrógeno total soluble y ortofosfatos en el líquido de dicho
reactor.
ii) Se presenta y se valida un modelo matemático para el tratamiento de las

aguas residuales de alta carga orgánica y deficiencia de nutrientes en un
proceso BAS. Los valores simulados de demanda química de oxígeno soluble
(DQOs), sólidos en suspensión totales (SST), nitrógeno total soluble (NTs),
ortofosfatos (SPO4), nitrógeno amoniacal (SNH4) y nitratos (SNO3) presentan
desviaciones estándar inferiores al 15 % respecto de los valores experimentales
para los escenarios de estudio con diferentes condiciones operacionales. El
225
modelo BAS propuesto se considera válido para el tratamiento de las aguas
residuales de alta carga orgánica y deficiencia de nutrientes.
El modelo permite analizar las interacciones entre los grupos de bacterias

(heterótrofas y autótrofas) con los microorganismos depredadores en las dos
etapas de un proceso BAS. Los resultados obtenidos indican que el primer
reactor MBBR1 es una etapa bacteriana, el segundo reactor MBBR 2 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. Finalmente, el modelo permite verificar que la
hidrólisis de fibras celulósicas se produce en reactores biológicos con elevada
edad del fango y largos tiempos de retención hidráulica.
Los resultados indican que el mecanismo de depredación es el principal

responsable de la reducción de los requerimientos de nutrientes y de la
producción de fango en exceso. Se obtiene una disminución de nutrientes
hasta un 44 % (100DQOs:1,13N:0,24P) operando un proceso BAS comparado
con los requerimientos nutricionales típicos de un proceso de fangos activos
convencional (100DQOs:5N:1P). Respecto a la producción de fangos, se
obtiene una disminución de hasta un 46 % cuando el proceso biológico de
depredación se activa en el modelo matemático propuesto.
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
El éxito de los actuales modelos ASM para un proceso de fangos activos

convencional no indican la necesidad de incluir la depredación; sin embargo,
la depredación debe incluirse en los modelos de los reactores MBBR y FA de un
proceso BAS.
iv) Se desarrolla una metodología para obtener condiciones de operación

óptimas enun proceso BAS a escala industrial que trata aguas residuales con
alta carga orgánica y deficiencia de nutrientes. Se hace uso del modelo BAS
226
validado anteriormente y se consideran criterios medioambientales,
económicos y técnicos en la función objetivo.
La metodología de optimización se divide en cuatro etapas consecutivas: a)

generación de alternativas, b) simulación de los reactores MBBR hasta el
estado estacionario, c) optimización multi-criterio y d) proceso de toma de
decisiones. La aplicabilidad de la metodología propuesta se muestra utilizando
dos escenarios de estudio a escala industrial de un proceso BAS de una EDAR
para el tratamiento de aguas residuales procedentes de la industria de
celulosa y viscosa.
La metodología de optimización permite una reducción de la cantidad de

contaminantes por unidad de volumen (m3) de agua residual tratada de hasta
un 62 % y una reducción de los costes operacionales (€/m3) hasta un 30 % en
comparación con las condiciones de trabajo habituales utilizadas en el
proceso BAS.
9.2. Contribución de la Tesis Doctoral
La 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 (bioproceso más comúnmente utilizado
en todo el mundo), que permite ampliar la capacidad del tratamiento biológico
a la vez que se reducen los costes de explotación. El proceso BAS se caracteriza
por la diversidad en su microbiota, siendo los microorganismos depredadores el
grupo predominante en la etapa de fangos activos. Esta característica, confiere
al proceso BAS ventajas operacionales, ambientales y económicas respecto al
proceso convencional de fangos activos.
En las fases de operación y optimización del proceso BAS, variables como la

carga orgánica contaminante, requerimientos nutricionales del metabolismo
bacteriano, caudal y edad del fango, entre otras, impactan en la eficiencia y en
los costes del tratamiento biológico. Por ello es necesario llevar a cabo esfuerzos
en I+D+i basados en el análisis y modelado matemático que permita desarrollar
diferentes estrategias de predicción y control que faciliten la respuesta del
tratamiento biológico ante cambios de estas variables. Además, el modelado
matemático es una herramienta útil en la fase de (re)diseño para estudiar
diferentes configuraciones con la finalidad de minimizar los costes de explotación
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.
La principal contribución de esta Tesis Doctoral basada en la investigación

industrial, es el desarrollo de un modelo matemático para un proceso MBBR, y el
desarrollo de un modelo matemático y una metodología de optimización para un
proceso BAS que incluyen el proceso biológico de depredación para el
tratamiento de aguas residuales industriales de alta carga orgánica y deficiencia
en nutrientes. En esta Tesis Doctoral, se muestra una evolución del modelado
matemático: se parte de un modelo para describir matemáticamente los
reactores MBBR hasta llegar al modelo del proceso BAS, que además incluye la
última etapa de separación de la biomasa y el efluente clarificado. Los resultados
obtenidos mediante simulación, explican las interacciones de los diferentes grupos
de microorganismos y en concreto, la influencia de los microorganismos
depredadores en la producción de fango en exceso y en la redisolución de
nutrientes.
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.
Respecto al modelo matemático y a la metodología de optimización para un

proceso BAS que opera en condiciones de limitación de nutrientes, no existen
trabajos previos de investigación. El modelo matemático para un proceso BAS
desarrollado en esta Tesis, permite explicar las ventajas económicas y las mejoras
ambientales de este proceso; en particular, la reducción de las toneladas de
fango producido en relación a las toneladas de DQO eliminadas (sludge yield) y
la reducción de los nutrientes dosificados necesarios en el metabolismo
bacteriano. La metodología de optimización propuesta, se basa en cuatro etapas
consecutivas: a) generación de alternativas, mediante diferentes dosis de
nutrientes en el influente del proceso, b) simulación de los reactores MBBR hasta
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.
Desde el punto de vista científico-técnico se ha contribuido al desarrollo de nuevo

conocimiento de los procesos BAS para tratamiento de aguas industriales a través
de la propuesta y validación de modelos matemáticosde procesos MBBR y BAS
que permiten tanto el conocimiento de los fenómenos que se producen en los
mencionados procesos y sus interrelaciones, como poder predecir las variables de
salida de los procesos. Dichos modelos son generalizables a aguas residuales
industriales de diversa procedencia que contengan alta carga orgánica y
deficiencia de nutrientes.
Desde el punto de vista industrial, una primera aportación consiste en la

propuesta de herramientas de toma de decisión y su aplicación para obtención
de criterios para la operación óptima de los diferentes procesos de la planta EDAR
industrial en diferentes condiciones de operación. Así mismo, los resultados
obtenidos suponen la consecución de mejoras económicas, técnicas y
medioambientales, respecto del proceso de tratamiento de aguas existente hasta
la actualidad.
9.3. Sugerencias
Sería recomendable una cuantificación de las diferentes especies de

microorganismos depredadores (protozoos y metazoos) mediante técnicas de
microscopía de recuento para reforzar la validez de los resultados simulados de las
concentraciones de depredadores. Además, una identificación de las diferentes
especies mejoraría el conocimiento del estado del proceso biológico debido a la
capacidad bioindicadora de algunas especies sobre las variables de operación.
En esta Tesis Doctoral, la caracterización del fraccionamiento de DQO de

influente se ha realizado mediante la combinación de un conjunto de datos
experimentales, tanto en el influente como en el efluente del proceso biológico
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.
Los parámetros estequiométricos de las reacciones biológicas, relacionados con

el contenido de nitrógeno y fósforo en la biomasa activa e inerte son calibrados
en el modelo matemático ya que las aguas residuales estudiadas en este trabajo
de investigación son deficitarias en dichos nutrientes. La calibración se ha llevado
a cabo en condiciones de trabajo diferentes, principalmente en cuanto a carga
orgánica, origen del agua residual y relación de nutrientes dosificados en el
influente; por este motivo es recomendable una nueva calibración de estos
parámetros cuando estas condiciones de operación sean diferentes.
La etapa de toma de decisiones de la metodología de optimización se ha

realizado utilizando unos valores límite de las variables de decisión basados en el
conocimiento heurístico de diferentes trabajos de investigación de la literatura; sin
embargo, esos límites pueden ser modificados en función de la experiencia de
operación de un EDAR determinada.
9.4. Trabajo futuro
En base a los resultados presentados en esta Tesis Doctoral, los siguientes aspectos
son considerados para futuras investigaciones:
i) El modelo matemático para los reactores MBBR propuesto en este trabajo de

investigación es validado en estado estacionario con los datos experimentales
de la EDAR a escala industrial. En este contexto, se propone una
caracterización exhaustiva en el tiempo de las corrientes de entrada y salida
de dichos reactores con el objetivo de determinar la dinámica del proceso
MBBR y validar el modelo matemático en estado dinámico.
ii) La falta de información sobre la cinética de las diferentes especies de

depredadores, hoy en día, presenta grandes dificultades en el desarrollo de los
modelos matemáticos que describen una EDAR. En esta Tesis Doctoral los
parámetros relacionados con la cinética de los depredadores son obtenidos
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.
iii) Se propone realizar estudios de bioindicación en la etapa de fangos activos

del proceso BAS, mediante técnicas de microscopía para la identificación y el
recuento de las diferentes especies de microorganismos depredadores, con el
fin de correlacionar la abundancia de ciertos depredadores con variables de
operación, como las dosis de nutrientes dosificada en el influente, la edad del
fango y concentración de sólidos en suspensión totales en el reactor. Esto
permitiría conocer posibles problemas en la operación del proceso BAS.
Además, estas correlaciones servirían para ampliar la metodología de
optimización propuesta en Tesis Doctoral, incluyendo otras variables de
decisión y ampliar el conocimiento sobre la influencia de estos
microorganismos en el funcionamiento de un proceso BAS.
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.
v) Validar el modelo BAS con otros escenarios de trabajo que se produzcan en la

planta industrial objeto de la presente tesis doctoral provocados por la
actividad productiva.
vi) Extender el ámbito de aplicación de los modelos propuestos a otras aguas

residuales con alto contenido de carga orgánica y deficiencia de nutrientes
tanto industriales como mezcla de industriales-urbanas.
231
9.5. Publicaciones asociadas a la Tesis Doctoral
A continuación, se muestran las referencias de las publicaciones científicas y las

comunicaciones a congresos internacionales obtenidas con la presente Tesis
Doctoral.
Publicaciones científicas:
 REVILLA, M., GALÁN, B., VIGURI, J.R., 2016. AN INTEGRATED MATHEMATICAL

MODEL FOR CHEMICAL OXYGEN DEMAND (COD) REMOVAL IN MOVING BED
BIOFILM REACTORS (MBBR) INCLUDING PREDATION AND HYDROLYSIS. WATER
RESEARCH, 98, 84-97. (I.F. 2016: 6,942, Q1 in Environmental sciences).
 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).
 REVILLA, M., GALÁN, B., VIGURI, J.R., AN OPTIMIZATION METHODOLOGY FOR

NUTRIENT LIMITED BIOFILM ACTIVATED SLUDGE INDUSTRIAL PROCESS. (Enviado).
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).
Uo Velocidad de crecimiento de la biopelícula (1/día).

Uoi Velocidad de transformación de un compuesto particulado i en la
biopelícula (1/día).
UFL Under flow line en la representación gráfica SPA (state Point
analysis).
V30 Volumen que ocupa 1 litro de fango del reactor biológico a los 30
minutos de sedimentación (ml/l).
VMBBR Volumen del reactor MBBR (m3).
VFA Volumen del reactor de fangos activos (FA) (m3).
vs Velocidad de sedimentación de los SST en el decantador
secundario (m/día).
vAsc Velocidad ascendente del líquido en el decantador secundario
(m/día).
vDes Velocidad descendente del líquido en el decantador secundario
(m/día).
vd Tiempo de retención hidráulico en el decantador secundario
(horas).
z Coordenada espacial en la biopelícula (m).
Subíndices
A Productos de fermentación.
Aut Microorganismos autótrofos.
Cel Material orgánico lentamente biodegradable (fibras celulósicas).
F Material orgánico rápidamente biodegradable definido en ASM2.
H Microorganismos heterótrofos.
I Material inerte.
LB Material orgánico lentamente biodegradable.
ND Nitrógeno orgánico biodegradable.
NH4 Ión amonio.
NO3 Ión nitrato.
O2 Oxígeno.
P Purga o extracción de fango en exceso.
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.
6. Ammary B.Y., 2004. Nutrients requirements in biological industrial wastewater

treatment. Afr. J. Biotechnol. 3(4), 236-238.
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.
9. ASPAPEL, 2016. Actualización 2016 memoria de sostenibilidad.

http://www.aspapel.es/.
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.
30. Babuponnusami A., Muthukumar K., 2012a. Advanced oxidation of phenol: a

comparison between Fenton, electro-Fenton, sono-electro-Fenton and photo-
electro-Fenton processes. Chem. Eng. J., 183, 1-9.
31. Babuponnusami A., Muthukumar K., 2012b. Removal of phenol by heterogenous

photo electron Fenton-like process using nano-zero valent iron. Sep. Purif.
Technol., 98,130-135.
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.
57. Espirito-Santo I.A.C.P., Costa L., Fernandes E.M.G.P., 2013. On Optimizing a

WWTP Design using Multi-objective Approaches. Engineering Letters, 21(4).
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.
66. Fried J, Mayr G, Berger H, Traunspurger W, Psenner R, Lemmer H., 2000.

Monitoring protozoa and metazoa biofilm communities for assessing wastewater
quality impact and reactor up-scaling effects. Wat Sci Tech., 41, 309-316.
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.
69. Geesey G.G., 1994. Biofouling/biocorrosion in industrial water systems. Biofouling

and Biocorrosion in Industrial Water Systems. Geesey, G.G., Lewandowski,
Z.&Flemming, H.C. Boca Raton: Lewis Publishers.
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.
91. Henze M., 1992. Characterisation of wastewater for modeling of activated

sludge process. Water Science Tech., 25(6):1-15.
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.
95. Hermida-Balboa C. y Domínguez-Somonte M., 2014. Economía Circular, marco

para el Ecodiseño: modelo ECO-3Informador Técnico (Colombia) 78 (1), 82-90.
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.
109. Jeppsson, U., 1996. Modelling Aspects of Wastewater Treatment Processes.

Ph.D. Department of Industrial Electrical Engineering and Automation (IEA),
Lund Institute of Technology, Sweden.
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.
118. Kermani M, Bina B, Movahedian H, Amin MM, Nikaein M (2008) Application of

moving bed biofilm process for biological organics and nutrients removal from
municipal wastewater. Am J Environ Sci., 4(6), 675–682.
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.
133. Li B. y Stenstrom M.K., 2014a. Dynamic one-dimensional modeling of

secondary settling tanks and design impacts of sizing decisions. Water
Research, 50, 160-170.
134. Li B. y Stenstrom M.K., 2014b. Research advances and challenges in

onedimensional modeling of secondary settling Tanks - A critical review. Water
Research, 65, 40-63.
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.
142. Mbamba, C.H., Flores-Alsina, X., BatstoneD.J,, (2016), Validation of a plant-

wide phosphorous modelling approach with minerals precipitation in full-scale
WWTP. Water Res., 100, 169-183.
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.
150. Mattei M.R., 2014. Mathematical modelling of multispecies biofilms for

wastewater treatment. Other [q-bio.OT]. Université Paris-Est. English. <NNT:
2014PEST1182>. <tel-01234196>.
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.
159. Morgenroth E, Kommedal R, Harremoës P., 2002. Processes and modeling of

hydrolysis of particulate organic matter in aerobic wastewater treatment– a
review. Water Sci. Technol., 45(6): 25-40.
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.
164. Ni B.J., Sheng G.P., Yu H.Q., 2011. Model-based characterization of

endogenous maintenance, cell death and predation processes of activated
sludge in sequencing batch reactors. Chem. Eng. Sci. 66, 747–754.
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.
169. Ødegaard H., 2000. Advanced compact wastewater treatment based on

coagulation and moving bed biofilm processes, Water Science and
Technology, 42 (12), 33-48.
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.
184. Ramalho R.S., 1990. Tratamiento de aguas residuales. Editorial Reverté.
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.
204. Rouette H.K., 2001. Enciclopedia of Textil Finishing. Springer-Verlag Berlin

Heidelberg New York, 3, 2500-2505.
205. Ronzano E. y Dapena J.L., 1995. Tratamiento biológico de las aguas residuales.
Editorial Díaz de Santos.
206. Ruiz L.M., 2014. Modelado y simulación de sistemas de depuración biológica

de aguas residuales urbanas mediante biorreactores de membrana (MBR).
PhD thesis. University of Granada, Spain.
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.
208. Rusten B, McCoy M, Proctor R, Siljudalen JG (1998a) The innovative moving

bed biofilm reactor/solids contact reaeration process for secondary treatment
of municipal wastewater. Water Environ Res 70(5):1083–1089
209. Rusten B, Siljudalen JG, Wein A, Eidem D (1998b) Biological pretreatment of

poultry processing wastewater. Water Sci. Technol., 38(4-5), 19–28.
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.
223. Sweetapple C., Fu G., Butler D., 2014. Multi-objective optimisation of

wastewater treatment plant control to reduce greenhouse gas emissions. Wat.
Res., 55, 52-62.
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.
231. van Loosdrecht, M.C.M., Henze, M., 1999. Maintenance, endogenous

respiration, lysis, decay and predation. Water Sci. Technol., 39, 107-117.
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.
235. Vanhooren, H., 2001. Modelling for Optimization of Biofilm Wastewater

Treatment Processes: a Complexity Compromise. Ph.D. Thesis. Faculty of
Agricultural and Applied Biological Sciences. Ghent University.
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.
239. Vesilind A. P., 1968. Discussion of "Evaluation of activated sludge thickening

theories", by R. I. Dick and B. B. Ewing. J. sanit. Engng Div. Am. Soc. cir. Engrs.,
94,185-191.
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.
243. Vitasovic Z. Z., 1989. Continuous settler operation: a dynamic model. In

Dynamic Modelling and Expert Systems In Wastewater Engineering (Edited by
Patry G. G. and Chapman D.), 59-81. Lewis, Chelsea, Mich.
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.
249. Wanner O., 1996. Modelling of biofilms. Biofouling 10, 31-41.
250. Wanner O. and Reichert P., 1996. Mathematical modeling of mixed-culture

biofilms. Biotechnol. Bioeng., 49(2), 172-184.
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.
252. Water quality. Determination of the chemical oxygen demand (ISO

6060:1989).
253. Water quality. Determination of nitrogen. Part 1. Method using oxidative

digestion with peroxodisulfate (ISO 11905-1:1997).
254. Water quality. Determination of ammonium. Part 1: Manual spectrometric

method (ISO 7150-1:1984).
255. Water quality. Determination of phosphorus. Part 1: Ammonium molybdate

spectrometric method (ISO 6878-1:1986).
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.
258. Williamson K. and McCarty P.L., 1976. A model of substrate utilization by

bacterial films. J Water Pollut Control Fed., 48, 9-24.
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.
265. Zalakain G. y Manterola G., 2011b. Tratamiento biológico de la EDAR de

Sniace mediante el proceso BAS, Tecnología del agua, 335, 52-58.
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.
E n los últimos años, la combinación de

procesos biológicos de biopelícula y en
suspensión ha surgido debido a la
implementación de nuevas regulaciones
de la calidad del agua, haciendo que
este tipo de procesos biológicos sean
relevantes para las tendencias y desafíos
actuales a los que se enfrenta la industria.
El proceso BAS se caracteriza por la
diversidad en su microbiota, siendo los
microorganismos depredadores el grupo
predominante en la etapa de fangos
activos. Esta característica, confiere al
proceso BAS ventajas ambientales y
económicas respecto a procesos
convencionales.

Tesis MRS PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tesis MRS PDF

Transféré par

Droits d'auteur :

Formats disponibles

Departamento de Química e Ingeniería de Procesos y Recursos

E.T.S. de Ingenieros Industriales y de Telecomunicación

ANALISIS Y MODELADO DE UN PROCESO BAS

ANALYSIS AND MODELING OF A BAS (BIOFILM ACTIVATED SLUDGE)

Memoria de Tesis Doctoral presentada para optar al título de Doctor por la

MARTA REVILLA SALAS

Escuela Técnica Superior de Ingenieros Industriales y Telecomunicación

ANALISIS Y MODELADO DE UN PROCESO BAS (BIOFILM ACTIVATED SLUDGE)

ANALYSIS AND MODELING OF A BAS (BIOFILM ACTIVATED SLUDGE) PROCESS

Memoria de Tesis Doctoral presentada para optar al título de Doctor por la

Programa Oficial de Doctorado en Ingeniería Industrial: Tecnologías de Diseño y

Marta Revilla Salas

Quiero expresar mi más sincero agradecimiento a Ramón Vitorica Murguia por

Agradezco también a la empresa SNIACE por facilitar sus instalaciones y equipos,

A mis compañeros de trabajo de la EDAR de SNIACE, en especial a Teresa Ruiz,

Finalmente, el agradecimiento más profundo y sentido va para mi familia. Sin ellos

Nothing lasts forever, except you and me

You are my mountain, you are my sea

Love can last forever between you and me

You are my mountain, you are my sea

1.1. Caracterización del agua residual ....................................................................... 3

1.3.1. Cultivo en suspensión aerobio: proceso de fangos activos (FA) ............... 15

1.4.1. Modelo biocinético ............................................................................................. 36

2. MATERIALES Y METODOS ............................................................................................. 59

2.1. Descripción de la instalación industrial .............................................................. 61

3. FRACCIONAMIENTO DE DQO EN EL INFLUENTE ........................................................ 81

3.1. Fracción soluble y particulada ............................................................................ 83

4.1. Modelo matemático de reactores MBBR ......................................................... 100

4.1.1. Modelo biocinético ........................................................................................... 102

4.3.1. Resultados experimentales y simulados del MBBR1 y MBBR2...................... 120

5. ANÁLISIS Y MODELADO DE UN PROCESO MBBR ..................................................... 135

5.3.1. Resultados experimentales y simulados en la decantación ..................... 142

6. ANÁLISIS Y MODELADO DE UN PROCESO BAS ........................................................ 151

6.1. Modelo matemático del proceso BAS.............................................................. 154

6.3.1. Resultados experimentales y simulados del proceso BAS ......................... 160

7. ANÁLISIS Y APLICACIÓN DE HERRAMIENTAS DE SIMULACIÓN DE UN

7.1. Herramientas de simulación y optimización ................................................... 177

7.2.1. Simulación de DQOT, DQOs y SST ................................................................... 179

8.1. Identificación del problema de optimización ................................................. 198

8.4.1. Generación de alternativas ............................................................................ 210

9. CONSIDERACIONES FINALES .................................................................................... 223

9.1. Conclusiones globales ........................................................................................ 225

NOMENCLATURA ............................................................................................................ 235

En esta Tesis Doctoral se presenta el análisis y modelado matemático de un

La tecnología de biopelícula de lecho móvil MBBR (Moving Bed Biofilm Reactor)

Esta Tesis Doctoral se estructura en nueve capítulos. En el capítulo 1, se presentan

Los resultados obtenidos contribuyen a un mejor entendimiento de los procesos

The combination of microbial growth of the MBBR process in biofilm and in

This thesis is structured in nine chapters. In Chapter 1, the general concepts of

The results obtained contribute to a better understanding of the BAS processes

La contaminación de las aguas producida por la actividad industrial ocasiona un

Una de las principales aplicaciones de este proceso es la biodegradación de la

La operación óptima de un proceso BAS a escala industrial se ve facilitada por la

La instalación industrial en la que se ha desarrollado esta Tesis Doctoral, está

Con estas premisas, se plantea como principal hipótesis de trabajo de la presente

La confirmación de esta hipótesis conllevaría conseguir la meta de operar una

La consecución de esta meta conlleva a su vez la investigación industrial

Siguiendo el objetivo general propuesto, se han planteado una serie de objetivos

Análisis de los procesos MBBR y BAS en EDAR a escala industrial. Caracterización

Además de la correcta caracterización del influente de la EDAR, se lleva a cabo

La calibración de los parámetros de modelo se efectúa para aquellos parámetros

Desarrollo de un modelo general de reactores MBBR para la degradación de DQO

El desarrollo de las tareas asociadas a este objetivo ha permitido proponer un