Tối ưu liều lượng phèn sắt Fecl3 trong xử lý nước mặt từ sông Đồng Nai

Nước mặt chứa đất sét, khoáng chất, vi khuẩn, vi sinh vật, kim loại hòa tan, chất hữu cơ, độ màu và các chat lơ lửng khác.

Tóm tắt

Nước mặt chứa đất sét, khoáng chất, vi khuẩn, vi sinh vật, kim loại hòa tan, chất hữu cơ, độ màu và các chat lơ lửng khác. Mục đích của quá trình keo tụ tạo bông là loại bỏ các hạt lơ lửng này. Việc lựa chọn chất keo tụ và liều lượng thích hợp trong xử lý đóng vai trò quyết định trong bảo đảm hiệu suất xử lý nước của các nhà máy. Sử dụng không đúng liều lượng chất keo tụ gây ảnh hưởng đến chất lượng nước sau xử lý, bên cạnh các vấn đề về vận hành, chi phí sản xuất. Nhà máy xử lý nước SWIC sử dùng nguồn nước mặt tại Sông Đồng Nai. Công suất 300,000 m3/ngđ, được thiết kế sử dụng phèn sắt (Fecl3) cho quá trình keo tụ tạo bông. Do đặc điểm phèn sắt có tính ăn mòn cao và lượng tồn dư ảnh hưởng chất lượng nước sau xử lý, đòi hỏi có sự kiểm soát chặt chẽ trong quy trình sử dụng cũng như liều lượng châm hóa chất. Nghiên cứu nhằm mục đích tối ưu hóa liều lượng phèn sắt sử dụng cho quá trình keo tụ tạo bông tại nhà máy SWIC. Sử dụng phương pháp thu thập số liệu vận hành và tiến hành các Jartest thực nghiệm để tìm ra các yếu tố có khả năng ảnh hưởng đến liều lượng phèn sắt. Đề xuất mô hình vận hành tối ưu phèn sắt dựa trên phương pháp phân tích hồi quy tuyến tính. Kiểm chứng mô hình tối ưu phèn sắt hồi quy tuyến tính bằng vận hành thực tế tại nhà máy, cho kết quả độ đục và pH nước sau xử lý ổn định và tốt hơn, chu trình lọc tăng 20%, liều lượng phèn sắt sử dụng trong keo tụ tạo bông được tính toán chính xác và nhanh chóng. Đáp ứng nhanh với các tình huống thay đổi đột ngột độ đục chất lượng nước đầu vào. Phương pháp nghiên cứu xây dựng mô hình tối ưu phèn sắt trên phương pháp phân tích hồi quy tuyến tính có thể ứng dụng tương tự để xây dựng mô hình tối ưu hóa chất cho các nhà máy xử lý nước dùng chung nguồn nước mặt tại sông Đồng Nai. Hoặc đánh giá và dự báo chất lượng nguồn nước thô tại sông Đồng Nai và các sông khác qua dữ liệu của các thời kỳ.

Phương pháp

Để tìm hiểu những yếu tố ảnh hưởng trực tiếp đến sự thay đổi tăng giảm của liều lượng phèn sắt (FeCl3). Nhóm nghiên cứu thực hiện thu thập dữ liệu Jartest và dữ liệu thực tế vận hành năm 2018 tại nhà máy xử lý nước SWIC. Dữ liệu thô được tổng hợp và biên tập để phù hợp với định dạng dữ liệu phần mềm phân tích thống kê R. Các trường dữ liệu được thu thập bao gồm: Mùa khô/mưa, độ đục nước thô, pH sau xử lý, liều lượng châm phèn, liều lượng vôi, liều lượng polymer, lưu lượng nước thô, lưu lượng nước cấp sau xử lý. Các yếu tố (biến) sau đó được tiến hành phân tích tương quan, để loại bỏ các biến không quan trọng. Các biến có hệ số tương quan thấp, không ảnh hưởng đến mô hình tuyến tính sẽ được loại bỏ. Sau khi đã xác định được các biến quan trọng có ảnh hưởng đến mô hình tuyến tính, ta tiến hành giả lập mô hình hồi quy tuyến tính cho tối ưu hóa chất phèn.

Giả định trong mô hình hồi quy tyến tính đa biến, biến số phụ thuộc là biến phèn sắt và biến số độc lậplà các biến còn lại. Dựa trên kết quả chạy mô hình hồi quy tuyến tính đa biến, các biến không có ý nghĩa thông kế (trị số P >0.05 ) được loại bỏ. Mô hình hồi quy tuyến tính đa biến giả định lúc này được rút gọn còn những biến có ý nghĩa thống kê (trị số P<0.05). Sử dụng các phương pháp hậu kiểm để đảm bảo mô hình tối ưu hóa chất phèn sắt được giả định là một mô hình hồi quy tuyến tính đa biến. Các bước hậu kiểm bao gồm: Điều kiện 1: giá trị phần dư phải tuân theo luật phân bố chuẩn và có trung bình là 0; Điều kiện 2: Mối tương quan giữa các biến phải là mối tương quan tuyến tính; Điều kiện 3: Phần dư phải có phương sai bất biến; Điều kiện 4: Biến phụ thuộc phải độc lập với nhau; Điều kiện 5: Kiểm tra mô hình có khả năng bị ảnh hưởng bởi các giá trị ngoại vi. Các điều kiện hậu kiểm được thỏa mản, mô hình tối ưu phèn sắt giả định được khẳng định là mô hình hồi quy tuyến tính. Trên thực tế còn có nhiều các phương pháp khác có thể xây dựng nên một mô hình hồi quy tuyến tính đa biến “tối ưu” như : stepwise regression, AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), BMA (Bayesian Model Average). Nhóm nghiên cứu đã lựa chọn phương pháp BMA để xây dựng một mô hình hồi quy tuyến tính đa biến, làm cơ sở so sánh lựa chọn mô hình tối ưu nhất. Mô hình tối ưu phèn sắt sau cùng được kiểm tra bằng Jartest và thực nghiệm vận hành thực tế.

Sơ đồ các bước thực hiện:

Mô phỏng thí nghiệm Jar Test tại nhà máy SWIC: Để thu được kết quả độ đục sau lắng bằng thí nghiệm Jar Test ta tiến hành lấy 800 ml mẫu nước thô cho vào lọ. Sau đó đặt mẫu vào bộ khuấy trộn, điều chỉnh tốc độ trộn 120 vòng/phút để khuấy đều các hạt cặn lắng ở đáy lọ cũng ngay lúc này điều chỉnh thời gian là 11 phút cho toàn bộ chu trình, bắt đầu tứ đầu phút thứ 11 châm cùng lúc 2 dung dịch phèn sắt và vôi sữa như đã tính toán, tiếp tục khi hệ thống báo còn 10 phút tiến hành châm bùn tiếp xúc vào, lúc này chúng ta đợi đến khi hệ thống báo còn 6 phút thì tiến hành châm hóa chất polymer, hệ thống báo còn 5 phút thì tiến hành giảm tốc độ khuấy trộn xuống còn 20 vòng/phút. Bước cuối cùng là khi hệ thống báo hết thời gian khuấy trộn, chúng ta sẽ lấy mẫu ra bên ngoài và tiến hành cố định, giữ ổn định mẫu trong vòng 5 phút, sau 5 phút này ta lấy 100 ml – 200 ml để đo giá trị độ đục trực tiếp thống qua các thiết bị đo độ đục tại phòng thí nghiệm, lưu ý thời gian cho mỗi đợt châm hóa chất không kéo dài quá 30 giây.

Kết quả: Biểu đồ tương quan và hệ số tương quan các yếu tố có khả năng ảnh hưởng đến phèn sắt được thể hiện trong hình 1. Các yếu tố có mối liên hệ, ảnh hưởng đến liều lượng phèn sắt bao gồm độ đục nước thô (88%) và ảnh hưởng bởi mùa (73%).

Hình 1: Biểu đồ tương quan các yếu tố có khả năng ảnh hưởng đến phèn sắt

Độ đục nước thô đầu vào chịu ảnh hưởng rất lớn bởi mùa khô và mùa mưa. Vào mùa mưa chế độ dòng chảy nước sông bị thay đổi điển hình là lưu lượng, vận tốc dòng chảy, bên cạnh đó trong những cơn mưa sẽ cuốn theo những cặn bẩn nơi mà chúng đi qua rồi đưa tất cả những cặn bẩn nảy đổ về sông suối, ao hồ. Không những thế vận tốc dòng chảy của sông thay đổi khi mưa đã vô tình khuấy trộn những lớp trầm tích ở đáy sông. Đây cũng là những nguyên nhân chính dẫn đến việc độ đục nước sông có xu hướng tăng trong mùa mưa. Từ đó ta có thể giải thích được mối quan hệ giữa mối quan hệ giữa mùa, độ đục và phèn sắt.

Mô hình tuyến tính phương pháp thông thường

Bắt đầu từ tệp dữ liệu được cung cấp bởi nhà máy SWIC cập nhật trong năm 2018. Tiến hành biên tập lại một tệp số liệu mới chứa các biến có độ tương quan cao Tệp dữ liệu mang tên “s2018.txt”

Hình 2. Tệp dữ liệu dùng cho nghiên cứu

Từ tệp dữ liệu vừa được biên tập lại ta tiếp tục dùng hàm: summary(lm(FeCl3~rw.ntu+seasons)) nhập vào “R”

Coefficients (hệ số): thể hiện cho ta các ước số a, b, e

Với mô hình: FeCl3 = a + b rw.ntu + b2 seasons + e

a (intercept) = 27.56748, e = 0.52415

b1 = 0.31986, e = 0.01329

b2 = 6.81129, e = 0.71665

t value = estimate/ std. Error ( nếu >2 thì tham số có giá trị thống kê)

và Pr < 0.05 “ * ” thì biến số có giá trị thống kê.

Hệ số xác định R2 = 0.8213 = 82.13% cũng có nghĩa là 82.13% sự thay đổi của liều lượng phèn sắt có thể dùng biến rw.ntu ( độ đục nước thô ) và biến seasons (mùa) để giải thích.

Vậy mô hình đường tuyến tính sử dụng hóa chất của năm 2018 lúc này là:

FeCl3 = 27.5674 + 0.3198 x “rw.ntu” + 6.8112 x “seasonsrain” + 0.5241+0.01329+0.71665 (đối với mùa mưa)

FeCl3 = 27.5674 + 0.31986 x “rw.ntu” + 0.52415 + 0.01329 (đối với mùa khô)

Phân tích hồi quy tuyến tính bằng phương pháp BMA: Phương pháp BMA là phương pháp tìm ra mô hình tối ưu khi ta gán cho “R” nhiều biến tiên lượng. từ các biến tiên lượng cho trước phương pháp BMA sẽ chọn ra các mô hình chứa các biến tiên lượng đó và so sánh cho chúng dựa trên chỉ số BIC để tìm ra mô hình “tốt” nhất. Để hiểu hơn ta sẽ đưa các biến trong tệp số liệu sử dụng hóa chất của SWIC vào “R” với câu lệnh: Require(BMA)

X1=cbind(seasons, rw.ntu)

Y1= swic$FeCl3

choise2=bicreg(X1,Y1, strict=FALSE, OR=20)

Summary(choise2)

Ta sẽ được kết quả:

Khi đó giống như phương pháp thông thường “R” sẽ cho ta biết ước số:

a (intercept) = 20.7562, e = 0.87250         

b1 = 0.3199, e = 0.01329

b2 = 6.8113, e = 0.71665

nVar = 2: là số biến tiên lượng của mô hình

R2 = 0.821 = 82.1% cũng có nghĩa là 82.1% sự thay đổi liều lượng dùng phèn sắt có thể dùng 2 biến “seasons” và “rw.ntu” để giải thích.

BIC = -616.7980 : theo phương pháp BMA chỉ số BIC càng thấp thì mô hình tiên lượng càng “tốt”, cụ thể:

 “Schwarz (1978) đã đưa ra tiêu chí thông tin Bayes là:

BIC = - 2 ln (L) + K log (n).

Như thường lệ, người ta tính BIC cho mỗi mô hình và chọn mô hình dựa trên tiêu chí với giá trị BIC nhỏ nhất.”

Post prob = 1 : xác suất xảy ra mô hình, ở hình trên là 100%.

Vậy mô hình đường tuyến tính BMA sử dụng hóa chất của năm 2018 lúc này là:

FeCl3 = 20.7562 + 0.3199 x “rw.ntu” + 6.8113 x “seasonsrain” + 0.8725+0.01329+0.71665

( đối với mùa mưa )

FeCl3 = 20.7562 + 0.3199 x “rw.ntu” + 0.8725 + 0.01329

(đối với mùa khô)

Tiến hành đưa 3 mô hình về cùng một hệ quy chiều mục đich so sánh các mô hình được chọn với giá trị thực bằng câu lệnh

Nhìn kết quả trên nhận thấy giá trị tuyến tính của 2 mô hình đang xét hiện vẫn còn cách giá trị tuyến tính của mô hình thực tế nhà máy SWIC đang vận hành một khoảng trên dưới 5 đơn vị. Vì vậy, khả năng mô hình chúng ta tìm ra vẫn chưa đạt được độ tin cậy nhất định. Để các mô hình được chọn tiến lại gần với giá trị thực hơn ta tiến hành chạy vòng lặp cho hệ quy chiếu vừa tìm được một lần nữa.

Chạy vòng lặp lần thứ I

Để tiến hành chuẩn hóa lại các mô hình đã chọn đầu tiên ta cần thay đổi các hệ số a, b dựa theo kết quả hình 6. vào tệp dữ liệu dùng phèn sắt đã biên tập lại tại hình 1, tuy nhiên để không thay đổi hệ số góc của mô hình ta sẽ không thay đổi hệ số của biến “rw.ntu” khi đó ta sẽ được kết quả:

Mô hình m2 sau khi chạy vòng lặp lần I

Từ tệp dữ liệu trên ta tiếp tục dùng hàm

Khi đó “R” cho ta một hệ quy chiếu mới:

Nhận xét: Sau khi tiến hành chạy vòng lặp lần thứ I cho 2 mô hình củ (m1,m2) ta được kết quả mới như hình 10. Lúc này có thể thấy các giá trị dùng phèn sắt của mô hình m2 đã tiến lại gần giá trị dùng phèn sắt thực tế của nhà máy SWIC nhưng các giá trị của mô hình m2 lại tiến xa ra giá trị dùng phèn sắt thực tế của nhà máy SWIC. Tuy nhiên để tăng thêm độ tin cậy cũng như hiệu quả dùng phèn sắt của 2 mô hình m1,m2 ta sẽ tiếp tục chạy vòng lặp lần II dựa vào kết quả của hình 10.

Chạy vòng lặp lần thứ II: Để tiến hành chạy vòng lặp lần II cho mô hình m1,m2 ta tiếp tục thay đổi các hệ số a, b dựa theo kết quả hình 10. và tệp dử liệu dùng phèn sắt đã biên tập lại từ hình 1, tuy nhiên để không thay đổi hệ số góc của mô hình ta sẽ không thay đổi hệ số của biến “rw.ntu” khi đó ta sẽ được kết quả:

Mô hình m2 sau khi chạy vòng lặp lần II

Từ tệp dữ liệu trên ta tiếp tục dùng hàm

Sau khi hoàn tất vòng lặp lần II, cho ta thấy các giá trị dùng phèn sắt của mô hình m2 đã thật sự đạt đến giá trị như ta mong đợi. 2 đường tuyến tính của mô hình m2 và mô hình m1 đã gần như tiệm cận nhau. Và mô hình m2, m3 sau khi đã lặp lần II sẽ là 2 mô hình dùng cho bước tiếp theo của quá trình nghiên cứu. Bước tiếp theo là đưa 2 mô hình m2, m3 vào quy trình Jar Test để tìm ra mô hình tốt nhất.

Phương trình ảnh hưởng của độ đục và mùa đến phèn sắt được giải thích như: Các ước số giá trị khởi đầu = 22.9728, độ đục = 0.31986 và mùa = 6.81129. Trị số p<0.05 điều này khẳng định các yếu tố đang xét có ý nghĩa thống kê. Hệ số bội R2=0.78 giải thích rằng 78% sự thay đổi giá trị liều lượng phèn sắt có thể giải bằng biến độ đục và biến mùa. Giá trị độ đục được quan trắc và thay đổi liên tục. Trong khi đó giá trị mùa có ý nghĩa phân loại, vào mùa mưa giá trị mùa được xác định bằng 1, vào mùa khô giá trị mùa xác định bằng 0. Phương trình phèn sắt lúc này có thể được phân loại là áp dụng riêng cho mùa khô và mùa mưa. Để đánh giá tối ưu mô hình phèn sắt đã xây dựng, mô hình phèn sắt tuyến tính theo phương pháp BMA cũng được xét đến.

Kết quả kiểm tra Jartest

Kết quả Jartest và kiểm tra vận hành thực tế, chứng tỏ mô hình “tối ưu” hóa chất phèn sắt (FeCl3) hoàn toàn khả thi và có thể áp dụng vào thực tế. Với một mô hình phù hợp sẽ giúp chủ động xây dựng kế hoạch dự trữ hóa chất một cách hợp lý nhất, đảm bảo an toàn cho cấp nước. Mô hình phù hợp sẽ được triển khai thành thuật toán để tích hợp vào hệ thống SCADA nhằm tự động hóa trong khâu vận hành châm hóa chất xử lý nước. Điều quan trọng trong việc phân tích dữ liệu để tìm ra mô hình hồi quy tuyến tính phù hợp là phải xây dựng được hệ thống cơ sở dữ liệu đầy đủ, trung thực, chính xác.

Thảo luận

Dựa vào kết quả từ thí nghiệm Jar Test ta chọn mô hình “m2” là kết quả cuối cùng của quá trình nghiên cứu. Tuy nhiên, trong tương lai gần sẽ vẫn còn tồn tại các tác nhân có khả năng gây ô nhiễm nguồn nước mặt cụ thể là nguồn nước sông Đồng Nai. Nếu không có biện pháp khắc phục những mối nguy này diễn biến độ đục nước nguồn sẽ còn rất phức tạp. Khi độ đục nước nguồn tăng đột biến cũng đồng nghĩa với việc mô hình “m2” sau khi cập nhật những số liệu độ đục cao này chúng sẽ trực tiếp trở thành những đối tượng “gây nhiễu” điều này sẽ làm giảm khả năng tiên đoán của mô hình, nói cách khác để mô hình “m2” trở nên thật sự tốt điều quan trọng nhất là phải làm là làm thế nào cập nhật nhiều nhất có thể những số liệu mang giá trị độ đục cao để loại bỏ trường hợp chúng trở thành các tác nhân “gây nhiễu”.

Với phương pháp nghiên cứu xây dựng mô hình “tối ưu” phèn sắt (FeCl3) bằng phần mềm phân tích dữ liệu R như đã trình bày, có thể ứng dụng tương tự để xây dựng mô hình tối ưu cho các hóa chất khác tại các nhà máy nước có quy trình công nghệ tương tự (như: vôi, PAC, phèn nhôm..) hoặc phân tích dữ liệu cho các nghiên cứu khoa học khác có liên quan như : đánh giá và dự báo chất lượng nguồn nước thô tại các sông qua dữ liệu quan trắc. Nghiên cứu cũng cho thấy, Các dữ liệu thu thập có ảnh hưởng quyết định đến tính chính xác và hợp lý của mô hình. Không có một mô hình nào là “tối ưu” vĩnh viễn, mà chỉ có mô hình “hợp lý” nhất cho từng giai đoạn hoặc chu kỳ khảo sát..

Tài liệu tham khảo

1. Vijayaraghavan,G., Sivakumar,T.,&Vimal Kumar A. Application of plant-based coagulants for wastewater treatment. Int J Adv Environ Res Stud,2011.1(1):p.88-92.

2. Biglari,H.,et al., Surveying the Geographical Distribution of Aluminum Concentration in Groundwater Resources of Sistan and Baluchistan,Iran. Research Journal of Medical Sciences, 2010: p.351-354.

3. Sohrabi, Y., etal.,Surveying hygiene indices of water of swimming pools in Kermanshah City (Iran), 2015. Research Journal of Medical Sciences, 2016.10(4):p.302-306.

4. Naghan, D.J., et al., Efficiency comparison of alumand ferric chloride coagulants in removal of dye and organic material from industrial wastewater-A casestudy. Bulgarian Chemical Communications,2015.47(Special Issue D): 206-210.

5. Mirzaei,N.,et al., Modified natural zeolite using ammonium quaternary based material for Acid red 18 removal from aqueous solution. Journal of Environmental Chemical Engineering, 2017.5(4): p.3151-3160.

TS. VÕ ANH TUẤN

Trường Đại học Kiến trúc TP. Hồ Chí Minh