造纸法烟草薄片废水化学需氧量的快速预测

造纸法烟草薄片废水的COD高且波动大，采用传统国标检测方法(重铬酸钾比色法)操作复杂、耗时长，难以实现快速检测以指导污水处理工况的及时调整。针对此问题，提出了一种基于机器学习的COD快速预测方法。在对烟草薄片废水水质指标分析基础上，采用数理统计结合人工智能的方法对废水COD与悬浮物、pH、溶解氧和电导率等水质参数之间的关系进行分析，并建立COD预测模型。结果表明，线性回归、多项式拟合、正则化回归、回归树等模型的R²为0.656～0.777，基于机器学习的极端随机森林模型的R²最高，为0.861。同时显著性检验结果表明极端随机森林模型具有最小的失拟偏差和最精确的拟合效果，利用该模型对实际废水进行验证和预测，相对偏差在±12%以内，可实现对烟草薄片废水COD的快速预测。     

电催化氧化降解再造烟叶高浓梗液COD的试验研究

针对再造烟叶废弃梗液COD高给污水生化处理系统带来很大冲击的问题，提出了采用电催化氧化法对其进行电解预处理以降低后续污水处理负荷。考察了电压、电解质投加量、电流密度、反应时间等因素对废弃梗液中COD去除效果的影响，并对电催化氧化降解COD的机理进行了初步探讨。研究结果显示，在电压10 V，电流密度15 mA/cm²，电解质氯化钠的投加量为150 mg/L，电解时间6 h条件下，COD降解效果最佳，去除率达到92.71%。废水中COD的降低主要归因于水中烟碱及腐殖质类等有机大分子的降解。电催化氧化使绝大部分难降解的大分子有机物开环断键转变为易于降解的小分子物质，并最终降解为二氧化碳与水等物质，从而使废水中COD得到去除。