鸡粪是典型高氮有机废弃物,如果不妥善处理会带来严重的环境污染问题。厌氧发酵技术是集中封闭化处理有机废弃物的方法,具有回收清洁能源和保护环境的双重效果。随着大众环境保护意识增强,以及国家推出了清洁能源激励和环境保护政策,这为厌氧发酵技术推广应用带来了重要机遇。鸡粪是典型高氮原料,且富含硫元素,将鸡粪用于厌氧发酵时容易产生氨抑制和高浓度硫化氢。生物炭因具有良好的吸附性能,所以期望它用于厌氧发酵中时能缓解上述问题。另外,温度对氨抑制有直接影响,且宽温度条件下机理建模比较困难。为此开展了生物炭介导的鸡粪不同温度厌氧发酵解抑增效特性及过程建模研究。结果表明生物炭介导厌氧发酵有利于缓解氨抑制、促进发酵产气速率、提高沼气品质,实现发酵过程解抑增效。本研究根据实验室前期正交实验优化研究结果,在15℃、25℃、35℃、45℃、55℃、65℃六个温度条件下,用10L全混合反应器进行了6个添加生物炭和在35℃条件下未添加生物炭的鸡粪厌氧发酵实验,首先进行了序批启动实验,比较了厌氧发酵系统启动效率;然后通过调整水力滞留期、有机负荷以及生物炭的添加比例,进行了半连续进料实验,研究了氨氮浓度的温度特性和微生物群落的温度特性,探索了生物炭提高启动性能、缓解氨抑制、促进产气率、去除硫化氢的特性和机理,构建了能适应宽温度范围的神经网络建模。本研究的主要内容和结果包括以下方面:(1)在六个温度条件下比较了生物炭介导的反应器在批次厌氧发酵的启动特性。用常温接种物在30天的厌氧发酵序批启动实验中,从开始产气到各反应器达到最大产气率时,35℃和45℃反应器微生物菌群的温度过度顺利,仅需7天左右且产气性能相当;25℃和65℃反应器则需要20天左右,但65℃反应器因菌群转变使得启动产气波动幅度大,但产气性能比前者强;而55℃反应器则需要30天以上,主要是因温度变化使得菌群转换慢所致;根据15℃反应器的甲烷产气量、pH值、氧化还原电位、可溶性COD等参数表明水解过程顺利,而产甲烷菌活性差和生长缓慢才是低温厌氧发酵限速的关键;Modified Gompertz模型拟合累积产甲烷量的分析结果表明序批实验前20天内可达到理论最大产气量的70%,这为后续半连续进料设计水力滞留期滞留期提供了理论依据。(2)在六个温度条件下比较了生物炭介导的反应器在半连续进料厌氧发酵的温度特性。在半连续进料试验中,生物炭介导的鸡粪厌氧发酵优化后的温度范围为42.3~44.2℃,15℃提升到25℃的温度效率值最高(1.233~1.323);统计分析结果表明温度对硫化氢浓度和总氨氮浓度(TAN)没有显著影响,但是对游离氨(FAN)影响显著。理论分析结果表明15℃、25℃、35℃、45℃、55℃、65℃六个温度条件下的FAN/TAN变化率最大时的中心pH值分别为9.56、9.25、8.96、8.67、8.41、8.16,并且与温度成反比;另外对微生物古菌高通量测序分析结果表明,在低常温(15℃、25℃)中以甲烷粒菌和甲烷丝菌占优,在中常温(35℃、45℃)中以甲烷八叠球菌占优,而高温(55℃、65℃)则以甲烷嗜热杆菌占优。(3)在中温条件下揭示了生物炭能加速启动、去除硫化氢、缓解氨抑制的机理。在35℃反应器内添加生物炭及对照反应器序批启动试验中,Modified Gompertz模型拟合结果表明:生物炭介导的反应器生产70%总甲烷产量需要18.99天,比对照组缩短了24%;迟滞时间为2.53天,比对照组降低了41%;最大容积甲烷产气速率为0.520L·d-1·L-1,比对照组提高了18%。另外完成70%总硫化氢产量需要12.62天,比对照组延长了35%;迟滞时间为3.28天,比对照组提高了52%;最大硫化氢产气速率为0.788mL·d-1,比对照组降低了96%。在半连续进料阶段,两个反应器产甲烷速率以及氨氮浓度并无显著差异。微生物群落分析结果表明生物炭能减少微生物的冗余并富集八叠球菌,使得反应器中八叠球菌比例高达74.9%,比对照组高17%,这是生物炭介导的反应器对受到氨抑制的影响要小的原因;生物炭介导的反应器的硫化氢浓度一直低于对照组,特别是在有机负荷为4g VS·L-1·d-1时,比对照组低1092ppm。qPCR分析结果表明,添加生物炭后减少了硫酸盐还原菌数量,因此从根本上大幅度降低了硫化氢浓度。(4)用神经网络进行宽温度范围甲烷产量预测能适应产量样本数据差异和波动大的特点。用Elman神经网络和BP神经网络对B15~B65反应器甲烷产量进行50次预测的相对平均误差分别为29.61%、8.05%、8.94%、9.06%、9.07%、32.73%,以及38.52%、18.60%、17.09%、14.11%、32.59%、53.73%。前者的预测效果明显优于后者,不过两种方法对B15和B65反应器、以及各温度下的甲烷产量突变点预测效果并不理想。为减小预测误差,对六个反应器样本数据经过三次样条插值后,两个神经网络预测平均相对误差分别降低到1.24%、2.48%、1.59%、0.78%、0.85%、2.91%和30.46%、4.36%、5.22%、4.90%、11.46%、17.17%,样本插值后的预测效果获得大幅度提升。特别是Elman神经网络预测的误差全部降低到3%以内,说明该网络能适应各种样本差异,通用性强。