神经网络预测沸石及改性沸石的原位修复

左金龙，黄宗毅，宋雨薇，常诗颖，颜梦洁，尹楚淇

(哈尔滨商业大学 食品工程学院环境工程系，哈尔滨 150028)

由于我国工农业的飞速发展以及人口基数大的特点，所产生的生活、工业等污水量持续增多.另外，城市内所面临大量的生活和工业废水需要处理，黑臭水体在城乡均广泛分布[1-3].目前，处理生活污水、工业废水的主要处理工艺是活性污泥法，活性污泥法的处理效果受到pH、DO等诸多环境因素影响，如果大量的污水和废水未经有效处理就排入河流，将会造成严重的水污染.黑臭水体的成因[4]以及处理城市污水的研究主要涉及COD、氨氮以及磷酸盐.大部分的天然矿物具有表面效应、结构效应、孔道效应、晶体结构等性质[5].具有较好的阳离子交换性能，能快速净化水体，抑制黑臭现象和修复环境.本文以天然沸石、改性沸石的实验数据作为Matlab模拟仿真的训练集和验证集.

1 沸石的应用

沸石是一种具有分子筛作用的晶体硅铝酸盐物质.因此沸石能根据其有效孔径，可筛分不同大小的流体分子.沸石中二氧化硅和三氧化二铝的物质的量的比的差异使其孔结构和性能也不相同.见图1.沸石硅铝酸盐微晶结构使得铝离子易取代硅原子，整个结构带负电，为中和负电会吸引金属阳离子结合与之结合.但这些结合不稳定易与水溶液中阳离子交换.这一特性可以实现污染物的去除和重复利用[6].Cheng等人[7]在沼液中投入NaCl改性沸石进而去除氮磷，实验表明，钠改性沸石使用量的范围在0.5～5 g/100 mL内时，游离氨、铵离子和PO3-4-P的去除率范围分别为5.19%～94.94%和72.16%～91.63%.由此可知沸石的投加量对于去除氨氮影响较大，对于去除磷的总成效较优.张璐[8]不使用混凝剂而用镧改性沸石替代进行混凝实验，通过分别用这些沸石颗粒制成过滤柱模拟沉淀过程，结果显示，未加入絮凝剂时，加入0. 05 g镧改性沸石处理含磷质量浓度为2 mg /L、NO3—N的质量浓度为2.3 mg /L、游离氨和铵离子的质量浓度为 5 mg /L 的废水，去除效率分别达到90%、75%、87%.

图1 沸石结构示意图Figure 1 Schematic diagram of zeolite structure

2 材料与方法

2.1 原水水质

天然沸石、改性沸石对废水处理的试验数据作神经网络仿真模拟，所采用数据的试验条件不同，各个考察参数及其范围如表1所示.

表1 考察参数及范围表Table 1 Investigation parameters and scope table

2.2 试验方法

所采用数据的试验方法原理相同，方法如下：

将废水或模拟废水置于容器(烧杯、离心管、锥形瓶)中，通过磁力搅拌器(恒温振荡器)在恒温条件，调节pH下，以一定转速对废水进行降解.取上层清液，经过离心分离后，用滤膜过滤，进行分析监测.

2.3 分析方法

分析检测的项目有：氨氮(NH4+—N)、磷酸盐(PO4+—P)、pH、温度.

所用试验数据所检测项目的监测方法有：

1)氨氮：分析方法为国家或行业的标准方法，纳氏试剂光度法，水杨酸次氯酸盐分光光度法；

2)磷酸盐：分析方法为钼酸铵分光光度法，钼锑抗分光法；

3)pH：采用不同类型的pH计检测，采用不同类型的酸度计检测；

4)温度：采用摇床设定恒定温度；采用温度计测定；采用恒温振荡器设定恒定温度；采用磁力搅拌器设定恒定温度；

在城市建设当中，房地产开发很重要。当前我国实行了城市化政策，需要提供大量的保障措施跟进。还需要制定科学合理的开发规划，这样才可以解决在经济发展当中所带来的相关城市病，如环保、房价高等问题，也能促进公共基础设施的不断完善，调动与其相关产业的发展。怎样才可以推动房地产行业的健康发展，需要看总体规划是否合理，施工过程是否高效，后期销售是否理性，各个阶段的风险管控措施是否到位等。而在这么多需要考虑的内容当中，风险管理又是其中的重点。

3 人工神经网络

3.1 神经网络的搭建

Matlab是一款具有通用科学计算、图形交互系统和程序设计语言的优秀科技应用软件，其应用范围包括：仿真模拟、算法推导、数据分析和结果的可视化等，作为各个领域的专家学者在研究和工程应用中的分析应用工具.

人工神经网络主要结构为神经元、层、网络、连接权重.神经元是神经网络中最基本的单元，一个经典的神经网络是包含输入层、隐藏层、输出层，每一个层都由神经元组成，输入层、隐藏层、输出层连接构成神经网络.见图2.

图2 神经网络结构示意图Figure 2 Schematic diagram of neural network structure

输入层由输入神经元组成，负责从外部接收信息，输入神经元相当于自变量，为隐藏层传递信息；隐藏层进行分析计算，联系输入层和输出层的数据，得到适配的函数关系；输出层由适配的函数关系输出最终的结果，输出单元会对应到特定的分类.

3.2 输入层与输出层

城市污水及黑臭水体的影响因素[4]主要涉及生化需氧量(COD)、氨氮(NH4+—N、NH3—N)、磷酸盐(PO4+—P).其中石粉的投加量、pH、水体温度将影响水体的处理效果.为探究天然石粉对城市污水以及黑臭水体的处理效果，将实验的发生条件：温度、投加量、pH、氨氮质量浓度、磷酸盐质量浓度作为输入层参数;将实验出水水质条件：氨氮质量浓度、磷酸盐质量浓度为输出层参数.

隐藏层中神经元数根据经验公式进行计算：

其中：Ni是输入层神经元个数；N0是输出层神经元个数；Hs是训练集的样本数；α为任意自取量，通常范围为2～10.

3.3 神经网络的学习训练

神经网络学习根据训练数据，调节神经元之间的连接关系以及每个功能神经元的阈值.在隐藏层中包含激活函数，经激活函数输出值结果正确，增多连接关系，即增大连接权值；如经激活函数输出值不正确，则减少连接权值，减少学习中的错误，从而达到迫近能够反映现实的函数.见图3.

图3 神经网络模型Figure 3 Neural network model

本文将天然沸石以及改性沸石对废水的实验条件以及实验结果到Matlab中进行仿真模拟，神经网络训练所采用的输入和输出数据均来自试验数据[9-17]，共使用128组数据,采用76组训练集，采用26组进行验证，采用Levenberg-Marquardt训练方式进行训练.

4 结果与讨论

4.1 神经网络的输出误差

图4 神经网络训练的误差变化过程Figure 4 Error change process of neural network training

4.2 神经网络的预测与分析

4.2.1 沸石投加量对氨氮和磷酸盐同步去除效果的影响

基于完成训练的神经网络，模拟仿真沸石处理污水的效果，探究不同沸石投加量对氨氮和磷酸盐的去除效果.设置试验条件为：氨氮质量浓度=50 mg/L，磷酸盐质量浓度=50 mg/L，pH=7，温度=25 ℃.分别投加1、2、3、4、5、6、7、8、9、10 g/L沸石.预测结果如图5所示.

从图5可以看出，随着沸石投加量增加，沸石对磷酸盐的去除效率越高，去除率从21.09%提高至61.8%；沸石对氨氮的去除效率没有明显变化，去除率在64%左右.因此，沸石投加量对氨氮去除没有显著影响，沸石投加量对磷酸盐的去除有显著影响.

图5 预测沸石投加量对氨氮和磷酸盐去除的影响效果Figure 5 Predict the effect of zeolite dosage on the removal of ammonia nitrogen and phosphate

4.2.2 水质温度对氨氮和磷酸盐同步去除效果的影响

基于完成训练的神经网络，模拟仿真沸石处理污水的效果，探究不同水质温度对氨氮和磷酸盐的去除效果.设置试验条件为：氨氮质量浓度=50 mg/L，磷酸盐质量浓度=50 mg/L， pH=7，投加量=1 g/L.水质温度分别设置为0、5、10、15、20、25、30 ℃.预测结果如图6所示.

从图6可以看出，沸石对氨氮以及磷酸盐的处理效果随温度增加而提高.在模拟仿真条件下，在氨氮质量浓度为50 mg/L时，沸石对氨氮的处理效果合理，去除率由56%提高到61%；在磷酸盐质量浓度为50 mg/L时，水质温度对磷酸盐的去除符合规律，但模拟仿真处理效果超出设置磷酸盐质量浓度.

图6 预测水质温度对氨氮和磷酸盐去除的影响效果Figure 6 Predict the effect of water quality and temperature on the removal of ammonia nitrogen and phosphate

4.2.3 pH对氨氮和磷酸盐同步去除效果的影响

基于完成训练的神经网络，模拟仿真沸石处理污水的效果，探究不同水质温度对氨氮和磷酸盐的去除效果.设置试验条件为：氨氮质量浓度=50 mg/L，磷酸盐质量浓度=50 mg/L， 投加量=1 g/L.水质温度为25 ℃.pH分别设置为3、4、5、6、7、8、9、10、11、12.预测结果如图7所示.

图7 预测pH对氨氮和磷酸盐去除的影响效果Figure 7 Predict the effect of pH on the removal of ammonia nitrogen and phosphate

从图7可以看出，在相同pH范围下，沸石对氨氮和磷酸盐的处理效果不同.在pH值为3～8时，沸石对氨氮的处理效果逐渐提升，在pH=8时去除率达到最高；沸石对磷酸盐的处理效果逐渐降低，在pH=3时去除率达到最高.在pH值为9～12时，沸石对氨氮的处理效果逐渐降低；沸石对磷酸盐的处理效果先升高再降低，沸石在pH=10时的去除率小于pH=3时的去除率.在模拟仿真条件下，沸石对氨氮的处理效果合理，符合规律；沸石对磷酸盐的去除效果超出设置的磷酸盐质量浓度，但符合规律.

4.3 误差分析

采用训练好的Matlab神经网络进行预测分析沸石对污水的处理效果，考察投加量、pH、水质温度对去除氨氮和磷酸盐的效果.从图5发现，神经网络仿真模拟输出的磷酸盐去除效果以及氨氮去除效果在设置背景质量浓度50 mg/L内；从图6发现，输出的磷酸盐去除效果均高于50 mg/L，最高达到90 mg/L，远远超出所设置的磷酸盐质量浓度50 mg/L；从图7发现，输出的磷酸盐去除效果范围在85～105 mg/L，超出设置磷酸盐质量浓度50 mg/L.试验数据采用的天然沸石和改性沸石的试验样本量共128组，训练集76组，验证集26组.采用的样本量少，所用数据在实际试验中也存在干扰，导致预测结果有偏差，但吸附规律与样本集试验结果一致，即：1)沸石投加量从1 g/L增加至10 g/L，沸石投加量对氨氮去除没有显著影响，去除率为64%左右，沸石投加量对磷酸盐的去除有显著影响，去除率从21%上升至62%.2)水质温度从0 ℃上升至30 ℃，沸石对氨氮以及磷酸盐的处理效果随温度增加而提高.3)在pH范围为3～12时，沸石对氨氮的处理效果符合正态分布，在pH=8时去除效果最高.沸石对磷酸盐在pH=3去除效果最高，随后去除效果降低再升高，pH=10时达到峰值，随后去除效果降低.

5 结 语

通过训练好的神经网络预测沸石对废水的处理效果，发现沸石具有良好的稳定性，在较大水质温度、酸碱范围条件下能对废水进行有效处理.沸石作为廉价易得的天然矿石对降低治理黑臭水和城市废水的处理成本有广泛的应用前景和实际意义.