人工神經網絡預測尾砂充填對地下水中鋅含量影響

熊昌獅，陳云嫩，吳樂文，張紹國，張大超，羅先偉，聶錦霞，吳速英

(1.江西理工大學資源與環境工程學院，江西贛州 341000；2.廣西華錫集團股份有限公司，廣西柳州 545006)

?

人工神經網絡預測尾砂充填對地下水中鋅含量影響

熊昌獅1，陳云嫩1，吳樂文2，張紹國2，張大超1，羅先偉2，聶錦霞1，吳速英1

(1.江西理工大學資源與環境工程學院，江西贛州 341000；2.廣西華錫集團股份有限公司，廣西柳州 545006)

[目的]研究了人工神經網絡預測尾砂充填對地下水中Zn含量影響的可行性。[方法]采用誤差反向傳播神經網絡(BP神經網絡)，建立了充填體放置時間、不同來源地下水水樣、浸泡時間與重金屬Zn含量之間的動態模型，預測廣西某金屬礦山全尾砂膠結充填體試塊對地下水Zn含量的影響。[結果]當網絡隱含層層數為1、節點數為7 時，建立的BP神經網絡預測模型能夠較好地預測全尾砂膠結充填對地下水重金屬Zn含量的影響。[結論]該研究為地下水環境的保護和礦區尾砂的安全處理處置提供了科學依據。

尾砂充填；地下水；重金屬鋅；人工神經網絡

隨著環境保護要求的越來越嚴格，國內外地下礦山使用選礦尾砂充填采礦法的比重也逐年上升[1-4]。將尾砂充填于井下既可防止礦山上覆巖層崩落及地表塌陷，從而保護礦區地表，提高礦石回收率，還可大幅度減少尾礦堆放占地[5-8]。但尾砂用于井下充填，尾砂充填體對地下水重金屬含量的影響，當前還沒有相關報道。因此，開展充填體對地下水重金屬含量影響的試驗研究，避免對環境造成污染，礦區尾砂又能得到安全處理處置，具有重要的現實意義。

由于地下水來源、走向、水質等的復雜性，需通過大量試驗確定金屬礦山膠結充填體對地下水重金屬含量的影響。而建立合適的動態模型可以預測充填體對地下水重金屬含量的影響。一定灰砂比下的充填體試塊對地下水某一重金屬含量的影響，受膠結充填體放置時間、不同來源地下水水樣、浸泡時間影響較大，難以線性表示三者與地下水重金屬含量變化的關系。人工神經網絡(ANN)具有良好的非線性映射能力，目前已有學者利用 ANN 實現工程過程的預測[9-13]，但利用 ANN 預測金屬礦山膠結充填體對地下水重金屬含量影響的報道較少。筆者利用ANN 中的誤差反向傳播神經網絡(BP 神經網絡)，對膠結充填體影響地下水重金屬Zn含量進行了預測。

1 材料與方法

1.1 監測水樣

試驗用水均為廣西某金屬礦山提供的7種不同來源地下水水樣，其中5種水樣水質中鋅(Zn)含量遠遠超過《地下水環境質量標準》(GB/T 14848-93)Ⅲ類標準，且超標倍數最大的為142。雖然鋅是人體生長發育所必需的微量元素，但過量鋅的攝入將對人體造成不利影響。因此，后續僅考慮重金屬元素Zn在地下水中的含量變化。

1.2 充填體試塊制備

膠結試塊制備采用該礦山選礦廠外排的全尾砂充填骨料、水泥為膠凝劑，灰砂比為1∶4，試塊尺寸71 mm×71 mm×71 mm。該礦全尾砂中SiO2、Al2O3、CaO、MgO、Fe、Sn、Sb、Zn、In、Pb、S含量分別為41.59%、2.30%、18.94%、0.83%、5.34%、0.27%、0.26%、1.24%、0.001 1%、0.27%、5.79%。

1.3 BP神經網絡(BPNN)的構建

BP網絡是一種分層型的典型多層網絡，具有輸入層、隱含層和輸出層，層與層之間多采用全連接的方式。隱含層的數目決定著神經網絡的運算速度、儲存空間和收斂性質，隱含層過少使得處理單元數目不足以反映輸入變量間的交互作用，進而導致較大誤差，但隱含層數目過大會使網絡變得復雜而收斂較慢。BP 神經網絡中對于任何閉區間內的連續函數都可以用單隱層的 BP 網絡逼近，故一般隱含層的層數確定為1。隱含層節點數對神經網絡的性能同樣有一定影響。隱含層節點數過少，學習的容量有限，不足以儲存訓練樣本中蘊含的所有規律；隱含層節點過多，不僅會增加網絡訓練時間，而且會將樣本中非規律性的內容儲存進去，反而降低泛化能力。隱含層節點數通常通過公式(1)進行湊試來確定[14-16]，具體公式如下：

(1)

式中，m為隱含層節點數；n為輸入層神經元數；l為輸出層神經元數；α為調節常數，為1～10。

選取2～12個隱含層節點，逐一改變訓練網絡進行重復計算，并根據擬合優度系數R2、均方誤差MSE和平方相關系數Scc判斷模型的預測效果，具體計算公式為：

(2)

(3)

(4)

式中，ypred為模型的預測值；yobs為試驗值；ymean為試驗值的平均值。R2越逼近1，表明預測效果越好。MSE是對模型預測客觀評價，MSE越小，表明模型越優。Scc越接近1，表明所訓練出的模型性能越好。

140組試驗樣本見表1，由于第5組樣本結果出現明顯偏差，將影響系統模型的建立，所以將其剔除。在剩余的139組樣本中隨機選取107組作為學習樣本訓練網絡，隱含層節點傳遞函數采用log-sigmoid型函數，輸出層神經元傳遞函數采用純線性函數purelin。設定目標訓練均方差為 0.01，訓練步數為100。輸入層變量包括充填體試塊放置時間、地下水水樣、浸泡時間，重金屬Zn含量作為輸出層。由于重金屬Zn含量變化的3個影響因素的物理量綱不同，故在網絡訓練、檢驗及預測前，將學習樣本歸一化在[-1,1]范圍內，以保證網絡對樣本具有較好的輸入敏感性和擬合性。

2 結果與分析

所有139組試驗結果分為兩部分：107組作為學習樣本訓練網絡，32組作為預測網絡。所有輸入層數據、重金屬Zn含量的試驗值見表1,隨機選取32組的預測值和試驗值進行對比(圖1)。由圖1可知，當網絡隱含層層數為 1、節點數為 7時，R2=0.888 3，MSE=0.081 9，Scc=0.943 7，說明建立的BP神經網絡預測模型能夠較好地預測全尾砂膠結充填對地下水重金屬Zn含量的影響。

表1 所有輸入層數據和Zn含量的試驗值

接下表

接下表

3 結論

研究了人工神經網絡預測廣西某金屬礦山全尾砂膠結充填體對地下水重金屬Zn含量影響的可行性。結果表明，訓練的隱含層層數為 1、節點數為 7的網絡具有較好的預測效果，此時R2=0.888 3，MSE=0.081 9，Scc=0.943 7，說明建立的BP神經網絡預測模型能夠較好地預測全尾砂膠結充填對地下水重金屬Zn含量的影響。

[1] 周愛民.礦山廢料膠結充填[M].北京:冶金工業出版社,2007.

[2] 王新民.深井礦山充填理論與技術[M].長沙:中南大學出版社,2005.

[3] 苗濤.姑山掛幫礦采空區干式充填技術[J].現代礦業,2011(6):74-76.

[4] 劉再濤.緩傾斜破碎礦體全廢石充填采礦法的應用[J].現代礦業,2013(4):62-63.

[5] 王賢來,姚維信,王虎,等.礦山廢石全尾砂充填研究現狀與發展趨勢[J].中國礦業,2011,20(9):76-79.

[6] 楊志強,王永前,高謙,等.金川鎳礦尾砂膏體充填系統工藝技術改造與應用研究[J].有色金屬科學與工程,2014,5(2):1-9.

[7] WANG Y,QIAN X,RICHARD L J Y,et al.Experimental behavior of cement filled pipe-in-pipe composite structures under transverse impact[J].International journal of impact engineering,2014,72:1-16.

[8] 朱國濤.高濃度結構流全尾砂膠結充填實驗研究與應用[J].礦業工程,2011,9(6):20-22.

[9] SAHOO G B,RAY C,DE CARLO E H.Use of neural network to predict flash flood and attendant water qualities of a mountainous stream on Oahu,Hawaii[J].Journal of hydrology，2006，327:525-538.

[10] NISKA H，HILTUNEN T，KARPPINER A，et al.Evolving the neural network model for forecasting air pollution time series[J].Engineering applications of artificial intelligence，2004，17(2)：159-167.

[11] ZHOU H，QIAN X P，CEN K F，et al.Optimizing pulverized coal combustion performance based on ANN and GA[J].Fuel processing technology，2003，85(2/3)：113-124.

[12] 徐波,賈銘椿,門金鳳.神經網絡預測改性海綿鐵除氧效果的研究[J].工業水處理,2012,32(9):29-32.

[13] 郭彥,王海芳.神經網絡模型在環境現狀評價中應用研究[J].環境科學與技術，2010,33(11):191-198.

[14] 朱大奇，史慧．人工神經網絡原理及應用[M]．北京：科學出版社，2006：42．

[15] 劉小生,曠雄.基于空間信息格網與BP神經網絡的災損快速評估系統[J].江西理工大學學報,2015,36(3):19-25.

[16] ZHANG L P,YU H J,HU S X.Optimal choice of parameters for particle swarm optimization[J].Journal of Zhejiang University science,2005,6(6):528-534.

Prediction of Effects of Tailing Filling on Zn Content in Groundwater Based on Artificial Neural Network

XIONG Chang-shi1, CHEN Yun-nen1, WU Le-wen2et al

(1.School of Resource and Environmental Engineering, Jiangxi University of Science and Technology, Ganzhou, Jiangxi 341000; 2. China-Tin Group Co., Ltd., Liuzhou, Guangxi 545006)

[Objective] The study aims to discuss the feasibility of predicting the effects of tailing filling on Zn content in groundwater based on artificial neural network (ANN). [Method] With error back propagation (BP) neural network, a dynamic simulation model showing the relationship of Zn content with placed time of tailing filling block, groundwater sources and soaking time was established to predict the effects of tailing filling on Zn content in groundwater from a metal mine of Guangxi. [Result] When the number of ANN hidden layer is 1 and the number of nodes is 7, the established BP neural network can accurately predict the effects of tailing filling on Zn content in groundwater. [Conclusion] The research can provide scientific references for the protection of groundwater environment and safe disposal of tailings in mines.

Tailing filling; Groundwater; Heavy metal Zn; Artificial neural network

廣西科學研究與技術開發技術課題(桂科重14124001-2)。

熊昌獅(1992-)，男，江西南昌人，碩士研究生，研究方向：廢水處理與廢渣資源化。

2015-11-20

S 181

A

0517-6611(2015)35-115-03