基于BP神經網絡的垃圾滲濾液輸運管道結垢趨勢預測

趙 銳，趙麗萍，陳靜芳，劉 婕，李 敏

(西南交通大學地球科學與環境工程學院，四川 成都 611756)

0 引 言

滲濾液是垃圾處置過程中產生的二次污染物，具有有機物濃度高、無機鹽和重金屬含量多、成分復雜多變等特點[1]，一般需要通過管道收集并輸送至相關設施進行深度處理。在集輸過程中，可能誘發輸運管道結垢，導致集輸系統失效，給周邊環境和公眾健康帶來潛在影響[2]。因此，有必要對輸運管道的結垢趨勢進行預測，以減少管路系統發生堵塞的風險，保障處置設施安全運營。

滲濾液集輸管道結垢主要與礦物沉淀、顆粒物沉積、有機物生化降解有關。研究普遍認為，堿金屬碳酸鹽沉淀是成垢的關鍵因素[3-5]。滲濾液水質因垃圾類型、填埋時間、季節變化、水文地質條件等多個因素影響，導致不同滲濾液中鈣鎂離子濃度差異較大[1,6-7]。相同條件下，碳酸鈣(CaCO3)的溶解度小于碳酸鎂(MgCO3)，且鎂的強水化作用阻礙了鎂離子(Mg2+)和碳酸根(CO32-)的直接結合，導致結垢物主要成分呈現為CaCO3[5]。Fleming等[8]的研究結果表明滲濾液中鈣離子含量變化與有機物化學需氧量(COD)密切相關，滲濾液中有機酸的降解導致二氧化碳逸出，造成pH升高促使碳酸鈣(CaCO3)沉淀。Rittmann等[9]通過多孔介質滲透實驗也發現，滲濾液中的揮發性脂肪酸易發生厭氧分解，產生甲烷和碳酸，導致溶液酸堿失衡，引起pH升高，所產生的碳酸根與過量的鈣離子(Ca2+)結合，形成碳酸鹽礦物沉淀。李敏等[10]進一步證實滲濾液中Ca2+濃度是影響結垢的關鍵因素，而結垢可能是化學沉淀和微生物代謝共同作用的結果。滿瑞林、王小倩等[11-12]發現垢物中CaCO3的質量占比達98%，滲濾液總硬度和總堿度過高是結垢的主要誘因[13]。此外，Li等[14]研究了滲濾液中腐殖質與鈣的絡合能力，指出鈣與腐殖酸絡合是結垢形成的誘因，而生物持續發酵致使堵塞加劇。上述研究結果表明，滲濾液水質特征對結垢有重要的影響。

既有關于管道結垢預測的研究主要集中于石油、高鹽水、地熱水等傳輸場景，而關于滲濾液輸運管道結垢趨勢預測的研究還鮮有報道。傳統管道結垢預測方法主要是基于經驗方程擬合，如Langelier飽和指數法、Ryznar穩定指數法、Davis-Stiff飽和指數法等[15]，預測結垢的發展趨勢。但滲濾液作為一種復雜流體，其結垢過程不是單一的作用過程，不僅包含化學沉淀，還涉及復雜的生化反應，基于碳酸鈣溶解平衡的經驗方程難以實現結垢有效預測?；谡`差反向傳播算法(error back propagation training,BP)的神經網絡方法是梯度搜索技術驅動的一種機器學習方法，即無需事先確定輸入和輸出之間的映射函數，可通過自身學習某種規則，在給定輸入值時得出最接近期望的輸出結果[16]。本文通過設計模擬將高密度聚乙烯(HDPE)管材加工成樣片后浸置于配置的滲濾液中，以管材表面結垢實驗數據為基礎，利用BP神經網絡方法構建了管材結垢趨勢預測模型，以期為滲濾液集輸系統堵塞風險防控提供決策依據。

1 實驗部分

1.1 主要試劑與設備

試驗管材選擇生活垃圾處理技術規范[17]推薦使用的HDPE管材，管徑為50 mm，購自成都三環管業公司；氯化鈣(CaCl2)、氯化鈉(NaCl)、葡萄糖、碳酸氫鈉(NaHCO3)均為分析純級，購自成都科龍化工有限公司；腐殖酸為化學純級，天津百倫斯生物技術有限公司生產；pH緩沖劑，上海儀電科技股份有限公司生產。樣品稱量使用梅特勒 MS 105電子分析天平；樣品表面微觀形貌分析使用FEI公司QUANTA FEG250型場發射電子掃描顯微鏡(SEM)，垢物晶體成分分析使用Bruker D8 X射線衍射(XRD)儀。

1.2 實驗方法

根據文獻資料調研[4,9,18-19]，滲濾液集輸系統中的垢物主要成分為CaCO3，影響結垢的滲濾液關鍵水質因素主要包括pH值、COD、Ca2+、Cl-、腐殖質等。既有研究顯示[20-23]，垃圾滲濾液中的pH值、COD、Cl-、Ca2+等因素的變化范圍一般在 4.2～9.0、4 000～80 000 mg/L、 150～16 000 mg/L、 1 500～6 000 mg/L。經處理設施處理后，水質指標有較大提升，如COD和Ca2+濃度可分別降至60 mg/L和350 mg/L。本研究基于上述資料，設計了模擬滲濾液-管材交互的靜態結垢實驗。Ca2+、Cl-和COD分別通過溶解CaCl2、NaCl和葡萄糖配制(1 g葡萄糖相當于1.067 g COD)，pH值由pH緩沖劑調節，根據垃圾滲濾液的水質情況，各組模擬滲濾液配制參數表見表1。

表1 HDPE管材結垢實驗滲濾液參數表

將 HDPE 管材加工成質量 2.500 g的拱形樣片，分別浸置于23組模擬滲濾液中，每組實驗放置5塊平行樣片。結垢實驗持續8周后取出浸置樣片，室溫干燥，精確稱量其質量，并進行表觀形貌分析；收集管材表面垢物樣品，進行成分分析。

2 BP神經網絡驅動的結垢預測模型構建

2.1 BP神經網絡算法

BP神經網絡是一種基于多變量和非線性的機器學習模型，通過對大量數據進行訓練，通過前向傳遞得到網絡的預測值和實際值的誤差，不斷修正權重和閾值，使BP神經網絡模型的預測值和實際值接近，以提高預測結果的準確度[24]。

2.2 結垢預測模型構建

將影響結垢的滲濾液水質因子作為所構建的BP神經網絡預測模型的輸入層，共包括pH值、COD、腐殖質、Ca2+、Cl-和 NaHCO3質量濃度 6個輸入單元，輸出層為結垢趨勢。網絡隱層節點數過多，易出現過擬合，訓練效果雖好但驗證效果較差；節點數過少可能無法擬合[26]。為此，本文通過下式確定節點數目：

式中：H——隱含層節點數；

I——輸入層節點數；

O——輸出層節點數；

a——常數。

根據式(5)測算，本文定義隱層節點數為4，所構建的結垢預測神經網絡拓撲結構如圖1所示。

圖1 神經網絡拓撲結構

在進行神經網絡訓練前，為保證不同量綱輸入具有同等條件，網絡輸入數據按照下式進行歸一化處理[27]：

將隱層節點數及歸一化后的樣本數據輸入2.1中所述神經網絡算法，構建出滲濾液輸運管道結垢趨勢的神經網絡訓練模型。

為了更好地研究滲濾液水質因素對結垢的影響程度，需要更直觀地表達輸入和輸出之間的權重關系，因此，對樣本訓練所得各神經元之間的權值使用下式進行進一步再處理[28]：

式中：i——神經網絡輸入層；

j——輸出層；

k——隱含單元；

Wki——輸入層i和隱含層k的權系數；

Wjk——輸出層j和隱含神經元k的權系數。

3 結果與討論

3.1 結垢趨勢分析

使用結垢率表示管材表面結垢趨勢，結垢率=(管材質量-結垢量)/管材質量，各實驗組管材結垢情況見圖2?？梢娫趯嶒炛芷趦龋鹘M實驗管材表面均有不同程度的結垢，其中4號和9號實驗體系中的管材結垢率較大，超過20%。結垢趨勢最大的4號實驗組結垢率高達54.096%，這可能與此組實驗滲濾液中的Ca2+和COD濃度均較大有關，垢物的主要成分CaCO3的形成直接受Ca2+和碳酸根濃度的影響，滲濾液中碳酸根生成主要來自有機物的降解[29]，表現為COD的減少。這在結垢率小于0.2%的2號、13號和14號實驗體系中也可以看出，其中2號Ca2+濃度最小，低至250 mg/L。

圖2 HDPE管材結垢實驗結果

綜合比較23組實驗體系的實驗結果可以發現，弱堿性溶液中的管材表面結垢量顯著大于中性和弱酸性溶液，產生這種結果的原因可能是在酸性條件下Ca2+活化能降低，結晶反應速率減緩，H+濃度增加促進其與CO32-反應，平衡向產生HCO3-的方向移動，CO32-濃度減少，降低了CaCO3晶體物質的生成[30]。同時腐殖質和COD濃度對結垢形成也有著積極影響，有機物和腐殖質的吸附團聚作用以及腐殖質與金屬離子絡合作用配合物密切相關。

3.2 表觀形貌分析

為進一步考察不同滲濾液中管材表面結垢情況，選擇滲濾液各組分含量差異較大的1號、3號和5號實驗組中管材樣片進行表面形貌分析，結果如圖3所示?？梢钥闯?，酸性環境中垢物呈現珊瑚狀、表面凹凸不平的疏松多孔結構，孔隙處附著細小顆粒(圖3(a))。其形成過程可能是，溶液中離子反應生成結晶體在粘附力、重力作用下堆積在管材表面，不穩定晶體繼續在相鄰晶體間沉積，同時腐殖質吸附粒子形成更大面積的緊密沉積層；且由于形成的顆粒物表面粗糙，粒子與管材間存在較多孔隙，凸點孔隙處更易形成密集生長的晶體[31]。而中性實驗組結垢為相互包絡連接的疏松絮狀物，呈無規則形態粘附在樣片表面，該沉積物粘附力較低，晶間作用力相對較弱，沉積物不穩定(圖3(b))?？赡艿脑蛟谟谥行耘渌形廴疚餄舛认鄬^低，腐殖質在其中發揮主要控制作用，與無機離子發生絡合反應形成絮狀物[32]。圖3(c)顯示，弱堿性環境中垢物呈現不規則晶體和鱗片被包裹的狀態，可能是由于溶液中垢物晶體沉積在管材表面后，在有氧環境下晶體表面形成了生物膜，隨著晶體和生物膜的生長，逐步形成生物膜和沉淀物相互粘附包裹的垢物[33]。

圖3 不同pH值滲濾液中HDPE樣片的SEM 圖像

3.3 垢物成分

垢物樣品的XRD分析結果見圖4。結果發現各實驗組垢物的組成基本相同，主要成分為CaCO3、NaCl、C14H9NO2(9-吖啶甲酸) 等。這與前人研究結果基本一致，如Manning等[34]發現滲濾液收集處理系統中的沉積物由方解石和黏土礦物組成，Maliva等[35]發現滲濾液收集系統中的垢物主要成分為鈣類礦物混合物如文石 (CaCO3)、單氫方解石 (CaCO3·H2O)、方解石 (CaCO3)、白云石 (CaMg(CO3)2) 等。

圖4 HDPE管材表面垢物的 XRD圖譜

3.4 紅外光譜分析

HDPE樣片在結垢實驗前后的傅里葉紅外光譜(FTIR)見圖5。從圖5(a)中可以看出，管材原片FTIR曲線在3 567 cm-1及2 343 cm-1處的吸收峰是亞甲基-CH2的伸縮振動吸收峰，1 540 cm-1附近出現的尖銳吸收峰為C-H的面內彎曲振動吸收峰。結垢實驗后，圖5(b)顯示在3462 cm-1附近出現較寬的-OH吸收峰，可能是由于垢物表面有吸附水的存在，3567 cm-1處的-CH2吸收峰被此寬峰掩蓋，而2343 cm-1處的-CH2吸收峰依然存在，在1 637 cm-1處出現C=O伸縮振動特征吸收峰，這進一步表明了管材表面存有CaCO3垢物，與XRD的分析結果一致。

圖5 結垢實驗前后HDPE樣片表面紅外光譜

3.5 基于BP神經網絡的結垢趨勢預測

選擇表1中前18組實驗數據作為所建模型的訓練樣本，第19～23組作為測試樣本。使用所建神經網絡模型對測試樣本進行結垢預測，結果如表2所示。利用相對誤差衡量預測結果的有效性，5組測試樣本的模型預測結果與實驗結果的最大相對誤差為17.4%，平均相對誤差為11.7%，說明該模型的適應性較好，可以進行滲濾液輸運管道結垢預測。此外，BP神經網絡通過多次訓練即網絡迭代，不停地調整權值，以減小誤差。從預測結果來看，選擇18組樣本作訓練樣本可基本滿足訓練要求。當樣本數增加時，可能會提升模型的擬合效果，但訓練時間也會延長，降低計算效率，后續可考慮適度增加訓練樣本，進一步測試模型的預測精度，觀察樣本數量對模型精度的影響。

表2 HDPE管材結垢預測結果

各水質因素對結垢的影響權重列于表3。可以看出，Ca2+和腐殖質對結垢量的影響較大，pH、COD、NaHCO3以及Cl-影響相對較小，各因素影響權重大小排序為：Ca2+＞腐殖質＞COD＞pH＞ NaHCO3＞Cl-。其中Ca2+權重最大，表明ρ(Ca2+)是影響管材結垢的關鍵控制因素，這與垢物主要成分是CaCO3的結果一致；其次為腐殖質，說明ρ(腐殖質)對結垢有一定促進作用，原因可能是腐殖質的吸附團聚作用以及腐殖質與金屬離子的絡合作用，共同為CaCO3沉淀及其晶體生長提供了有利條件[30]。這也進一步驗證了垢物的SEM和XRD晶體成分的分析結果。滲濾液中厭氧微生物的生長代謝，消耗有機物產生碳酸和甲烷表現為COD和pH值的變化，并進一步影響HCO3-，但由于碳酸鈣較小的溶度積，使得垢物沉淀消耗的CO32-較少，最終導致COD、pH和 NaHCO3對結垢的影響權重相對較小。

表3 管材結垢各水質因素影響權重

4 結束語

本研究基于管材樣片在配置滲濾液中的浸置實驗，以實驗數據驅動BP神經網絡構建了HDPE管材表面結垢預測模型，分析了模型的有效性以及不同水質因素對結垢的影響作用。結果表明：1）pH值、Ca2+、腐殖質、COD、NaHCO3和 Cl-濃度對管材表面結垢有不同程度的影響，ρ(Ca2+)為影響結垢的關鍵因素，權重為 0.356，ρ(腐殖質)、 ρ(COD)和 pH值對結垢過程有一定促進作用，其權重值分別為0.245、0.170和0.141；2）垢物的主要成分是CaCO3晶體，但不同組分含量的滲濾液中管材表面結垢過程有一定差異，結垢過程是礦物沉淀與腐殖質絡合物相互粘附沉積的結果；3）所建BP神經網絡結垢預測結果與實驗結果的相對誤差為11.7%，表明所建模型預測準確度較高，具有較好的場景適應性，能夠用于滲濾液輸運管材結垢趨勢預測。為減緩輸運管道結垢，應首先考慮減少高鈣垃圾，如焚燒飛灰和爐渣等進入填埋場；其次可考慮在管道內通入填埋氣做預處理，控制其在管道內的沉淀；此外，適度延長滲濾液在調節池中停留時間，可降低Ca2+含量，減緩輸運管道結垢。