人工智能技術在水污染治理領域的研究進展

魏瀟淑，高紅杰，陳遠航，常明*

1.中國環境科學研究院流域水環境污染綜合治理研究中心

2.中國環境監測總站

近年來，我國對水環境的治理與管控力度逐漸加強，各類水體水質已有明顯改善，但仍有一些水體污染較為嚴重，尤其是工業污染、城鎮生活污染和農業面源污染相互交織的復合型水污染問題未得到有效解決。傳統的水污染治理與監管技術已不能完全滿足時代發展的需求，開發新型智能的水污染監管與治理技術迫在眉睫。人工智能（artificial intelligence，AI）是美國科學家John McCarthy 在1956 年提出的計算機科學領域的一個分支，它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用的一門新科學技術，其主要能力是存儲知識，讓程序通過一定的運算實現預設目標[1]。同時，人工智能也可以對視覺圖像、聲音、其他傳感器輸入的各類形式數據進行處理并作出合理反應。自20 世紀90 年代機器學習主導主流研究以來，人工智能技術迅速發展，已經廣泛應用于農業、氣候、金融、工程、安全、教育、醫學、環境等各種學科，被認為是常規程序和數學的高效經濟的替代品[2-4]。而將人工智能應用于環境治理領域，已逐漸成為人工智能和環境科學2 個學科研究的熱點和焦點。大量研究表明，人工智能技術被廣泛地應用于水環境污染[5]、大氣污染[6]、固廢處理[7]、氣候變化[8]和其他環境領域[9]，是環境監管和治理的良好助手。其在水環境治理方面的應用模型[2]主要包括人工神經網絡（ANNs）、支持向量機（SVM）、遺傳算法（GA）、模糊邏輯（FL）以及它們的混合模型（圖1）。

圖1 人工智能技術在水污染控制方面的應用模型分類[2]Fig.1 Application model classification tree of AI technologies for water pollution control

1 單一模型

1.1 人工神經網絡(ANNs)

人工神經網絡（ANNs）是由大量處理單元互聯組成的非線性、自適應信息處理系統[10]。它是基于歷史數據，利用適當的訓練算法來捕獲自變量和因變量之間的非線性行為，從而對事物的發展進行預測。其中，每個節點代表一種特定的輸出函數，稱為激勵函數。每2 個節點間的連接代表通過該連接信號的加權值，稱之為權重，相當于人工神經網絡的記憶。網絡的輸出則依據網絡的連接方式、權重和激勵函數的不同而不同。目前，已有近40 種神經網絡模型，其中包括反向傳播網絡、感知器、自組織映射、Hopfield 網絡、波耳茲曼機、適應諧振理論等。在水環境污染處理研究中最常用的是前饋神經網絡，尤其是多層感知器神經網絡（MLPNN）和徑向基函數神經網絡（RBFNN）。

前饋神經網絡各神經元是一種單向多層結構，每個神經元只與前一層的神經元相連，接收前一層的輸入，并輸出給下一層，各層間沒有反饋，是目前應用最廣泛、發展最迅速的人工神經網絡之一[11]。Yin 等[12]以水資源和能源需求為輸出，對傳統的單隱層反向傳播神經網絡進行改進，將前饋神經網絡模型用于無錫市水能源需求綜合預測。該模型具有較強的可靠性和穩定性，可作為分析城市水資源與能源水平供需平衡的參考，為水能源規劃策略的制定提供依據。Jami 等[13]利用多層前饋人工神經網絡對馬來西亞吉隆坡的一個污水處理廠進出水數據進行采集和分析，建立了預測污水處理廠最終出水氨態氮（NH3-N）濃度的模型。該模型可以解釋高達79.80%的廢水處理過程，均方誤差僅為0.159 1。

MLPNN 是最簡單、最著名的神經網絡類型之一，屬于前饋神經網絡。MLPNN 的結構包括輸入層、隱藏層和輸出層，對預測能力有重要影響[2]，目前已經成為污水中污染物去除建模和優化的高效工具，主要應用于染料和重金屬的去除率預測。Ebrahimpoor 等[14]基于蜂群元啟發式算法，借助多層感知器人工神經網絡ANN-BA 模型研究了聚吡咯/SrFe12O19/氧化石墨烯復合材料對染料酸性紅27 的吸附去除能力，并與響應曲面法（RSM）相比較。結果表明，ANN-BA 模型去除率更高。Yu 等[15]基于反向傳播算法，采用三層感知器神經網絡BP-ANN 模型評估了納米零價鐵（nZVI）對Cr(Ⅵ)的去除效率。模型以溶液pH、溶解氧（DO）、氧化還原電位（ORP）、Cr(Ⅵ)初始濃度、nZVI 投加量和接觸時間為輸入變量，監測反應過程中DO、ORP 和pH 的變化。與回歸模型相比，BP-ANN 模型對Cr(Ⅵ)去除效率預測的精確度更高，在優化nZVI 去除Cr(Ⅵ)方面具有較大的潛力。

RBFNN 是20 世紀80 年代末提出的一種單隱層、以函數逼近為基礎的前饋神經網絡[16]。與MLPNN 相比，RBFNN 具有學習速度快、非線性映射能力強的特點[17]。Ozel 等[18]在2012 年12 月—2013 年12 月期間，對土耳其境內Bartin 河5 個地點的生化需氧量（BOD）、化學需氧量（COD）、懸浮物（SS）、pH、電導率（CE）和溫度（T）進行了監測，然后將多元線性回歸、徑向基函數神經網絡、多層感知器神經網絡模型應用于水質預測。這些模型以T、pH、COD、SS、CE 參數為輸入數據，預估BOD。結果表明，人工神經網絡模型比多元線性回歸模型具有更好的預測效果，尤其徑向基函數神經網絡性能更好。而Bolanca 等[19]將MLPNN 和RBFNN 應用于Fe0/S2O82?氧化降解活性紅水溶液復雜體系，并從應用方法、訓練算法、激活函數、網絡拓撲等方面對所建立的神經網絡模型性能進行比較和評價。研究指出，MLPNN 法需要正弦激活函數才能實現最大能力，而基于RBFNN 的模型具有較好的預測能力，精度較高，平均相對誤差為1.70%。Asfaram 等[20]則以RSM、ANN 和RBFNN 3 種模型來評估Mn@CuS/ZnS-NC-AC 新型吸附劑吸附亞甲基綠（MG）和亞甲基藍（MB）的可行性。與其他模型相比，RBFNN 模型具有更好的預測和泛化能力。此外，Singh 等[21-22]也發現類似結論，RBFNN 模型對椰殼活性炭吸附水溶液中2-氯酚（2-CP）和工業滲濾液中浮石吸附銅的預測能力更強。

1.2 支持向量機 (SVM)

支持向量機（SVM）是基于結構化風險最小化原理，按監督學習方式對數據進行二元分類的一類廣義線性分類器[23-24]。由于收斂原理使其能夠更好地回歸輸入值和輸出值之間的關系，并在新輸入數據集上具有泛化能力，因此，SVM 在分類和回歸方面具有良好的性能[2]。基于SVM 分類和提取特征，Jaramillo 等[25]提出通過閉環控制pH 和DO 在線預測好氧反應去除硝酸鹽化合物的時間，并利用SVM 分類器確定好氧過程的終點。結果表明，該方法可使好氧過程時間減少7.52%（相當于9.54 d）。而Huang 等[26]開發了一種間歇好氧工藝用于去除污染河流中的氮，建立了基于近紅外光譜數據和SVM 的化學計量模型，實現了對總氮、氨氮和亞硝酸鹽氮的同步快速分析。該方法為污染河流的治理和檢測提供了有效的技術手段。Gao 等[27]則采用SVM，以污泥濃度、溫度、溶解氧濃度、水力停留時間、操作壓力、運行時間等工況為輸入節點，以序批式活性污泥懸浮液膜通量為輸出節點，預測了活性污泥懸浮液的膜通量。研究表明，SVM 模型的預測值與試驗樣本的試驗數據吻合較好，且在樣本容量較小的情況下其性能優于BP-ANN 模型。另外，Zhang 等[28]采用SVM 對垂直管式生物反應器的出水水質進行了模擬。結果表明，所建模型具有良好的適應度和預測能力，SVM 是一種有效的、具有發展前景的污水處理工藝出水預測模型。

1.3 遺傳算法 (GA)

遺傳算法（GA）是一類借鑒生物界的進化規律（適者生存、優勝劣汰的遺傳機制）演化而來的隨機化搜索方法[29]。其主要特點：直接以適應度作為搜索信息，無需導數等其他輔助信息；具有內在的隱含并行性和更好的全局尋優能力；采用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。Al-Obaidi等[30]首次將物種保存遺傳算法（SCGA）應用于優化反滲透廢水處理工藝條件中，通過優化多級反滲透（RO）條件，對N-亞硝基二甲胺進行滲透再處理和回收降解，從抑制率、回收率和能耗3 個方面確定了最佳運行配置。Louzadavalory 等[31]將環境質量標準中DO、BOD 和污水處理系統的相應措施作為約束條件或目標函數，并用GA 與水質模型相結合來確定污水處理廠的最低污水去除效率，并應用于巴西的圣瑪麗亞達維多利亞河流域。結果表明，該優化模型組合是確定污水處理廠最低污水去除效率的有效工具，在考慮河流自凈化能力的同時可將成本控制在最低。Brand 等[32]也將GA 應用于優化區域污水處理系統當中，用以降低污水處理廠的運營成本。

1.4 模糊邏輯 (FL)

模糊邏輯（FL）是一種通過模仿人的思維方式來表示和分析不確定、不精確信息的方法和工具，能夠解決許多復雜而無法建立精確數學模型的控制問題，所以它是處理推理系統和控制系統中不精確和不確定性的一種有效方法[33]。近年來在環境領域的成功應用，顯示了其在環境質量指標設計方面的巨大潛力[34-38]。Flores-Asis 等[39]將FL 應用于某家禽污水處理廠污泥預處理過程，指出有機負荷、揮發性固體和操作時間是影響沼氣產生的最大變量，該模型為專家設計決策支持系統提供了一種較好的方法。Dogdu 等[40]在利用垂直流人工濕地（VFCW）系統處理實際紡織廢水時，采用基于圖形用戶界面（GUI）的FL 工具監測污水水質，以圖形化的方式直觀地表示處理后的紡織廢水質量與水污染控制條件之間的關系，當超過排放限值時則會發出預警。Suthar 等[41]建立了一個基于FL 的分析系統，研究溫度和pH 對浮萍生物量的影響，采用傳統模糊推理法以實測數據為變量實現了對浮萍生長的調控優化。

2 混合模型

混合模型是將2 種或多種人工智能技術相結合，克服單一人工智能方法的某些缺點，實現協同優勢。如啟發式算法與不同類型的神經網絡、支持向量機模型或模糊系統相結合，被認為是解決復雜問題的有效工具。經典的混合系統是神經模糊系統，基于自適應網絡的模糊推理系統在預測、控制、數據挖掘和噪聲消除等諸多領域具有強大的應用價值，廣泛地應用于污水處理領域[42-46]。例如：Huang等[47]將集成模糊神經網絡控制系統運用于缺氧-好氧（A/O）條件下以低能量消耗消除含氮化合物的過程，該系統由預測最終缺氧過程中硝酸鹽濃度的模糊神經網絡估計器和控制硝酸鹽回流流量的模糊神經網絡控制器組成。與采用硝酸鹽再循環流量相比，該系統的COD、TN 濃度和運行成本在一周時間內分別降低了14%、10.5%和17%。Azqhandi 等[48]比較了響應曲面法、廣義回歸神經網絡（GRNN）和自適應神經模糊推理系統（ANFIS）在一種新型包合物（主-客體絡合物）去除三氯生（TCS）過程中的統計分析效果，發現ANFIS 模型效果更好。而Ghaedi 等[49]則利用人工神經網絡與粒子群優化模型（ANN-PSO）相結合的方法預測了ZnS-NP-AC 對亮綠染料吸附的影響。結果表明，隱藏層中含有13 個神經元的三層神經網絡模型是預測亮綠染料吸附的較合適模型。而后，他們還利用支持向量回歸與遺傳算法優化混合模型（GA-SVR）預測了多壁碳納米管（MWCNT）對孔雀石綠（MG）的吸附能力，并通過中心復合設計以最少的試驗研究各因素之間的關系，確定最佳條件。研究指出，吸附除遵循顆粒內擴散模型外，還遵循偽二級動力學模型[50]。此外，該課題組還利用GA-ANN 評價了單壁和多壁碳納米管快速吸附三聚氰胺的潛在應用[51]。通過模擬吸附劑用量、接觸時間、初始染料濃度等條件，優化了吸附劑的最佳吸附性能。結果表明，在遺傳算法下得到的最佳參數，單壁和多壁碳納米管去除三聚氰胺的最大吸附量分別為25.77 和33.14 mg/g。

綜上所述，人工智能已被廣泛應用于水污染治理領域，不僅增強了環境信息的獲取能力，優化了環境治理的決策機制，還為環境精細化管理創造了良好的條件。不同人工智能技術的優缺點及其在水環境治理領域的適用性總結如表1 所示。

表1 不同人工智能技術在水污染治理領域的特點與比較Table 1 Characteristics and comparison of AI technologies in the field of water pollution control

（續表1）

3 結語

人工智能技術在水環境治理領域的應用，以及其在經濟社會各領域的普及，給環境治理帶來了革命性的影響。經過大數據訓練的人工智能算法可以克服傳統數學模型的局限性，利用訓練數據提取所需信息。雖然大多數人工智能模型需要大量的數據進行訓練才能達到預期的精度，且驗證過程可能非常耗時，訓練過程的計算成本可能很高，但人工智能在水環境污染監控與治理領域已有許多成功的應用實例，展現出極為廣闊的應用前景。