神經網絡-FTIR監測有機污染物污染土修復效果的可行性分析

摘" 要：受揮發性有機物污染的場地引發的問題越來越引起重視，在實驗室條件下采用表面活性劑強化曝氣法修復受揮發性有機物污染的場地，對修復效果的監測和評價的技術方法在逐步更新。傅里葉變換紅外光譜術通過測得揮發性有機物的光譜進而分析得到揮發性有機物的濃度，適用于監測揮發性有機物的濃度變化。神經網絡作為一種非線性函數，可以較好地處理相關輸入量與輸出量之間的關系。基于此，分析神經網絡-傅里葉變換紅外光譜術監測有機污染物污染土修復效果的可行性。

關鍵詞：揮發性有機物污染；表面活性劑強化曝氣；傅里葉變換紅外光譜術；Beer-Lambert定律；神經網絡

中圖分類號：O657.33" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）21-0061-04

Abstract： The problems caused by sites contaminated with volatile organic compounds are receiving increasing attention. Under laboratory conditions， Surfactant Enhanced Air Sparging method is used to repair sites contaminated with volatile organic compounds. The technical methods for monitoring and evaluating the repair effect are gradually being updated. Fourier transform infrared spectroscopy technology can measure the spectrum of volatile organic compounds and then analyze the concentration of volatile organic compounds， which is suitable for monitoring the concentration change of volatile organic compounds. Neural network can be used as a nonlinear function， which can better handle the relationship between relevant input and output quantities. Based on this analysis， the feasibility of using neural network-FTIR to monitor the remediation effect of organic pollutant contaminated soil.

Keywords： volatile organic compound pollution; Surfactant Enhanced Air Sparging; FourierTransform Infrared Spectroscopy; Beer-Lambert law; neural network

中國環境與發展國際合作委員會發布的《中國土壤環境保護政策》[1]報告指出，國內土壤主要受重工業、化工業及各類傳統能源開采產生的有機物影響。據研究數據顯示，自1980年始，國內揮發性有機污染物（VOCs）排放量平均增長速率約為8.5%，在2000—2014年15年的時間里，VOCs污染物排放總量年均增長率達到19%，在2015年已達2 843萬t[2]。由于VOCs污染物有毒性，在2016年出現常州毒地事件，造成了近500人出現不良反應，個別人員更是出現了白血病、惡性腫瘤等嚴重健康問題。為解決揮發性有機物污染土壤問題，保護人民群眾的身體健康，國內外學者進行了大量的研究工作，主要包括曝氣法修復技術、土壤淋洗技術、抽出-處理技術、植物修復技術和氣相抽提技術等[3-4]。通過以上技術對污染土壤修復后，土壤的污染情況得以改善，但由于VOCs存在處理后具有反彈性，后續仍需對修復區的VOCs濃度進行監測。在眾多監測VOCs的技術方法中，傅里葉變換紅外光譜術（FTIR技術）為較為有效的技術，隨著VOCs污染物監測技術及神經網絡技術的發展，對污染土修復區的VOCs濃度進行監測也有了新的選擇，擬對神經網絡-FTIR技術聯合對實驗室條件下監測有機污染物污染土修復效果的長效性評價進行可行性分析。

1" VOCs污染土修復

1.1" VOCs污染物特性

1）隱蔽性：土壤存在固、液、氣3種形態，三者相互轉化，動態平衡，因而在揮發性有機物吸附在土壤上后，難以將被污染的土與正常的土區分開。

2）持久性：揮發性有機物本身有強揮發性，當其污染土體后，在一定的溫度、壓力及土層變化條件下就會進一步揮發。

3）持久性及累積性：土壤對揮發性有機物具有吸附作用，揮發性有機物難以在短時間內揮發干凈。經過長時間的積累，存在于土壤之中的揮發性有機物也會越來越高，其濃度也將逐步提高。

4）繁雜性：土壤中的揮發性有機物并不是單獨存在的，其是各式各樣的，其相互作用，相互融合吸附在土中。

1.2" 有機物污染土修復技術

目前部分有機污染物污染土壤修復技術見表1。

1.3" 曝氣法修復技術

曝氣法修復技術是常用且較為有效的一種修復技術，其主要方法是通過將壓縮空氣注入到飽和的污染土體中，通過氣-液-固三態傳質，將污染物從飽和土體中排出，通過抽出-處理技術將受污染氣體抽出到地表進行處理后進行無污染排放。通過此種方法增加了地表下的氧氣含量，間接地促使地下喜氧微生物的生物活性得到提高，從而進一步提高污染物修復能力[10]。曝氣法修復技術相較于其他修復技術，其具有的優勢包括成本低、效率高，環境友好及修復效果顯著等。

1.4" 表面活性劑強化曝氣技術（Surfactant Enhanced Air Sparging， SEAS）

曝氣法雖然是目前修復揮發性有機物污染場的最有效的辦法之一，但其修復效率相較于實際的需要仍需改進，表面活性劑強化曝氣技術是一種較好的強化技術。

表面活性劑強化曝氣修復技術實際上是表面活性劑與傳統曝氣技術結合。表面活性劑強化曝氣技術通過在曝氣過程中引入表面活性劑，增加NAPLs（非水相流體）同水與空氣的接觸面積與接觸時間，從而提高傳統曝氣修復技術的去除效率[11]。綜上，在實驗室條件下先修復有機物污染土，采取表面活性劑強化曝氣技術進行修復，并以此為基礎進行接下來的試驗。

1.5" 表面活性劑強化曝氣技術修復污染土試驗

試驗裝置如圖1所示，包括高壓氣瓶（1）、管道（2）、減壓閥A（3）、氣體緩沖罐（4）、減壓閥B（5）、壓力傳感器（6）、開關（7）、液體壓力體積控制器（8）、三通球閥A（9）、有機溶液隔離腔室（10）、三通球閥B（11）、三通球閥C（12）和接水容器（13），連接方式按照如圖1所示相連接。其中，試驗裝置主體部分還包括試驗箱主體（14）、粗砂層（15）、通孔A（16）、試樣層（17）、通孔B（18）和透水石（19）。

根據已有試驗裝置制備被VOCs污染的污染土試樣，并通過表面活性劑強化曝氣技術對試樣進行修復。

2" VOCs的監測

2.1" VOCs監測技術

國內外在VOCs監測方面作出了許多研究。目前國內外主流的VOCs監測技術主要是化學測量技術及光譜測量技術（表2）。

光譜測量技術與化學測量技術相比，測量范圍大、測量速度快、檢測精度高、測量環境相對安全，可實現實時監測。

2.2" 基于FTIR測量監測VOCs

FTIR為傅里葉變換紅外光譜術（Fourier Transform Infrared Spectroscopy），又稱干涉光譜成像技術，測量VOCs的流程為用紅外光源照射所需測量的VOCs氣體，VOCs氣體吸收過的紅外光源透過儀器中的前置鏡組射入干涉儀中，干涉儀通過干涉產生輻射，輻射繼續透過會聚鏡組到達探測器并被接收。接收到的信號通過技術分析得到干涉圖譜，干涉圖譜經過傅里葉逆變換得到氣體的本身的光譜，最終分析得到VOCs各組分種類、濃度[18]。流程如圖2所示。

對于1.5中的試驗，擬在表面活性劑強化曝氣技術修復試驗結束后，將原（13）處的接水容器替換為氣體池，用于接收試驗箱內修復后的試樣釋放出的VOCs氣體。并根據氣體池搭建FTIR測量平臺，測量平臺所需裝置還包括紅外黑體光源、傅里葉紅外變換紅外光譜儀和計算機。通過該測量平臺不斷記錄監測VOCs氣體的種類和濃度，為后續的定量分析提供數據。

FTIR定量分析傅里葉變換紅外光譜術利用Beer-Lambert定律根據測得的VOCs紅外光譜對VOCs進行濃度反演

式中：I（ν）為氣體吸收后的透射光強，W/sr；I0 （ν）為無氣體吸收時的背景光強，W/sr； σv分子吸收截面，cm2/molecule; C為被測氣體濃度，molecule/cm3；L為氣體吸收高程，cm。

根據Beer-Lambert定律反演氣體濃度還需要吸光度值（Av），吸光度值計算公式

式中：Tv為入射光線通過氣體時的透過率。

氣體濃度

若測量單組分氣體，可根據上述Beer-Lambert定律直接計算氣體濃度[19]；若測量的為多組分氣體，單一的線性Beer-Lambert定律無法滿足氣體濃度計算的要求，因此需要更加先進且能滿足非線性擬合計算的新技術。

3 深度學習的應用

自2006年第一次提出深度學習的概念以來，深度學習技術高速發展，深度學習的基礎為神經網絡，神經網絡可以類比為一種非線性函數，通過大量樣本數據進行訓練，從而獲得輸入量與輸出量之間的關系[20-21]。深度神經網絡一般包括深度前饋網絡、卷積神經網絡、循環神經網絡。

深度前饋網絡（MLP）是最基礎的深度神經網絡結構，包括輸入層、隱含層和輸出層，其常用的激活函數包括Sigmoid函數、雙曲正切函數、線性整流函數等，運算模式為前饋計算和反向傳播計算。該神經網絡也有一定的限制性，即難以學習復雜數據模式，目前MLP是通過模塊與其他深度學習網絡相結合[22]。

卷積神經網絡（CNN）指的是使用卷積運算代替全連接矩陣乘法的神經網絡[23]，構成為輸入層—卷積層—池化層—卷積層—池化層—全連接層—輸出層。通過這種結構，CNN相較于MLP具有了分析解決復雜時空的模式數據的能力。

循環神經網絡（RNN）指的是通過隱含層循環連接得到網絡記憶能力，進而表達時間等序列變化的神經網絡[24]。其與深度前饋網絡一樣包含輸入層、隱含層、輸出層。RNN可以根據不同的需求進行一對一、一對多、多對多的多種對應關系。神經網絡可以經過大量的學習和訓練，得到不同氣體的吸光度圖譜與圖譜對應氣體的濃度之間的關系。張強[18]將人工神經網絡、深度神經網絡應用到多組分VOCs的濃度反演，取得了較高精度的預測結果。

4 可行性分析

對于實驗室條件下的表面活性劑強化曝氣法修復污染土設備，可以在修復試驗結束后，將圖1中（13）處的接水容器替換為FTIR監測所需的氣體池，進而搭建神經網絡-FTIR監測平臺對修復后的土壤中的VOCs殘余量進行監測，在理論上可以為監測有機污染物污染土修復效果的長效性評價提供新方法。

參考文獻：

[1] 中國土壤環境保護政策[J].環境保護，2011（B01）：71-80.

[2] SUN W， SHAO M， GRANIER C， et al. Long-term trends of anthropogenic SO2， NOx， CO， and NMVOCs emissions in China[J]. Earth's Future， 2018， 6.

[3] REDDY K R， TEKOLA L. Remediation of DNAPL source zones in groundwater using air sparging[J].Land Contamination amp; Reclamation，2004，12（2）：67-83.

[4] 劉沙沙，董家華，陳志良，等.揮發性有機物污染土壤修復技術研究進展[J].安徽農業科學，2012，40（12）：7130-7132.

[5] U.S. EPA. A citizen's guide to pump and treat [J]. Office of Solid Waste and Emergency. Response， 2001， 542-F-01-025.

[6] 吳健，沈根祥，黃沈發.揮發性有機物污染土壤工程修復技術研究進展[J].土壤通報，2005，36（3）：430-435.

[7] 周武藝，曹慶云，龐永洪，等.光催化技術修復污染土壤的研究進展[J].材料導報，2009，23（1）：75-78.

[8] 柏耀輝，張淑娟.地下水污染修復技術：可滲透反應墻[J].云南環境科學，2005，24（4）：51-54.

[9] 藺昕，李培軍，臺培東，等.石油污染土壤植物-微生物修復研究進展[J].生態學雜志，2006，25（1）：97-104.

[10] KIRTLAND B C， AELION C M . Petroleum mass removal from low permeability sediment using air sparging/soil vapor extraction： impact of continuous or pulsed operation[J]. Journal of Contaminant Hydrology，2000， 41（3-4）：367-383.

[11] 孫勇軍.表面活性劑強化空氣擾動技術修復硝基苯實驗室研究[D].長春：吉林大學，2013.

[12] 許龍，魯緒江，楊翔宇，等.MICP技術修復氣壓劈裂裂縫的試驗裝置及試驗方法：CN112858019A[P].2021.

[13] 劉文清，崔志成，劉建國，等.大氣痕量氣體測量的光譜學和化學技術[J].量子電子學報，2004，21（2）：202-210.

[14] CHEN R Z， CHEN H Y， TANG J. Determination of trace levels of volatile organic compounds in environmental waters using ultrasound-assisted thermal desorption combined with gas chromatography and tandem mass spectrometry[J]. Analytica Chimica Acta，2011，701（1）：34-40.

[15] 張志榮，夏滑，董鳳忠，等.利用可調諧半導體激光吸收光譜法同時在線監測多組分氣體濃度[J].光學精密工程，2013，21（11）：2771-2777.

[16] 李國會，葉一東，向汝建，等.差分吸收激光雷達測量NO2濃度的實驗研究[J].強激光與粒子束，2006，18（5）：765-768.

[17] 高明亮.基于傅里葉變換紅外光譜技術的多組分氣體定量分析研究[D].合肥：中國科學技術大學，2010.

[18] 張強.基于深度神經網絡的多組分VOCs濃度反演方法研究[D].西安：中國科學院大學（中國科學院西安光學精密機械研究所），2019.

[19] 魏儒義，周錦松，張學敏，等.基于OP/FTIR和反射轉鏡式干涉光譜儀的大氣CO2濃度測量[J].光譜學與光譜分析，2014（11）：2978-2983.

[20] MATLAB中文論壇.MATLAB 神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.

[21] 歐陽文宇，葉磊，王夢云，等.深度學習水文預報研究進展綜述Ⅰ——常用模型與建模方法[J].南水北調與水利科技（中英文），2022，20（4）：650-659.

[22] TAHMASEBI" P，KAMRAVA" S， BAI" T ，et al. Machine learning in Geo- and environmental sciences： from small to large scale[J].Advances in Water Resources，2020，142：103619.

[23] LAWRENCE S， GILES C L， TSOI A C， et al. Face recognition： A convolutional neural-network approach[J]. IEEE transactions on neural networks，1997，8（1）： 98-113.

[24] ELMAN" J" L. Finding structure in time[J].Cognitive science，1990，14（2）：179-211.