基于人工神經(jīng)網(wǎng)絡(luò)構(gòu)建湖南省企業(yè)重金屬?gòu)U水預(yù)測(cè)模型研究

摘要：基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial"Basis"Function"Neural"Network，"RBFNN）構(gòu)建了一種環(huán)境廢水質(zhì)量預(yù)測(cè)模型，根據(jù)湖南省2021—2022年監(jiān)測(cè)的pH值、化學(xué)需氧量（Chemical"Oxygen"Demand，"COD）和氨氮濃度數(shù)據(jù)，預(yù)測(cè)了2023年各月廢水排放的環(huán)境質(zhì)量。模型采用RBFNN單隱層結(jié)構(gòu)，利用Softmax激活函數(shù)和梯度下降優(yōu)化算法，對(duì)廢水?dāng)?shù)據(jù)進(jìn)行了建模和預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，pH值在7.2～7.4之間，氨氮濃度穩(wěn)定在國(guó)家一級(jí)排放標(biāo)準(zhǔn)以下，COD濃度雖有波動(dòng)，但總體符合國(guó)家標(biāo)準(zhǔn)。與傳統(tǒng)模型相比，RBFNN能夠更好地捕捉數(shù)據(jù)中的非線性特征，提高了預(yù)測(cè)精度，展示了RBFNN在環(huán)境科學(xué)中的應(yīng)用潛力，并為廢水質(zhì)量預(yù)測(cè)提供了有效的技術(shù)路徑。

關(guān)鍵詞：徑向基神經(jīng)網(wǎng)絡(luò)""重金屬污染""預(yù)測(cè)模型""廢水排放

Research"on"Constructing"a"Heavy"Metal"Wastewater"Prediction"Model"for"Enterprises"in"Hunan"Province"Based"on"Artificial"Neural"Networks

ZENG"Yu"1，2""XIAO"Qu"1，2""TAO"Jia"3""GAO"Wenyuan"1，2""ZHANG"Xiangyu"4

1."Hunan"Environmental"Monitoring"Center"Station，"Changsha，"Hu’nan"Province，"410014"China;"2."Key"Laboratory"of"Heavy"Metal"Pollution"Monitoring"for"National"Environmental"Protection，"Changsha，"Hu’nan"Province，"410014"China;3."Hunan"Ecological"Environment"Affairs"Center，"Changsha，"Hu’nan"Province，"410014"China;"4.School"of"Traffic"and"Transportation"Engineering，"Central"South"University，"Changsha，"Hu’nan"Province，"410075"China

Abstract："A"prediction"model"for"environmental"wastewater"quality"was"constructed"based"on"Radial"Basis"Function"Neural"Network"（RBFNN）."and"it"predicted"the"environmental"quality"of"wastewater"discharge"in"each"month"of"2023"using"pH"value，"Chemical"Oxygen"Demand"（COD），"and"ammonia"nitrogen"concentration"data"monitored"in"Hu’nan"Province"from"2021"to"2022."The"model"adopted"RBFNN"single"hidden"layer"structure"and"used"Softmax"activation"function"and"gradient"descent"optimization"algorithm"to"model"and"predict"wastewater"data."The"experimental"results"showed"that"the"pH"value"was"between"7.2"and"7.4，"and"the"ammonia"nitrogen"concentration"remained"stable"below"the"national"first"level"emission"standard."Although"the"COD"concentration"fluctuated，"it"overall"met"the"national"standard."Compared"with"traditional"models，"RBFNN"can"better"capture"nonlinear"features"in"data，"improve"prediction"accuracy，"demonstrate"the"potential"application"of"RBFNN"in"environmental"science"and"provide"an"effective"technical"pathway"for"predicting"wastewater"quality.

Key"Words："Radial"Basis"Function"Neural"Network;"Heavy"metal"pollution;"Prediction"model;"Wastewater"discharge

重金屬污染具有一定的累積性和生物毒性，在環(huán)境中難降解，滯留時(shí)間長(zhǎng)，影響水體的正常功能。因此，為了合理規(guī)劃與管理區(qū)域水環(huán)境，水質(zhì)預(yù)測(cè)是預(yù)防水污染的有效措施。時(shí)間序列預(yù)測(cè)是一種對(duì)數(shù)據(jù)發(fā)展規(guī)律以現(xiàn)象和過(guò)程為基礎(chǔ)的一種建模技術(shù)，它以歷史數(shù)據(jù)為基礎(chǔ)，利用數(shù)據(jù)所反映出的發(fā)展過(guò)程和趨勢(shì)，從而展現(xiàn)出觀測(cè)數(shù)據(jù)未來(lái)的發(fā)展趨勢(shì)[1-2]。STAJKOWSKI""S等人[3]將遺傳算法（Genetic"Algorithm，"GA）優(yōu)化后的長(zhǎng)短期記憶（Long"Short-Term"Memory，"LSTM）技術(shù)應(yīng)用于河流水溫的預(yù)報(bào)，通過(guò)GA得到LSTM的最佳窗口尺寸與網(wǎng)絡(luò)參數(shù)。SHIN"Y"N"等人[4]等以韓國(guó)洛東江達(dá)薩堰為例，提出了一種基于單步法的"Pre-Review模型。沈裕鑫等人[5]將殘差校正的GM（11）模型與灰拓?fù)鋵W(xué)相結(jié)合，建立了海州灣水體環(huán)境質(zhì)量預(yù)報(bào)模型。

1基于RBFNN的環(huán)境廢水質(zhì)量預(yù)測(cè)模型

1.1"RBFNN預(yù)測(cè)模型

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial"Basis"Function"Neural"Network，RBFNN）是一種具有單隱層的前饋神經(jīng)網(wǎng)絡(luò)，它使用徑向基函數(shù)作為隱層節(jié)點(diǎn)激活函數(shù)。RBFNN能夠以任意精度逼近任意連續(xù)函數(shù)，因此在函數(shù)逼近、模式識(shí)別、時(shí)間序列分析等方面有著廣泛的應(yīng)用。

RBFNN由輸入層、隱藏層和輸出層組成。其中：輸入層接收預(yù)處理后的數(shù)據(jù)；隱藏層由若干個(gè)神經(jīng)元（徑向基函數(shù)單元）組成，每個(gè)神經(jīng)元使用徑向基函數(shù)（通常是高斯函數(shù)）來(lái)計(jì)算輸入數(shù)據(jù)與中心點(diǎn)的距離；輸出層將隱藏層的輸出進(jìn)行加權(quán)求和。

1.2基于RBFNN的環(huán)境廢水質(zhì)量預(yù)測(cè)

根據(jù)2021—2022年環(huán)境廢水排放的監(jiān)測(cè)數(shù)據(jù)，現(xiàn)階段影響全省水質(zhì)量環(huán)境的主要污染物為廢水中氨氮和化學(xué)需氧量（Chemical"Oxygen"Demand，"COD）。廢水質(zhì)量預(yù)測(cè)選取上述2項(xiàng)和廢水排放口的pH值作為指標(biāo)，對(duì)2023年各月廢水環(huán)境質(zhì)量預(yù)測(cè)。采用RBFNN模型進(jìn)行預(yù)測(cè)，最終得到2023年各月的氨氮、COD和pH值濃度或指標(biāo)的預(yù)測(cè)值。預(yù)測(cè)模型中，以PH值、COD和氨氮的月濃度或指標(biāo)作為模型因變量，以月份和前一年對(duì)應(yīng)時(shí)間的COD、氨氮、pH值作為自變量，輸入RBFNN模型進(jìn)行訓(xùn)練和預(yù)測(cè)。

2"實(shí)驗(yàn)與結(jié)果

2.1數(shù)據(jù)預(yù)處理

2.1.1"數(shù)據(jù)平滑處理

數(shù)據(jù)平滑處理的目的是減少數(shù)據(jù)中的噪聲，使趨勢(shì)和模式更加明顯。本文采用的數(shù)據(jù)平滑處理方法是Savitzky濾波器，步驟具體如下。

（1）選擇窗口大小和多項(xiàng)式的階數(shù)。

（2）使用最小二乘法擬合多項(xiàng)式，并對(duì)數(shù)據(jù)進(jìn)行平滑。

（1）

式（1）中：表示通過(guò)多項(xiàng)式擬合得到的系數(shù)；表示原始數(shù)據(jù)在時(shí)間的值，即在以為中心的窗口內(nèi)的各個(gè)數(shù)據(jù)點(diǎn)；表示每個(gè)對(duì)應(yīng)的權(quán)重系數(shù)，這些系數(shù)通過(guò)"Savitzky-Golay"濾波器來(lái)確定，以最小化噪聲的影響并保留數(shù)據(jù)的趨勢(shì)；定義平滑窗口的半寬度，即窗口大小為。

2.1.2"異常值檢測(cè)

異常值檢測(cè)旨在識(shí)別與其他數(shù)據(jù)點(diǎn)顯著不同的數(shù)據(jù)點(diǎn)。本文采用的異常值檢測(cè)方法是絕對(duì)中位差（Median"Absolute"Deviation，MAD）異常值識(shí)別。其計(jì)算步驟如下。

（1）"計(jì)算樣本數(shù)據(jù)的中位數(shù)，記為。

（2）計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與中位數(shù)的絕對(duì)偏差，即每個(gè)數(shù)據(jù)點(diǎn)與中位數(shù)的差的絕對(duì)值記為，其中，表示第i個(gè)數(shù)據(jù)點(diǎn)。

（3）計(jì)算所有絕對(duì)偏差的中位數(shù)，即：

（2）

在進(jìn)行異常值檢測(cè)時(shí)，我們要確定檢測(cè)異常值的閾值。一種常見(jiàn)的方法是將異常值的閾值（）設(shè)置為中位數(shù)加上一個(gè)常數(shù)k乘以，即如果某個(gè)數(shù)據(jù)點(diǎn)的絕對(duì)差超過(guò)了k倍的，那么就可以將它視為異常值，其中，k是一個(gè)經(jīng)驗(yàn)常數(shù)，本文取k的值為3。

（3）

當(dāng)＞時(shí)，則將其當(dāng)作異常值處理。

2.1.3"數(shù)據(jù)標(biāo)準(zhǔn)化

由于廢水監(jiān)測(cè)數(shù)據(jù)中各污染物的濃度、pH值和流量的數(shù)值范圍差異較大，所以，不同特征的數(shù)量級(jí)可能會(huì)影響模型的訓(xùn)練過(guò)程，尤其是神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)值尺度較為敏感。因此，本研究對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，即Z-score標(biāo)準(zhǔn)化。對(duì)于可能具有較大波動(dòng)范圍的數(shù)據(jù)特征（如每日流量），采用Z-score標(biāo)準(zhǔn)化方法，將數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布。公式如下：

（4）

式（4）中：是標(biāo)準(zhǔn)化后的數(shù)據(jù)值；是原始數(shù)據(jù)值；是數(shù)據(jù)的均值（平均值）；是數(shù)據(jù)的標(biāo)準(zhǔn)差。

2.2"趨勢(shì)預(yù)測(cè)分析

對(duì)2023年各月全省廢水排放環(huán)境用RBFNN預(yù)測(cè)進(jìn)行可達(dá)性分析。2023年，pH值、氨氮和COD濃度趨于穩(wěn)定趨勢(shì)。其中，2023年廢水的pH下降值穩(wěn)定在7.2～7.4之間，達(dá)到一級(jí)標(biāo)準(zhǔn)；氨氮濃度呈1和12月上升、其余月份穩(wěn)定趨勢(shì)，均不超過(guò)0.9，均屬?lài)?guó)家一級(jí)廢水排放標(biāo)準(zhǔn)；COD濃度也穩(wěn)定在15"mg/L左右，在國(guó)家一級(jí)標(biāo)準(zhǔn)（15"mg/L）上下波動(dòng)，詳見(jiàn)圖1～圖3。

從預(yù)測(cè)結(jié)果來(lái)看，pH值和氨氮濃度都非常符合國(guó)家廢水排放的標(biāo)準(zhǔn)值，但COD濃度在國(guó)家標(biāo)準(zhǔn)上下浮動(dòng)，應(yīng)著重關(guān)注。為了進(jìn)一步提高全省廢水排放質(zhì)量，應(yīng)重點(diǎn)關(guān)注廢水COD濃度的變化。

3"結(jié)語(yǔ)

隨著經(jīng)濟(jì)社會(huì)的快速發(fā)展，水質(zhì)惡化已成為一項(xiàng)嚴(yán)峻的環(huán)境問(wèn)題，對(duì)公共健康和生態(tài)系統(tǒng)造成了重大威脅。水質(zhì)的準(zhǔn)確預(yù)測(cè)對(duì)于污染控制和可持續(xù)水質(zhì)管理至關(guān)重要。本研究針對(duì)湖南省重金屬污染較為突出的現(xiàn)狀，圍繞水體重金屬污染預(yù)測(cè)這一關(guān)鍵環(huán)境問(wèn)題展開(kāi)。通過(guò)文獻(xiàn)綜述、數(shù)據(jù)分析和模型預(yù)測(cè)等方法，利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)重點(diǎn)企業(yè)的重金屬?gòu)U水開(kāi)展預(yù)測(cè)與預(yù)警體系構(gòu)建研究，對(duì)湖南省環(huán)境廢水質(zhì)量進(jìn)行了系統(tǒng)性研究和預(yù)測(cè)，為重點(diǎn)行業(yè)企業(yè)排污管理提供了科學(xué)支撐。

參考文獻(xiàn)

• 陳鳳鳴.不同類(lèi)型污染土壤中重金屬及微生物群落分布特征研究[D].衡陽(yáng)：南華大學(xué)，2021.
• 何兆爽.時(shí)間序列預(yù)測(cè)的集成模型研究與應(yīng)用[D].蘭州：蘭州大學(xué)，2020.
• STAJKOWSKI"S，KUMAR"D，SAMUI"P，et"al.Genetic-algorithm-optimized"sequential"model"for"water"temperature"prediction[J]."Sustainability，2020，12（13）：5374.
• SHIN"Y"N，"KIM"T，"HONG"S"S，et"al.Prediction"of"chlorophyll-a"concentrations"in"the"Nakdong"River"using"machine"learning"methods[J].Water，"2020，12（6）：1822.
• 沈裕鑫，張碩，吳立珍，等.灰色拓?fù)淠Ｐ驮诤Ｖ轂橙斯~(yú)礁區(qū)水質(zhì)預(yù)測(cè)的應(yīng)用[J]."南方水產(chǎn)科學(xué)，"2020，16（2）：77-86.