城市生活污水污染物排放濃度監測技術研究

張帆

摘要：隨著城市化進程的不斷加速，城市生活污水排放量急劇增加，因此提出城市生活污水污染物排放濃度監測方法。對采集到的城市生活污水污染物排放數據展開處理，建立BP神經網絡模型識別不同類型的城市生活污水污染物，判斷監測設備的啟停狀態，完成實時監測。選取石家莊作為研究對象，實驗結果表明，所提方法可以精準且實時監測城市生活污水污染物排放濃度變化規律。由此證明，該方法可以為城市污水治理工作提供科學依據，為實現環境保護和可持續發展作出積極貢獻。

關鍵詞：城市生活污水；污染物排放；濃度監測；BP神經網絡

中圖分類號：X830.2 文獻標志碼：B

前言

隨著城市人口的快速增長和工業化進程的推進，城市生活污水污染成為當今社會一個嚴峻的問題。城市生活污水中含有大量的有機物、氮、磷等污染物，未經適當處理直接排放，將給水體造成嚴重污染。現階段，由于和城市發展配套的污水處理系統較少，所以造成城市環境污染問題日益嚴重，對人們的生活和工作均造成了不同程度的影響，嚴重阻礙社會經濟的快速發展。在城市生活污水處理過程中，為了確保治理效果和減少對自然環境的影響，監測污水污染物排放濃度就顯得尤為關鍵。通過對污水排放口處的監測數據進行分析，不僅可以評估治理效果，還能預警潛在的排放異常情況，為及時采取控制措施提供科學依據。侯軼仁等人通過傳感器協同技術以及遠程數據傳輸技術建立船舶生活污水排放監測系統，完成污水排放實時監測。傅松哲利用宏基因組測序技術實現污水監測處理，提高污水治理效果。胡月琪等人根據實際需求確定了對應的污水排放口監測點，為污水監測提供有效的技術保障。在以上研究方法基礎上，提出一種城市生活污水污染物排放濃度監測方法，引入無線傳感網絡采集城市生活污水污染物排放濃度數據，利用BP神經網絡模型優化監測技術，實現污染物排放濃度監測。

1 城市生活污水污染物排放濃度監測方法

無線傳感網絡是一種分布式傳感網絡，采用末端網絡實現對外部傳感器的感知和檢測處理。通過傳感器采集城市生活污水污染源數據，利用無線傳感網絡終端節點展開數據傳輸。由云平臺以及對應小程序實現人機交互。將無線傳感技術和Wi- Fi技術作為數據傳輸的基礎，監測終端位于系統最前端，將全部終端節點均勻分布在需要采集城市生活污水污染物排放區域。其中，通過數據采集模塊采集各個排放區域內的生活污水污染物排放濃度數據，通過無線傳感網絡模塊對采集到的數據進行處理及保存，并將數據傳輸至協調器，確保網絡中各個端點的正常運行。

在數據采集后，手動標記不同城市生活污水污染源類型，建立城市生活污水污染源特征數據集。引入BP神經網絡構建城市生活污水污染物識別模型：

式（1）中，p和q分別代表輸入和輸出層節點數量；β代表調節參數。

通過BP神經網絡模型完成城市生活污水污染物識別，同時判定監測設備的啟停狀態，實時監測城市生活污水污染物排放濃度變化情況。

2 監測結果與分析

2.1 監測點和采樣時間設定

實驗選取石家莊某一住宅小區作為研究對象，采用第2小節提出的監測方法展開生活污水污染物排放濃度監測。對住宅小區2022年1月-12月展開生活污水污染物排放濃度監測，采樣時間為每天10點至16點。采集到的樣品均在24小時內展開分析。（見圖1）

2.2 監測指標和測定方法

主要監測指標以及對應的測試方法為：

（1）COD：重鉻酸鉀測定；

（2）TN：過硫酸鉀氧化紫外分光光度測定（選取原樣測定）；

（3）TP：采用濾膜過濾后的水樣測定；

（4）NH3 -N：納式分光光度法測定。

2.3 污水污染物排放濃度監測結果分析

2.3.1 周期內指標濃度變化結果

對住宅小區各個季度（春季：3 -5月；夏季：6 -8月；秋季：9 -11月；冬季：12 -2月）的污水污染物排放濃度展開了4個周期的監測，各個監測指標對應的變化情況見表1。

通過表1可知，COD濃度在春季和秋季相對較低，在夏季和冬季相對較高，這可能與夏季氣溫高、有機物易分解以及冬季取暖導致有機物排放增加有關。TN的濃度在夏季相對較高，可能與夏季降雨量大、雨水沖刷地表帶人大量氮素有關，在冬季，TN的濃度相對較低，可能與冬季氣溫低、生物活動減弱有關。TP的濃度在夏季相對較高，可能與夏季氣溫高、藻類生長旺盛導致磷的釋放增加有關，在冬季和春季，TP的濃度相對較低，可能與氣溫低、生物活動減弱有關。NH3 -N的濃度在不同季節間的變化相對較小，可能與NH3 -N的來源比較穩定有關，然而，在夏季，NH3 -N的濃度相對較高，可能與夏季氣溫高、有利于氨的揮發有關。

2.3.2 不同類型用水污染物排放濃度變化情況

住宅小區不同類型用水污染物排放濃度變化情況見表2。

通過表2可知，不同類型用水的污染物排放濃度存在顯著差異。由于大小便用水含有人體廢物和糞便等有機物較多，因此COD和、TN、TP、NH3 -N濃度相對較高。廚房用水中通常含有油脂、食物殘渣等有機物，因此COD的濃度較高，而TN和TP的濃度較低，表明廚房用水中氮磷等污染物的排放較少。洗漱用水中可能含有牙膏、肥皂等化學物質較多，導致COD的濃度較高。洗浴用水中一般含有洗發水、沐浴露等洗滌劑，使得COD的濃度較高，而其他污染物的濃度相對較低。洗衣用水的TP濃度較高，這主要與洗滌劑中的磷含量有關。

2.3.3 不同方法下的城市生活污水污染物排放濃度監測性能結果

選擇文獻[3]方法和文獻[4]方法作為對比方法，分析不同方法的城市生活污水污染物排放濃度監測性能，具體結果見圖2。

通過圖2可知，所提方法獲取的生活污水污染物排放濃度監測值和真實值基本吻合，而對比方法獲取的真實值和監測值之間存在一定的誤差。這是因為所提方法手動標記不同城市生活污水污染源類型并建立相應的特征數據集，為后續的模型訓練提供了高質量的數據基礎。引入BP神經網絡構建城市生活污水污染物識別模型，通過不斷調整網絡權重逼近真實非線性關系，有效處理復雜污水污染物識別問題，提高監測準確度。

3 結束語

監測城市生活污水污染物排放濃度是評估水體污染程度的重要手段，同時也是制定治理策略的基礎。為了實現城市污水的有效管理，文章提出城市生活污水污染物排放濃度監測方法。通過收集并處理城市生活污水污染物排放數據，使用BP神經網絡模型對生活污水污染物進行識別和分類，實現污水污染物排放濃度實時監測。選取石家莊某一住宅小區作為研究對象展開實驗分析，由于夏季用水量較大，所以夏季污水污染物排放濃度值較高且人體排泄物中的污染物較多。通過對比測試得出所提方法的生活污水污染物排放濃度監測準確度較高，能夠精準掌握污染物排放濃度變化情況。因此，通過研究以期為城市污水治理工作提供科學依據。