湖泊曝氣氧遷移與溶解氧預測水環境模型研究

摘要：湖泊水環境一旦管理不善，水體容易長期處于缺氧狀態。湖泊水體溶解氧水平的下降和缺乏，將對湖泊帶來一系列嚴重危害，如引起魚類大量死亡和白水現象等社會事件發生，甚至危及公共飲用水安全。湖泊水質發生缺氧惡化，需要進行水體復氧以增加水體溶解氧水平。由于湖泊自身擁有較為復雜的物理、生化結構特性，湖泊曝氣復氧領域公開的研究案例與基礎數據還不夠豐富，但對湖泊曝氣氧遷移與溶解氧預測水環境模型進行研究有利于從微觀角度了解復氧過程中湖泊氧遷移與天然水體溶解氧變化的科學機理，為湖泊水環境綜合整治與科學管理提供理論支撐。闡述了湖泊曝氣氧遷移與溶解氧預測相關的兩種數學模型，簡要介紹了國內外相關模型的典型應用案例，并對未來的研究方向進行了展望。

關鍵詞：湖泊曝氣 氧遷移 預測模型 溶解氧

Research on Water Environment Model for Oxygen Migration and Dissolved Oxygen Prediction in Lake Aeration

LAN Chen

Guizhou University of Finance and Economics， Guiyang， Guizhou Province， 550025 China

Abstract： Once the lake water environment is poorly managed， the water body is prone to long-term hypoxia. The decrease and lack of dissolved oxygen levels in lake water will bring a series of serious hazards to the lake， such as causing a large number of fish deaths and white water phenomena， and even endangering public drinking water safety. The deterioration of lake water quality due to hypoxia， which requires water re oxygenation to increase the level of dissolved oxygen in the water. Due to the complex physical and biochemical structural characteristics of lakes themselves， the publicly available research cases and basic data in the field of lake aeration and re-oxygenation are not yet abundant. However， studying the water environment model for predicting lake aeration oxygen migration and dissolved oxygen is conductive to understanding the scientific mechanism of lake oxygen migration and natural water dissolved oxygen changes during the re-oxygenation process from a micro perspective. It provides theoretical support for the comprehensive improvement and scientific management of lake water environment. This article elaborates on two mathematical models related to lake aeration oxygen migration and dissolved oxygen prediction， briefly introduces typical application cases of relevant models at home and abroad， and looks forward to future research directions.

Key Words： Lake aeration; Oxygen migration; Prediction model; Dissolved oxygen

《中國湖泊生態環境研究報告》提出了我國湖泊由于人類活動的干擾正經歷巨大變化[1]。20世紀中葉，曾經有大量的污染物未經允許排放到湖泊中，誘發湖泊水體富營養化現象產生。水體富營養化現象的持續出現，將會對水中的溶解氧和水質產生不良影響，如引起魚類大量死亡和白水現象等社會事件發生，甚至危及公共飲用水安全。20世紀末，全國許多重要湖泊屢次出現嚴重藍藻水華危機，人湖關系不斷惡化。自2007年太湖暴發嚴重藍藻事件之后，國家對湖泊生態問題更加重視，繼而采取了一系列強有力措施以阻止全國湖泊生態環境進一步惡化。目前，在國家的重點關注下，我國湖泊富營養化狀況得到明顯好轉，湖泊生態環境整體也在逐步向好轉變[1]。

1 水環境模型內涵與現狀

湖泊水環境數學模型是用數學的方法來描述湖泊中各類物質（包括固相、液相、氣相等）之間的相互轉化關系以及它們之間的內在、潛在聯系，并以數學的形式（一組或多組數學方程）表達呈現。要更加科學、系統、深入地對湖泊進行了解和管理，對各類可能影響湖泊水環境生態安全的潛在因素進行預判，必須從微觀機理上去深刻認識現存湖泊中固相、液相、氣相等各類物質之間的相互關系和作用。湖泊水環境數學模型是一種利用數學公式去描述、模擬或預測現實條件下各類湖泊中水環境問題的工具。在湖泊環境污染、防治或評估領域的科學分析判斷中，水環境模型能夠幫助研究者科學地對當前湖泊中發生或存在的問題，或過程進行還原，對未來的發展趨勢進行較為真實地模擬預測，從而幫助決策者更好地了解環境發展過程，進而對相關問題做出科學的判斷。許多湖泊模型當前已經具備如定量預測、污染物擴散遷移過程模擬和污染評估等功能，例如：為了評估某個湖泊、河流或水庫當前的水污染狀況，可以通過數學模型的建立以模擬水中各類污染物的遷移轉化過程。并且，通過建立系統的數學關系，和有效邊界條件的數據獲取，能夠進一步對目標研究對象的水體或沉積物中相關重要污染物的變化趨勢進行預測，進而對相關湖泊的水環境過程進行較為科學的模擬和預測，最終為科學防治提供科學依據。湖泊水環境數學模型在湖泊生態環境污染防治領域的重要性不言而喻。

湖泊曝氣復氧技術是一類高效的水質修復技術，其原理是通過曝氣裝置將富氧氣泡噴射入水體中，通過氣液相氧轉移過程進行水質增氧。對湖泊曝氣氧遷移與溶解氧預測水環境模型進行研究有助于高效、科學的復氧技術實施，更有利于對整個湖泊水環境系統地科學管理和綜合整治，模型研究意義重大。自20世紀20年代起國外已有學者對河流、淺水湖泊水質模型進行研究，如S-P水質模型，可對河流水質預測[2-3]；BOD-DO耦合模型，可對河流水質預測[4-5]；WASP水質模型，可用于對河流、淺水湖泊的水質開展預測[6-7]；CE-QUAL-W2模型適用于對水庫、河流的水質預測與水質管理規劃[8]。目前，國內外對淺水湖泊、河流的水質模型的研究已積累了一定成果，但在湖泊曝氣氧遷移和溶解氧預測方面，由于湖泊自身擁有較為復雜的物理、生化結構特性，以及湖泊曝氣復氧領域公開的研究案例與基礎數據的缺乏，湖泊曝氣氧遷移與溶解氧預測水環境模型建立和研究尚處于初級階段，已有的一些湖泊水環境模型由于針對性不強或精準度不夠，往往很難被應用于現代高質量高精度要求下的湖泊水質和水動力學研究當中。本文介紹了兩種湖泊曝氣氧遷移與溶解氧預測相關數學模型。

2 水環境數學模型建立

2.1 Bubble Plume模型

離散氣泡法是將所噴射氧氣（空氣）氣泡群中每個氣泡都看作獨立個體，無破損無粘連，每個氣泡都具有完整結構功能和特性，在增氧過程中通過對單個氣泡氣液傳質過程的研究來預測、模擬和評價整體增氧系統氧遷移過程的一種科學方法。

離散氣泡模型目前是在諸多假設條件下簡化建立的，如氣泡原始尺寸分布以及氣泡形成速率假設恒定，氣、水溫度假設均衡且恒定，氣泡之間的黏合、氣傳質和氣液傳質假設忽略不計，用紹特平均直徑（不同氣泡尺寸分布其體積/面積比相同）代表氣泡原始直徑等。

假設水體混合均勻，根據菲克定律，傳質通量表達式可寫為：

式（1）中J表示氣泡中氣體穿過氣泡表面氧傳質通量，KL表示液相水中傳質系數，CS為氣水分界面平衡溶解氧濃度，C為水中被傳遞水體溶解氧濃度。

經過等式演化，可以得出氣泡群在單位垂直方向上傳質摩爾流量：

式（2）中，H為亨利常數，Pi為某一深度氣體分壓，r為氣泡的半徑，氣泡數量為N，vb為垂直方向上氣泡上升速度，z為垂直高度。

2.2 PSO-LSTM模型

湖泊水質模型的研究和發展對于其水體污染防治具有重要意義，同時也具有重要的研究價值。水質模型經歷近百年的發展，從最開始的一維模型到多維模型，并過渡到現在多介質模型的發展?，F在，隨著新技術和方法的不斷演化，神經網絡模型也被逐漸運用于水質預測。相較于傳統的水質預測方法，如線性回歸法等，人工神經網絡因強大而精準的預測能力而被廣泛關注。

LSTM模型是神經網絡模型的一種，這種模型的產生背景是基于目前廣泛流行、備受關注且發展迅速的人工智能。在人工智能不斷發展的大背景之下，曾被廣泛運用于其他各行業的LSTM模型也開始逐漸被考慮用于湖泊水環境的模擬和預測當中。與循環神經網絡模型相比較，在這種模型中加入了“門”結構，這種“門”結構可以被用來進行各種相關信息之間的相互輸送?？v使經過“門”的增加可以更好地控制信息的傳遞，但是LSTM神經網絡模型要比一般的預測方法更加復雜。而且若取值不當，容易對預測結果產生較大影響。

粒子群優化算法（PSO）思想主要來源于鳥群的捕食行為[9]。在一定范圍內，群鳥捕獲唯一一類食物的最快辦法是在靠近獵物附近的鳥類附近尋找。利用這種思想，粒子群優化算法，將每顆粒子看成一只單鳥，粒子就像單鳥一樣會追尋當前群里內的最優粒子并進行不斷迭代，多次搜索后可以獲得需要的最優解。將PSO和LSTM聯合起來，將能夠對LSTM模型的一些超參數進行深入完善和改進，這些超參數在后續模型計算過程中的確定和使用，將對模型的各部分相關模擬或預測結果產生較大影響，這無疑將對最終整體的模擬或預測效果也將產生非常大的影響[10]。如果用傳統的辦法去優化超參數，不但耗時而且費力，而且使用PSO去進行超參數的優化可以更加有效地去搜索空間中的最優解，提升效率。

式（3）至式（8）中，ft為遺忘門，Ot為輸出門，it為輸入門，σ為sigmoid函數，ht為當前時刻的單元輸出值，ht-1為上一時刻的單元輸出值，xt為當前時刻的樣本輸入值，Wf表示遺忘門的連接權重矩陣，Wi表示輸入門的連接權重矩陣，Wo表示輸出門的連接權重矩陣，bf為遺忘門模型的偏置項，bi為輸入門模型的偏置項，bo為輸出門模型的偏置項，Ct為當前時刻的狀態，Ct-1為前一時刻的狀態，在輸入門不斷刷新狀態的情況下，新狀態不斷替換舊狀態的值。在式（7）當中，ft與Ct-1的乘積，加上it與的乘積，即可獲得每次變化后的新值。

3 模型應用典型案例

3.1 Bubble Plume模型應用

Bubble Plume模型是在離散氣泡法基礎上建立起來的一種綜合適用性模型。該模型對深水湖泊增氧裝置的設計非常重要，科學、高效的深水湖泊增氧裝置在系統設計時都將涉及此模型，為系統增氧性能評估提供科學數據支撐。MCGINNIS D F等人運用Bubble Plume模型對離散氣泡系統中的氧遷移效率進行了預測并對其進行了評估，研究認為，Bubble Plume模型在針對氣提曝氣器（Airlift Aerator）和錐形復氧系統（Speece Cone）的設計和優化時，是能夠很好地被用來進行氧遷移的預測[11]。DISSANAYAKE A L等人[12]結合歐拉積分建模方法，在單Bubble Plume模型的基礎上，進一步研發出了雙Bubble Plume模型進行預測，運用雙Bubble Plume模型預測氣泡的流體動力學、化學和熱力學行為，對一個線型氣泡羽流擴散器的設計進行了應用。DISSANAYAKE A L等人[12]將雙羽流模型和單羽流模型進行了結果對比分析，研究認為由于雙羽流模型中考慮了羽流夾帶量以及其在垂直方向上的分布情況，因此模型的選擇會影響最終的模擬結果。

3.2 PSO-LSTM模型應用

目前，在湖泊水環境模型領域，將人工智能神經網絡的粒子群優化算法與LSTM模型結合起來用于進行水質參數模擬尚處于起步研究階段，相關的研究案例很少，在中國知網中僅能搜索到周夕雨運用該模型在溶解氧預測方面的應用研究[10]。將PSO和LSTM結合使用發現，可以進一步提升湖泊溶解氧的預測精度，并且，結合當前不斷完善的水質監測設備提供的高質量水質數據，預測會更加可靠和穩定。周夕雨通過對伊格爾山湖水體溶解氧數據進行監測和分析，以及與其他模型的運用結果比較，驗證了PSO-LSTM結合使用模型的預測可靠性，同時研究認為，該模型對溶解氧的預測能夠有較好的精度提升。在國際上發表的期刊論文中，搜索發現HUANG M等人[13]運用PSO-LSTM模型對水質進行預測，以南水北調中線沿線的13個自動監測站的水質數據作為依據，提出了一種水質預測方法，并對具體的迭代過程進行了詳細的說明和介紹[13]。HUANG M等人[13]認為，相較于傳統的LSTM模型而言，PSO-LSTM在水質數據預測（包括溶解氧等）中能夠表現出更好的性能[13]。

4 結論與展望

（1）優化Bubble Plume模型，進一步研究和優化模型中相關假定參數，提高模型預測效果。由于現有模型的優化程度有限，目前該模型中仍有部分輔助參數無法量化，這些參數在數值模擬過程中均以經驗值、假設值或忽略不計的方式替代，尤其是上升水體流速忽略后所產生的模型輸出偏差對最終結果的影響還有待研究。

（2）加強Bubble Plume模型和PSO-LSTM模型之間，甚至與其他模型的聯用。隨著人工智能的不斷發展，湖泊曝氣氧遷移與溶解氧預測水環境模型以后還可能逐步發展出更為科學、精準度更高的預測模型，但各類水質與水動力學模型中每一類模型單獨在一定范圍內起獨特作用，但各自影響范圍有限。未來隨著對湖泊溶解氧理論認識的不斷加深，以及對水環境理論研究的不斷深入，單一模型模擬將逐漸無法獲得更深層次的信息，運用模型進行數值模擬要求也越來越高，模型深度聯用未來將發揮重要作用。

參考文獻

[1] 中國科學院南京地理與湖泊研究所.中國湖泊生態環境研究報告[M].北京：科學出版社，2022.

[2] 陳昌仁，呂玲玲，王紀杰，等.基于S-P概化模型的滁河干流六合段納污能力分析[J].水生態學雜志，2011，32（2）：82-85.

[3] 李淑玲，李貴陽.不確定條件下耦合S-P水質模擬的水資源管理模型建立研究[J].東北水利水電，2014，32（6）：33-35，72.

[4] 車高峰，潘梅，吳曼曼，等.BOD-DO水質模型多參數識別反問題的演化算法[J].科技創新與應用，2017（15）： 54-55.

[5] 張俊娜，劉元會，郭建青，等.基于改進粒子群優化算法的BOD-DO水質模型參數確定[J]. 西北農林科技大學學報（自然科學版），2017，45（3）：212-217.

[6] 陶虹霓，劉興旺，李彬，等.基于WASP模型的小流域精細化管理研究——以株洲淥水流域為例[J].湘潭大學學報（自然科學版），2023，45（5）：45-56.

[7] 趙子豪，姚建.基于WASP模型的山區型河流水污染控制研究[J].人民長江，2021，52（S1）：38-41.

[8] 方愛紅，周勤，樓成林，等.CE-QUAL-W2模型在上海市大型飲用水水庫中的應用[J].環境科學與管理，2012，37（11）：76-79，100.

[9] 聶宏新，馮傳奮，任帥.基于PSO-LSTM優化模型的網絡流量預測研究 [J]. 電信工程技術與標準化，2023，36（10）：18-21.

[10] 周夕雨.基于PSO-LSTM的湖泊溶解氧濃度變化分析及預測[D].贛州：江西理工大學，2023.

[11] MCGINNIS D F， LITTLE J C.Predicting diffused-bubble oxygen transfer rate using the discrete-bubble model[J].Water Research，2002，36（18）：4627-4635.

[12] DISSANAYAKE A L， REZVANI M， SOCOLOFSKY S A，et al.Bubble plume integral model for line-source diffusers in ambient stratification[J].Journal of Hydraulic Engineering.2021，147（5）：04021015.

[13] HUANG M， HU B Q， JIANG H，et al.A water quality prediction method based on k-nearest-neighbor probability rough sets and PSO-LSTM[J].Applied Intelligence.2023，53（24）：31106-31128..