基于人工神經網絡構建湖南省企業(yè)重金屬廢水預測模型研究

摘要：基于徑向基函數神經網絡（Radial"Basis"Function"Neural"Network，"RBFNN）構建了一種環(huán)境廢水質量預測模型，根據湖南省2021—2022年監(jiān)測的pH值、化學需氧量（Chemical"Oxygen"Demand，"COD）和氨氮濃度數據，預測了2023年各月廢水排放的環(huán)境質量。模型采用RBFNN單隱層結構，利用Softmax激活函數和梯度下降優(yōu)化算法，對廢水數據進行了建模和預測。實驗結果表明，pH值在7.2～7.4之間，氨氮濃度穩(wěn)定在國家一級排放標準以下，COD濃度雖有波動，但總體符合國家標準。與傳統(tǒng)模型相比，RBFNN能夠更好地捕捉數據中的非線性特征，提高了預測精度，展示了RBFNN在環(huán)境科學中的應用潛力，并為廢水質量預測提供了有效的技術路徑。

關鍵詞：徑向基神經網絡""重金屬污染""預測模型""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，滯留時間長，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，水質預測是預防水污染的有效措施。時間序列預測是一種對數據發(fā)展規(guī)律以現象和過程為基礎的一種建模技術，它以歷史數據為基礎，利用數據所反映出的發(fā)展過程和趨勢，從而展現出觀測數據未來的發(fā)展趨勢[1-2]。STAJKOWSKI""S等人[3]將遺傳算法（Genetic"Algorithm，"GA）優(yōu)化后的長短期記憶（Long"Short-Term"Memory，"LSTM）技術應用于河流水溫的預報，通過GA得到LSTM的最佳窗口尺寸與網絡參數。SHIN"Y"N"等人[4]等以韓國洛東江達薩堰為例，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）模型與灰拓撲學相結合，建立了海州灣水體環(huán)境質量預報模型。

1基于RBFNN的環(huán)境廢水質量預測模型

1.1"RBFNN預測模型

徑向基函數神經網絡（Radial"Basis"Function"Neural"Network，RBFNN）是一種具有單隱層的前饋神經網絡，它使用徑向基函數作為隱層節(jié)點激活函數。RBFNN能夠以任意精度逼近任意連續(xù)函數，因此在函數逼近、模式識別、時間序列分析等方面有著廣泛的應用。

RBFNN由輸入層、隱藏層和輸出層組成。其中：輸入層接收預處理后的數據；隱藏層由若干個神經元（徑向基函數單元）組成，每個神經元使用徑向基函數（通常是高斯函數）來計算輸入數據與中心點的距離；輸出層將隱藏層的輸出進行加權求和。

1.2基于RBFNN的環(huán)境廢水質量預測

根據2021—2022年環(huán)境廢水排放的監(jiān)測數據，現階段影響全省水質量環(huán)境的主要污染物為廢水中氨氮和化學需氧量（Chemical"Oxygen"Demand，"COD）。廢水質量預測選取上述2項和廢水排放口的pH值作為指標，對2023年各月廢水環(huán)境質量預測。采用RBFNN模型進行預測，最終得到2023年各月的氨氮、COD和pH值濃度或指標的預測值。預測模型中，以PH值、COD和氨氮的月濃度或指標作為模型因變量，以月份和前一年對應時間的COD、氨氮、pH值作為自變量，輸入RBFNN模型進行訓練和預測。

2"實驗與結果

2.1數據預處理

2.1.1"數據平滑處理

數據平滑處理的目的是減少數據中的噪聲，使趨勢和模式更加明顯。本文采用的數據平滑處理方法是Savitzky濾波器，步驟具體如下。

（1）選擇窗口大小和多項式的階數。

（2）使用最小二乘法擬合多項式，并對數據進行平滑。

（1）

式（1）中：表示通過多項式擬合得到的系數；表示原始數據在時間的值，即在以為中心的窗口內的各個數據點；表示每個對應的權重系數，這些系數通過"Savitzky-Golay"濾波器來確定，以最小化噪聲的影響并保留數據的趨勢；定義平滑窗口的半寬度，即窗口大小為。

2.1.2"異常值檢測

異常值檢測旨在識別與其他數據點顯著不同的數據點。本文采用的異常值檢測方法是絕對中位差（Median"Absolute"Deviation，MAD）異常值識別。其計算步驟如下。

（1）"計算樣本數據的中位數，記為。

（2）計算每個數據點與中位數的絕對偏差，即每個數據點與中位數的差的絕對值記為，其中，表示第i個數據點。

（3）計算所有絕對偏差的中位數，即：

（2）

在進行異常值檢測時，我們要確定檢測異常值的閾值。一種常見的方法是將異常值的閾值（）設置為中位數加上一個常數k乘以，即如果某個數據點的絕對差超過了k倍的，那么就可以將它視為異常值，其中，k是一個經驗常數，本文取k的值為3。

（3）

當＞時，則將其當作異常值處理。

2.1.3"數據標準化

由于廢水監(jiān)測數據中各污染物的濃度、pH值和流量的數值范圍差異較大，所以，不同特征的數量級可能會影響模型的訓練過程，尤其是神經網絡模型對數值尺度較為敏感。因此，本研究對數據進行了標準化處理，即Z-score標準化。對于可能具有較大波動范圍的數據特征（如每日流量），采用Z-score標準化方法，將數據轉換為均值為0、標準差為1的正態(tài)分布。公式如下：

（4）

式（4）中：是標準化后的數據值；是原始數據值；是數據的均值（平均值）；是數據的標準差。

2.2"趨勢預測分析

對2023年各月全省廢水排放環(huán)境用RBFNN預測進行可達性分析。2023年，pH值、氨氮和COD濃度趨于穩(wěn)定趨勢。其中，2023年廢水的pH下降值穩(wěn)定在7.2～7.4之間，達到一級標準；氨氮濃度呈1和12月上升、其余月份穩(wěn)定趨勢，均不超過0.9，均屬國家一級廢水排放標準；COD濃度也穩(wěn)定在15"mg/L左右，在國家一級標準（15"mg/L）上下波動，詳見圖1～圖3。

從預測結果來看，pH值和氨氮濃度都非常符合國家廢水排放的標準值，但COD濃度在國家標準上下浮動，應著重關注。為了進一步提高全省廢水排放質量，應重點關注廢水COD濃度的變化。

3"結語

隨著經濟社會的快速發(fā)展，水質惡化已成為一項嚴峻的環(huán)境問題，對公共健康和生態(tài)系統(tǒng)造成了重大威脅。水質的準確預測對于污染控制和可持續(xù)水質管理至關重要。本研究針對湖南省重金屬污染較為突出的現狀，圍繞水體重金屬污染預測這一關鍵環(huán)境問題展開。通過文獻綜述、數據分析和模型預測等方法，利用神經網絡技術對重點企業(yè)的重金屬廢水開展預測與預警體系構建研究，對湖南省環(huán)境廢水質量進行了系統(tǒng)性研究和預測，為重點行業(yè)企業(yè)排污管理提供了科學支撐。

參考文獻

• 陳鳳鳴.不同類型污染土壤中重金屬及微生物群落分布特征研究[D].衡陽：南華大學，2021.
• 何兆爽.時間序列預測的集成模型研究與應用[D].蘭州：蘭州大學，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.灰色拓撲模型在海州灣人工魚礁區(qū)水質預測的應用[J]."南方水產科學，"2020，16（2）：77-86.