人工神經(jīng)網(wǎng)絡(luò)預(yù)測尾砂充填對地下水中鋅含量影響

熊昌獅，陳云嫩，吳樂文，張紹國，張大超，羅先偉，聶錦霞，吳速英

(1.江西理工大學資源與環(huán)境工程學院，江西贛州 341000；2.廣西華錫集團股份有限公司，廣西柳州 545006)

?

人工神經(jīng)網(wǎng)絡(luò)預(yù)測尾砂充填對地下水中鋅含量影響

熊昌獅1，陳云嫩1，吳樂文2，張紹國2，張大超1，羅先偉2，聶錦霞1，吳速英1

(1.江西理工大學資源與環(huán)境工程學院，江西贛州 341000；2.廣西華錫集團股份有限公司，廣西柳州 545006)

[目的]研究了人工神經(jīng)網(wǎng)絡(luò)預(yù)測尾砂充填對地下水中Zn含量影響的可行性。[方法]采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))，建立了充填體放置時間、不同來源地下水水樣、浸泡時間與重金屬Zn含量之間的動態(tài)模型，預(yù)測廣西某金屬礦山全尾砂膠結(jié)充填體試塊對地下水Zn含量的影響。[結(jié)果]當網(wǎng)絡(luò)隱含層層數(shù)為1、節(jié)點數(shù)為7 時，建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠較好地預(yù)測全尾砂膠結(jié)充填對地下水重金屬Zn含量的影響。[結(jié)論]該研究為地下水環(huán)境的保護和礦區(qū)尾砂的安全處理處置提供了科學依據(jù)。

尾砂充填；地下水；重金屬鋅；人工神經(jīng)網(wǎng)絡(luò)

隨著環(huán)境保護要求的越來越嚴格，國內(nèi)外地下礦山使用選礦尾砂充填采礦法的比重也逐年上升[1-4]。將尾砂充填于井下既可防止礦山上覆巖層崩落及地表塌陷，從而保護礦區(qū)地表，提高礦石回收率，還可大幅度減少尾礦堆放占地[5-8]。但尾砂用于井下充填，尾砂充填體對地下水重金屬含量的影響，當前還沒有相關(guān)報道。因此，開展充填體對地下水重金屬含量影響的試驗研究，避免對環(huán)境造成污染，礦區(qū)尾砂又能得到安全處理處置，具有重要的現(xiàn)實意義。

由于地下水來源、走向、水質(zhì)等的復(fù)雜性，需通過大量試驗確定金屬礦山膠結(jié)充填體對地下水重金屬含量的影響。而建立合適的動態(tài)模型可以預(yù)測充填體對地下水重金屬含量的影響。一定灰砂比下的充填體試塊對地下水某一重金屬含量的影響，受膠結(jié)充填體放置時間、不同來源地下水水樣、浸泡時間影響較大，難以線性表示三者與地下水重金屬含量變化的關(guān)系。人工神經(jīng)網(wǎng)絡(luò)(ANN)具有良好的非線性映射能力，目前已有學者利用 ANN 實現(xiàn)工程過程的預(yù)測[9-13]，但利用 ANN 預(yù)測金屬礦山膠結(jié)充填體對地下水重金屬含量影響的報道較少。筆者利用ANN 中的誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP 神經(jīng)網(wǎng)絡(luò))，對膠結(jié)充填體影響地下水重金屬Zn含量進行了預(yù)測。

1 材料與方法

1.1 監(jiān)測水樣

試驗用水均為廣西某金屬礦山提供的7種不同來源地下水水樣，其中5種水樣水質(zhì)中鋅(Zn)含量遠遠超過《地下水環(huán)境質(zhì)量標準》(GB/T 14848-93)Ⅲ類標準，且超標倍數(shù)最大的為142。雖然鋅是人體生長發(fā)育所必需的微量元素，但過量鋅的攝入將對人體造成不利影響。因此，后續(xù)僅考慮重金屬元素Zn在地下水中的含量變化。

1.2 充填體試塊制備

膠結(jié)試塊制備采用該礦山選礦廠外排的全尾砂充填骨料、水泥為膠凝劑，灰砂比為1∶4，試塊尺寸71 mm×71 mm×71 mm。該礦全尾砂中SiO2、Al2O3、CaO、MgO、Fe、Sn、Sb、Zn、In、Pb、S含量分別為41.59%、2.30%、18.94%、0.83%、5.34%、0.27%、0.26%、1.24%、0.001 1%、0.27%、5.79%。

1.3 BP神經(jīng)網(wǎng)絡(luò)(BPNN)的構(gòu)建

BP網(wǎng)絡(luò)是一種分層型的典型多層網(wǎng)絡(luò)，具有輸入層、隱含層和輸出層，層與層之間多采用全連接的方式。隱含層的數(shù)目決定著神經(jīng)網(wǎng)絡(luò)的運算速度、儲存空間和收斂性質(zhì)，隱含層過少使得處理單元數(shù)目不足以反映輸入變量間的交互作用，進而導(dǎo)致較大誤差，但隱含層數(shù)目過大會使網(wǎng)絡(luò)變得復(fù)雜而收斂較慢。BP 神經(jīng)網(wǎng)絡(luò)中對于任何閉區(qū)間內(nèi)的連續(xù)函數(shù)都可以用單隱層的 BP 網(wǎng)絡(luò)逼近，故一般隱含層的層數(shù)確定為1。隱含層節(jié)點數(shù)對神經(jīng)網(wǎng)絡(luò)的性能同樣有一定影響。隱含層節(jié)點數(shù)過少，學習的容量有限，不足以儲存訓練樣本中蘊含的所有規(guī)律；隱含層節(jié)點過多，不僅會增加網(wǎng)絡(luò)訓練時間，而且會將樣本中非規(guī)律性的內(nèi)容儲存進去，反而降低泛化能力。隱含層節(jié)點數(shù)通常通過公式(1)進行湊試來確定[14-16]，具體公式如下：

(1)

式中，m為隱含層節(jié)點數(shù)；n為輸入層神經(jīng)元數(shù)；l為輸出層神經(jīng)元數(shù)；α為調(diào)節(jié)常數(shù)，為1～10。

選取2～12個隱含層節(jié)點，逐一改變訓練網(wǎng)絡(luò)進行重復(fù)計算，并根據(jù)擬合優(yōu)度系數(shù)R2、均方誤差MSE和平方相關(guān)系數(shù)Scc判斷模型的預(yù)測效果，具體計算公式為：

(2)

(3)

(4)

式中，ypred為模型的預(yù)測值；yobs為試驗值；ymean為試驗值的平均值。R2越逼近1，表明預(yù)測效果越好。MSE是對模型預(yù)測客觀評價，MSE越小，表明模型越優(yōu)。Scc越接近1，表明所訓練出的模型性能越好。

140組試驗樣本見表1，由于第5組樣本結(jié)果出現(xiàn)明顯偏差，將影響系統(tǒng)模型的建立，所以將其剔除。在剩余的139組樣本中隨機選取107組作為學習樣本訓練網(wǎng)絡(luò)，隱含層節(jié)點傳遞函數(shù)采用log-sigmoid型函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用純線性函數(shù)purelin。設(shè)定目標訓練均方差為 0.01，訓練步數(shù)為100。輸入層變量包括充填體試塊放置時間、地下水水樣、浸泡時間，重金屬Zn含量作為輸出層。由于重金屬Zn含量變化的3個影響因素的物理量綱不同，故在網(wǎng)絡(luò)訓練、檢驗及預(yù)測前，將學習樣本歸一化在[-1,1]范圍內(nèi)，以保證網(wǎng)絡(luò)對樣本具有較好的輸入敏感性和擬合性。

2 結(jié)果與分析

所有139組試驗結(jié)果分為兩部分：107組作為學習樣本訓練網(wǎng)絡(luò)，32組作為預(yù)測網(wǎng)絡(luò)。所有輸入層數(shù)據(jù)、重金屬Zn含量的試驗值見表1,隨機選取32組的預(yù)測值和試驗值進行對比(圖1)。由圖1可知，當網(wǎng)絡(luò)隱含層層數(shù)為 1、節(jié)點數(shù)為 7時，R2=0.888 3，MSE=0.081 9，Scc=0.943 7，說明建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠較好地預(yù)測全尾砂膠結(jié)充填對地下水重金屬Zn含量的影響。

表1 所有輸入層數(shù)據(jù)和Zn含量的試驗值

接下表

接下表

3 結(jié)論

研究了人工神經(jīng)網(wǎng)絡(luò)預(yù)測廣西某金屬礦山全尾砂膠結(jié)充填體對地下水重金屬Zn含量影響的可行性。結(jié)果表明，訓練的隱含層層數(shù)為 1、節(jié)點數(shù)為 7的網(wǎng)絡(luò)具有較好的預(yù)測效果，此時R2=0.888 3，MSE=0.081 9，Scc=0.943 7，說明建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠較好地預(yù)測全尾砂膠結(jié)充填對地下水重金屬Zn含量的影響。

[1] 周愛民.礦山廢料膠結(jié)充填[M].北京:冶金工業(yè)出版社,2007.

[2] 王新民.深井礦山充填理論與技術(shù)[M].長沙:中南大學出版社,2005.

[3] 苗濤.姑山掛幫礦采空區(qū)干式充填技術(shù)[J].現(xiàn)代礦業(yè),2011(6):74-76.

[4] 劉再濤.緩傾斜破碎礦體全廢石充填采礦法的應(yīng)用[J].現(xiàn)代礦業(yè),2013(4):62-63.

[5] 王賢來,姚維信,王虎,等.礦山廢石全尾砂充填研究現(xiàn)狀與發(fā)展趨勢[J].中國礦業(yè),2011,20(9):76-79.

[6] 楊志強,王永前,高謙,等.金川鎳礦尾砂膏體充填系統(tǒng)工藝技術(shù)改造與應(yīng)用研究[J].有色金屬科學與工程,2014,5(2):1-9.

[7] WANG Y,QIAN X,RICHARD L J Y,et al.Experimental behavior of cement filled pipe-in-pipe composite structures under transverse impact[J].International journal of impact engineering,2014,72:1-16.

[8] 朱國濤.高濃度結(jié)構(gòu)流全尾砂膠結(jié)充填實驗研究與應(yīng)用[J].礦業(yè)工程,2011,9(6):20-22.

[9] SAHOO G B,RAY C,DE CARLO E H.Use of neural network to predict flash flood and attendant water qualities of a mountainous stream on Oahu,Hawaii[J].Journal of hydrology，2006，327:525-538.

[10] NISKA H，HILTUNEN T，KARPPINER A，et al.Evolving the neural network model for forecasting air pollution time series[J].Engineering applications of artificial intelligence，2004，17(2)：159-167.

[11] ZHOU H，QIAN X P，CEN K F，et al.Optimizing pulverized coal combustion performance based on ANN and GA[J].Fuel processing technology，2003，85(2/3)：113-124.

[12] 徐波,賈銘椿,門金鳳.神經(jīng)網(wǎng)絡(luò)預(yù)測改性海綿鐵除氧效果的研究[J].工業(yè)水處理,2012,32(9):29-32.

[13] 郭彥,王海芳.神經(jīng)網(wǎng)絡(luò)模型在環(huán)境現(xiàn)狀評價中應(yīng)用研究[J].環(huán)境科學與技術(shù)，2010,33(11):191-198.

[14] 朱大奇，史慧．人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M]．北京：科學出版社，2006：42．

[15] 劉小生,曠雄.基于空間信息格網(wǎng)與BP神經(jīng)網(wǎng)絡(luò)的災(zāi)損快速評估系統(tǒng)[J].江西理工大學學報,2015,36(3):19-25.

[16] ZHANG L P,YU H J,HU S X.Optimal choice of parameters for particle swarm optimization[J].Journal of Zhejiang University science,2005,6(6):528-534.

Prediction of Effects of Tailing Filling on Zn Content in Groundwater Based on Artificial Neural Network

XIONG Chang-shi1, CHEN Yun-nen1, WU Le-wen2et al

(1.School of Resource and Environmental Engineering, Jiangxi University of Science and Technology, Ganzhou, Jiangxi 341000; 2. China-Tin Group Co., Ltd., Liuzhou, Guangxi 545006)

[Objective] The study aims to discuss the feasibility of predicting the effects of tailing filling on Zn content in groundwater based on artificial neural network (ANN). [Method] With error back propagation (BP) neural network, a dynamic simulation model showing the relationship of Zn content with placed time of tailing filling block, groundwater sources and soaking time was established to predict the effects of tailing filling on Zn content in groundwater from a metal mine of Guangxi. [Result] When the number of ANN hidden layer is 1 and the number of nodes is 7, the established BP neural network can accurately predict the effects of tailing filling on Zn content in groundwater. [Conclusion] The research can provide scientific references for the protection of groundwater environment and safe disposal of tailings in mines.

Tailing filling; Groundwater; Heavy metal Zn; Artificial neural network

廣西科學研究與技術(shù)開發(fā)技術(shù)課題(桂科重14124001-2)。

熊昌獅(1992-)，男，江西南昌人，碩士研究生，研究方向：廢水處理與廢渣資源化。

2015-11-20

S 181

A

0517-6611(2015)35-115-03