基于粒子群與知識圖譜的突發(fā)水污染事件溯源方法

王新龍，薛曉鵬，孫如飛

(寧波市水利水電規(guī)劃設(shè)計研究院有限公司，浙江 寧波 315000)

0 引 言

水是生命之源、生產(chǎn)之要、生態(tài)之基。近年來，我國水污染事件的發(fā)生時常見諸報端。如：2014年甘肅蘭州自來水苯含量超標(biāo)，2015年廣東練江水污染，2016年安徽池州劇毒污水直排長江，2017年嘉陵江水污染等；接連的水污染事故讓人觸目驚心。但是一些企業(yè)為了自身利益，經(jīng)常非法偷排污水，不僅嚴(yán)重污染水環(huán)境、造成重大經(jīng)濟(jì)損失；而且對居民飲水造成嚴(yán)重影響。水污染發(fā)現(xiàn)的位置通常不是污染源頭，環(huán)境監(jiān)管部門通常需要耗費大量人力、物力和時間，才能確定污染來源，往往已經(jīng)耽誤了水污染控制和治理的最佳時機(jī)；其次，即使定位到了污染源，對具體偷排企業(yè)的確定也是一個難題。如何在第一時間快速、精確實現(xiàn)污染物溯源、掌握污染源信息、確定偷排企業(yè)，最大程度地降低水污染造成的損失，對環(huán)境部門輔助決策、偷排企業(yè)追究問責(zé)，具有重要意義。

目前，國內(nèi)外學(xué)者在水污染溯源方面的研究，可大致分為示蹤實驗法和數(shù)值模擬法兩大類。示蹤實驗法主要包括同位素示蹤法[1]、微生物示蹤法[2]、水紋識別法[3- 4]、紫外光譜分析法[5]等，這類方法穩(wěn)定性好，溯源結(jié)果精確度較高，但多是在水污染發(fā)生后對上游企業(yè)污水進(jìn)行取樣分析，工作量大且耗時長；數(shù)值模擬法主要包括確定性法和概率法[6]等。這類方法采用反問題思路，基于水污染發(fā)生后所檢測的污染物信息對污染源相關(guān)參數(shù)進(jìn)行反向推導(dǎo)，克服了示蹤實驗法工作量大、耗時長的問題；但目前數(shù)理問題反問題的計算相比正向計算，仍不成熟，計算復(fù)雜且計算量大，并容易受到初值和邊界條件等因素的影響[7]。

本文針對示蹤實驗法和數(shù)值模擬法存在的不足，提出基于粒子群與知識圖譜的突發(fā)水污染事件溯源方法。首先構(gòu)建突發(fā)污染預(yù)案庫，作為突發(fā)污染源的初步篩選依據(jù)；其次，采用粒子群算法對污染物擴(kuò)散模型參數(shù)進(jìn)行在線率定，并對初步篩選的污染源進(jìn)行擬合分析，篩選出擬合度最高的污染源；最后，采用知識圖譜法，將擬合度最高污染源附近一定范圍內(nèi)的企業(yè)污染物特征數(shù)據(jù)，與監(jiān)測的污染物數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，確定排污企業(yè)，完成污染物溯源。

圖1 突發(fā)水污染情景數(shù)據(jù)庫

1 研究方法

1.1 突發(fā)水污染預(yù)案庫構(gòu)建

為了對突發(fā)水污染事件做出快速響應(yīng)，有必要建立突發(fā)水污染預(yù)案庫(見圖1)，主要包括：

(1)污染源數(shù)據(jù)庫。污染源數(shù)據(jù)庫主要包括研究區(qū)域歷史污染源信息，包括污染源編號、污染源名稱、污染源坐標(biāo)、主要污染物、各污染物日常排放濃度、各污染物排放濃度比例、污染物上下游影響距離等。

(2)排污企業(yè)數(shù)據(jù)庫。排污企業(yè)數(shù)據(jù)庫對應(yīng)于污染源數(shù)據(jù)庫，包括對應(yīng)污染源編號、企業(yè)法人、聯(lián)系方式、行業(yè)類別、所在地區(qū)、附近河流等。

(3)監(jiān)測斷面數(shù)據(jù)庫。監(jiān)測斷面數(shù)據(jù)庫主要包括監(jiān)測斷面相關(guān)信息，包括斷面編號、斷面名稱、斷面坐標(biāo)、監(jiān)測要素、監(jiān)測頻次、監(jiān)測數(shù)據(jù)等，為水污染擴(kuò)散模型的參數(shù)率定提供支撐。

(4)水文情景數(shù)據(jù)庫。水文情景數(shù)據(jù)庫涵蓋了研究區(qū)域河道水位、流量、流速的各種情景組合，為水污染情景方案提供邊界條件。

(5)水污染擴(kuò)散模型庫。水污染擴(kuò)散模型庫主要包括模型構(gòu)建的基本參數(shù)、邊界條件等。

(6)突發(fā)水污染情景數(shù)據(jù)庫。突發(fā)水污染情景數(shù)據(jù)庫為各情景組合下的突發(fā)水污染方案庫，模擬各污染源不同排放濃度與不同水文條件組合下的監(jiān)測斷面污染物濃度變化過程。主要包括污染源坐標(biāo)、污染物名稱、污染物濃度、水文邊界、模型參數(shù)、監(jiān)測斷面污染物濃度等。

1.2 污染物擴(kuò)散模型

本文以河流突發(fā)水污染事件為研究對象。由于污染物在河流中的擴(kuò)散會受到河流兩岸的影響，污染物在水流中的擴(kuò)散收到邊界限制并產(chǎn)生反射[8]；因此，需建立二維污染物擴(kuò)散模型來模擬污染物在河流中的擴(kuò)散過程

(1)

式中，C為預(yù)測點在t時刻點(x，y)處的污染物濃度，g/L；x(m)、y(m)為以污染物泄露點位坐標(biāo)原點的坐標(biāo)位置；t(s)為污染物排放時刻到當(dāng)前時刻的時間長度；k(s-1)為污染物的降解系數(shù)；ux、uy分別為河流的縱向、橫向水流平均速度，m/s；Dx、Dy分別為污染物在水體中的縱向、橫向擴(kuò)散系數(shù)，m2/s。

若污染源的排放形式為瞬時岸邊排放模式，則污染物濃度

(2)

式中，M為污染物排放總量，g；h為河流深度，mm；x、y分別為預(yù)測點距離排放點的縱向及橫向距離[9]，m。

1.3 基于粒子群算法的水動力水質(zhì)耦合模型參數(shù)在線率定

模型參數(shù)的率定是模型應(yīng)用的前提條件。當(dāng)前模型參數(shù)率定大多采用離線率定方法，率定的參數(shù)不會隨水文、水動力等條件的變化而改變。當(dāng)發(fā)生突發(fā)水污染事件時，模型參數(shù)往往不適用；尤其是河流出現(xiàn)新的污染物時，還需進(jìn)行現(xiàn)場實驗來重新率定參數(shù)，耽誤了大量時間。因此，需要對水污染擴(kuò)散模型參數(shù)進(jìn)行實時在線率定。

優(yōu)化算法是模型參數(shù)率定的一種常用方法，其中粒子群算法相比于其他優(yōu)化算法，具有快速、簡單、容易實現(xiàn)的特點[10]。基于粒子群算法的水動力水質(zhì)耦合模型參數(shù)在線率定步驟如下。

(1)參數(shù)敏感性分析。分析污染物擴(kuò)散模型參數(shù)的敏感性，確定需要率定的參數(shù)和不需要率定的參數(shù)。

(2)參數(shù)初值設(shè)置。根據(jù)上下游監(jiān)測斷面的污染物類型與濃度，以及實時的河流水文、水動力特征，從突發(fā)污染預(yù)案庫中篩選一個和當(dāng)前污染情況相似的事件，將該事件的模型參數(shù)作為參數(shù)率定的初值。相似污染事件的篩選采用先驗知識和模糊邏輯法，本文不做詳述。

(3)模擬污染源構(gòu)建?，F(xiàn)實場景種，一般很難獲取一場真實的水污染事件污染物濃度變化的全部過程，因此需要構(gòu)建模擬污染源，以支撐模型參數(shù)率定與驗證。模擬污染源的構(gòu)建可將上游監(jiān)測斷面一定時間內(nèi)污染物的濃度變化過程，等效為一定總量的污染物瞬時排放，從而替代真實污染源支撐模型預(yù)測下游斷面污染物濃度的變化過程。通過對比下游斷面污染物濃度的實測數(shù)據(jù)與預(yù)測的污染物濃度變化過程，對模型參數(shù)實時動態(tài)校正。

(4)參數(shù)在線率定。采用粒子群算法，基于模型參數(shù)初值、模擬污染源(上游監(jiān)測斷面)污染物濃度變化過程、實測污染物濃度變化過程(下游監(jiān)測斷面)等信息對參數(shù)在合理取值范圍內(nèi)進(jìn)行在線優(yōu)化率定，主要包括以下6個步驟：①初始化粒子群。設(shè)置各粒子的初始速度、初始位置、個體極值。②計算粒子適應(yīng)度。計算各例子的目標(biāo)函數(shù)值，即當(dāng)前參數(shù)情景下，下斷面預(yù)測的污染物濃度序列與實測值序列的偏差總和，偏差總和越小代表適應(yīng)度越高。目標(biāo)函數(shù)表達(dá)式為

(3)

1.4 基于水污染擴(kuò)散模型的污染物溯源

(1)污染源初篩。突發(fā)污染預(yù)案庫涵蓋了各種污染物的相關(guān)信息，當(dāng)發(fā)生突發(fā)水污染事件時，根據(jù)監(jiān)測斷面污染物類型，從預(yù)案庫中查詢該污染物可能對應(yīng)的污染源(即疑似污染源)以及相應(yīng)污染源的信息，包括污染源名稱、坐標(biāo)等。疑似污染源記為x1，x2，…，xi(i=1，2，…，n)。

1.5 基于知識圖譜的排污企業(yè)確定

上述溯源得到的污染源，只能確定污染源的排放位置、排放時間和排放濃度。如果該污染源位于某工業(yè)園區(qū)的河道內(nèi)，且該污染源附近企業(yè)排放污染物的類型大致相同，當(dāng)某一企業(yè)偷排污染物時，則很難確定偷排企業(yè)。因此，還要將溯源得到的污染源與其周圍企業(yè)排放的污染物(如各污染物濃度比例等)進(jìn)行深入分析，才能最終確定偷排企業(yè)。

(1)知識圖譜概念。知識圖譜(Knowledge Graph)又稱為科學(xué)知識圖譜，由Google公司在2012年提出，是人工智能技術(shù)的組成部分。其強(qiáng)大的語義處理和互聯(lián)組織能力，為智能化信息應(yīng)用提供了基礎(chǔ)。隨著人工智能的技術(shù)發(fā)展和應(yīng)用，知識圖譜逐漸成為關(guān)鍵技術(shù)之一，現(xiàn)已被廣泛應(yīng)用于智能搜索、智能問答、個性化推薦、內(nèi)容分發(fā)等領(lǐng)域?；谝陨咸攸c，本文采用知識圖譜對溯源得到的污染源與其周圍企業(yè)排放的污染物進(jìn)行智能分析，確定偷排企業(yè)。

(2)知識圖譜架構(gòu)。知識圖譜的架構(gòu)包括自身的邏輯結(jié)構(gòu)以及構(gòu)建知識圖譜所采用的體系架構(gòu)。①邏輯結(jié)構(gòu)：邏輯架構(gòu)可分為數(shù)據(jù)層和模式層兩個層次，數(shù)據(jù)層主要是由一系列的事實組成，而知識將以事實為單位進(jìn)行存儲。模式層構(gòu)建在數(shù)據(jù)層之上，是知識圖譜的核心，通常采用本體庫來管理知識圖譜的模式層。本體是結(jié)構(gòu)化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結(jié)構(gòu)較強(qiáng)，并且冗余程度較小。②體系架構(gòu)：體系架構(gòu)是指知識圖譜的構(gòu)建結(jié)構(gòu)，如圖2所示。其中虛線框內(nèi)的部分為知識圖譜的構(gòu)建過程，也包含知識圖譜的更新過程。若通過知識圖譜仍無法分析確定，則需要去疑似企業(yè)實地調(diào)查走訪最終確認(rèn)。

圖2 知識圖譜體系架構(gòu)

表1 實驗河段水文要素

2 案例應(yīng)用

由于現(xiàn)實實際不可能將大量污染物故意傾倒進(jìn)入河道進(jìn)行實驗，因此，基于現(xiàn)實條件與實驗的人力、物力和環(huán)境，選取寧波市某水文條件比較穩(wěn)定的入甬江河段、以少量污染物進(jìn)行溯源實驗。這樣，實驗中的少量污染物可快速排入甬江，進(jìn)而排入外海，不會對生態(tài)環(huán)境造成影響。該河段的水文要素見表1。

根據(jù)實驗河段水文要素，通過埃爾德法和泰勒經(jīng)驗公式，可計算得出本次實驗的初始污染物縱向擴(kuò)散系數(shù)Dx=2.94 m2/s和橫向擴(kuò)散系數(shù)Dy=0.016 m2/s。

模擬岸邊瞬時排放污染物的溯源實驗(見圖3)：

圖3 污染物溯源實驗示意

2.1 構(gòu)建突發(fā)水污染預(yù)案庫

在河段上游兩岸虛擬不同的污染企業(yè)，根據(jù)各企業(yè)的不同污染物類型、河段水文要素等信息，構(gòu)建突發(fā)水污染預(yù)案庫，包括污染源數(shù)據(jù)庫、排污企業(yè)數(shù)據(jù)庫、監(jiān)測斷面數(shù)據(jù)庫、水文情景數(shù)據(jù)庫等。部分?jǐn)?shù)據(jù)庫表結(jié)構(gòu)信息見表2、3。

2.2 污染物排放與監(jiān)測

(1)在河段起始斷面處A1以瞬時投放的形式向河段內(nèi)投入污染物M，質(zhì)量為20 g，并將A1標(biāo)記為位置原點，投放時刻記為零時刻。

(2)通過水質(zhì)自動監(jiān)測儀，每隔30 s，在表4所示3個斷面處(A2、A3、A4)測定污染物M的濃度，持續(xù)測量8 min。其中，A2為虛擬的污染源，A3用于在線率定污染物擴(kuò)散模型參數(shù)，A4用于污染物溯源。通過水質(zhì)自動監(jiān)測儀的通信模塊，自動將數(shù)據(jù)發(fā)送到網(wǎng)絡(luò)，同時運用通信解析協(xié)議，解析得到污染物濃度變化過程，存入水污染擴(kuò)散模型庫。污染物濃度數(shù)據(jù)傳輸、解析、存庫的過程涉及水利物聯(lián)通信，本文不做詳述。

2.3 模型參數(shù)在線率定

Dx、Dy的初值已經(jīng)根據(jù)經(jīng)驗公式計算得到；縱向平均流速ux與橫向平均流速uy通過流速儀測得，分別為0.16 m/s和0.02 m/s；通過查詢文獻(xiàn)，污染物的降解系數(shù)初值k=0.1 d-1。

測得A2、A3、A4的污染物濃度變化見圖4。

由于模型中待率定的ux、uy、k初始值可依據(jù)河段水文要素及文獻(xiàn)計算得到，若由于實際條件限制

表2 污染源信息

表3 排污企業(yè)信息

表4 監(jiān)測點及監(jiān)測信息

表5 模型參數(shù)率定信息

圖4 A2、A3、A4污染物濃度變化

無法獲取其初始值，可從突發(fā)水污染預(yù)案庫中選取跟當(dāng)前場景相似的歷史事件作為初始值。各參數(shù)見表5。

利用A2為虛擬污染源，利用A3污染物濃度變化過程，基于粒子群法對ux、uy、k進(jìn)行率定，率定結(jié)果見圖5。

經(jīng)率定，Dx均值為0.941 m2/s，Dy均值為0.116 m2/s，k均值為0.085 d-1。

2.4 水污染溯源

(1)根據(jù)監(jiān)測斷面A4的污染物類型，從預(yù)案庫中查詢疑似污染源。經(jīng)過篩選，初步確認(rèn)5處污染源x1、x2、x3、x4、x5。

(2)通過試算法，基于率定過的水污染擴(kuò)散模型，分別對5處污染源進(jìn)行模擬計算，并與A4的實測污染物濃度變化過程進(jìn)行擬合度分析。經(jīng)計算，5處污染源擬合度分別為0.96、0.73、0.84、0.69、0.89；因此，確定x1為污染源。

2.5 確認(rèn)排污企業(yè)

根據(jù)監(jiān)測斷面A4的污染物類型、排放濃度、污染物濃度衰減、排放時間等信息，通過知識圖譜與污染源周邊企業(yè)進(jìn)行關(guān)聯(lián)分析，確定排污企業(yè)E。

3 結(jié)論與展望

本文針對現(xiàn)有水污染溯源方法

圖5 ux、uy、k迭代計算過程

的不足，提出了一種河流突發(fā)水污染事件的溯源方法框架與步驟，并通過實驗進(jìn)行了模擬驗證。通過構(gòu)建突發(fā)污染預(yù)案庫，從而大大縮短了污染物溯源時間；通過粒子群算法，對污染物擴(kuò)散模型進(jìn)行實時在線率定，使模型參數(shù)能夠隨時應(yīng)對水污染事件；采用污染物擴(kuò)散模型的正向計算，有效克服了反問題計算復(fù)雜的缺陷；通過知識圖譜的智能關(guān)聯(lián)，確定排污企業(yè)，完成水污染的精確溯源，大大提高了水污染溯源的效率。

本文只對岸邊瞬時排放的水污染事件進(jìn)行了實驗，下一步需對連續(xù)排放的水污染事件進(jìn)行實驗，以驗證本方法的適用性與準(zhǔn)確性；同時，還需對實際發(fā)生的突發(fā)水污染事件進(jìn)行溯源模擬，以驗證本方法在現(xiàn)實條件下的適應(yīng)性。