人工智能技術(shù)對(duì)長江流域水污染治理的思考

姚繼平, 郝芳華, 王國強(qiáng), 程紅光, 薛寶林, 魚京善

北京師范大學(xué)水科學(xué)研究院, 城市水循環(huán)與海綿城市技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室, 北京 100875

長江流域在我國社會(huì)經(jīng)濟(jì)發(fā)展和生態(tài)環(huán)境保護(hù)過程中占據(jù)非常重要的地位，水資源更是該流域健康可持續(xù)發(fā)展的命脈所在[1-4]. 近年來，隨著工業(yè)化和城鎮(zhèn)化進(jìn)程的加快，長江流域工業(yè)廢水、城鎮(zhèn)生活污水排放加劇，農(nóng)業(yè)面源污染日益嚴(yán)重[5-7]. 習(xí)近平總書記在黨的十九大報(bào)告中指出，長江流域需要貫徹“共抓大保護(hù)”的發(fā)展理念[8-9]. 2016年9月頒發(fā)的《長江經(jīng)濟(jì)帶發(fā)展規(guī)劃綱要》指出，長江流域是我國未來經(jīng)濟(jì)發(fā)展的重要地區(qū)，該流域水污染將面臨更加嚴(yán)峻的形勢(shì)[10]. 因此，亟需明晰長江流域水污染問題，遴選高效合理的水污染治理技術(shù)，這是有效解決長江流域水污染問題的關(guān)鍵.

原環(huán)境保護(hù)部、國家發(fā)展和改革委員會(huì)、水利部聯(lián)合頒發(fā)的《重點(diǎn)流域水污染防治規(guī)劃(2016—2020年)》指出，長江流域工業(yè)廢水污染物主要為重金屬(Cr、Cu)，城鎮(zhèn)生活污水污染物主要為營養(yǎng)鹽(TN、TP、CODCr)，農(nóng)業(yè)面源污染主要為持久性有機(jī)污染物〔PBDEs(多溴二苯醚)、HCH(六氯環(huán)己烷)〕[11-13]. 張雪等[14]通過評(píng)估長江流域水體重金屬污染風(fēng)險(xiǎn)，證實(shí)了重化工業(yè)高度密集的長江下游干流地區(qū)受Cr、Cu污染較嚴(yán)重. 秦延文等[15]研究表明，人口相對(duì)密集的長江上游地區(qū)主要存在TN、TP、CODCr濃度超標(biāo)問題. 劉明麗[16]發(fā)現(xiàn)，農(nóng)業(yè)面源污染嚴(yán)重的長江中下游地區(qū)受PBDEs、HCH等持久性有機(jī)污染物污染較嚴(yán)重. 因此，通過對(duì)污水污染物去除過程建模與優(yōu)化，實(shí)現(xiàn)污染物高效去除，這是改善長江流域水污染狀況的關(guān)鍵. 然而，隨著經(jīng)濟(jì)的飛速發(fā)展和城市化進(jìn)程的加速，促使水污染嚴(yán)重的長江流域需從污水污染物去除過程的建模與優(yōu)化、污水處理的優(yōu)化控制、水污染監(jiān)測(cè)系統(tǒng)的構(gòu)建等方面全面開展水污染治理研究[17-18].

由于人口數(shù)量、經(jīng)濟(jì)發(fā)展水平、季節(jié)變化等影響水污染的因素具有非線性、時(shí)變性、多元性和多目標(biāo)性特征[19]，導(dǎo)致水污染治理存在不確定性和復(fù)雜性問題. 利用多元線性回歸(MLR)、響應(yīng)面方法(RSM)、主成分分析(PCA)、K-均值聚類等方法開展的水污染治理研究缺乏對(duì)水污染治理的不確定性和復(fù)雜性問題的解決能力[20]. 20世紀(jì)90年代興起的人工智能技術(shù)，主要包括人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)、遺傳算法(GA)、粒子群(PSO)等[21]，這些方法在保證高精度的同時(shí)無需針對(duì)水污染評(píng)估的輸入輸出關(guān)系建立復(fù)雜的數(shù)學(xué)公式，具有處理不確定性、交互性和動(dòng)態(tài)復(fù)雜性問題的較強(qiáng)能力. 如與傳統(tǒng)的MLR相比，利用人工智能技術(shù)評(píng)估的河流生態(tài)系統(tǒng)溶氧值更接近實(shí)際實(shí)驗(yàn)值[22]. 在流域污水污染物去除過程的模擬研究中，基于多層感知器神經(jīng)網(wǎng)絡(luò)(MLPNN)、徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)等方法的模擬效果比傳統(tǒng)的RSM、PCA等方法更佳，能夠?qū)崿F(xiàn)污染物去除效率的高精度預(yù)測(cè)，為污染物的高效去除提供更加可靠的技術(shù)方法[23-24]. 利用SVM和污水優(yōu)化自動(dòng)控制技術(shù)構(gòu)建的污水智能控制系統(tǒng)能夠?qū)崿F(xiàn)水污染高效治理的同時(shí)降低耗能的效果[25]. 采用疊層去噪自動(dòng)編碼器(PSO-SDAE)與在線監(jiān)測(cè)儀器構(gòu)建的水污染監(jiān)測(cè)系統(tǒng)能夠有效克服水污染響應(yīng)滯后問題[26]. 因此，該研究通過梳理國內(nèi)外學(xué)者利用人工智能技術(shù)在流域污水污染物去除過程的建模與優(yōu)化、流域污水處理過程的優(yōu)化控制、流域水污染監(jiān)測(cè)系統(tǒng)的構(gòu)建等方面取得的研究成果，為全面提升長江流域水污染問題解決能力提供科學(xué)可靠的技術(shù)指導(dǎo).

1 流域污水污染物去除過程的建模與優(yōu)化

流域污水污染物去除過程是指采取物理、化學(xué)或生物處理方法將污水中所含的污染物分離出來，從而使污水得到凈化的過程[16]. 人工智能技術(shù)ANN及由其衍生出來的MLPNN、RBFNN、多層前饋網(wǎng)絡(luò)-人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)通過模擬大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用網(wǎng)絡(luò)中神經(jīng)元連接矩陣反映信息輸入與輸出的非線性關(guān)系，能夠有效克服污水污染物分離過程的復(fù)雜非線性問題，在污染物去除過程的模擬中具有突出的應(yīng)用效果[24]，因此，將這些技術(shù)應(yīng)用于重金屬、營養(yǎng)鹽、持久性有機(jī)污染物去除過程的建模與優(yōu)化，為實(shí)現(xiàn)高精度預(yù)測(cè)污染物去除率提供重要的參考價(jià)值. 如表1所示，YU等[27]將污水pH、DO濃度、Cr含量和接觸時(shí)間作為輸入變量，利用BP-ANN預(yù)測(cè)污水中Cr的去除效率，結(jié)果表明，BP-ANN能夠?qū)崿F(xiàn)對(duì)Cr去除率的高精度預(yù)測(cè)(R2=0.988). Philip等[28]選取有機(jī)負(fù)荷率、NH4+-N濃度、pH、CODCr濃度、沼氣產(chǎn)量與出水揮發(fā)性脂肪酸6個(gè)重要的厭氧工藝參數(shù)作為輸入變量，利用BP-ANN 預(yù)測(cè)污水中CODCr去除率，結(jié)果表明，試驗(yàn)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)高度一致，BP-ANN能夠解釋CODCr實(shí)際去除率的87%(R2=0.87). Dolatabadi等[29]采用MLPNN和ANFIS預(yù)測(cè)污水中Cu去除率，結(jié)果表明，MLPNN和ANFIS對(duì)Cu去除率均有良好地預(yù)測(cè)效果(R2分別為0.987和0.999). JING等[30]采用MLPNN預(yù)測(cè)持久性有機(jī)污染物萘的去除過程，結(jié)果表明，MLPNN能夠高精度地預(yù)測(cè)污水中萘去除率〔RMSE(均方根誤差)=0.042〕. Turan等[31]研究表明，利用RBFNN對(duì)污水中Cu去除率的預(yù)測(cè)能力優(yōu)于MPNN，這是由于RBFNN具有模塊化的網(wǎng)絡(luò)結(jié)構(gòu)和無監(jiān)督的學(xué)習(xí)特性，其對(duì)輸入的噪聲具有很高容忍度[32]. 因此，RBFNN對(duì)流域污水重金屬去除率的精確預(yù)測(cè)具有重要的參考價(jià)值.

表1 不同人工神經(jīng)網(wǎng)絡(luò)方法在污水污染物去除率預(yù)測(cè)中的應(yīng)用

注： RMSE為均方根誤差，可衡量模擬值與實(shí)測(cè)值之間的偏差. 下同.

基于上述研究成果的梳理，針對(duì)長江流域重金屬(Cr、Cu)污染問題，應(yīng)將Cr含量、Cu含量、pH、接觸時(shí)間和吸附劑用量作為RBFNN的輸入變量，以Cr、Cu的去除率作為輸出目標(biāo)，為高精度預(yù)測(cè)長江流域重金屬污染物的去除率提供重要參考. 針對(duì)長江流域營養(yǎng)鹽(TN、TP)濃度超標(biāo)污染問題，應(yīng)將有機(jī)負(fù)荷率、NH4+-N濃度、pH、CODCr濃度、沼氣產(chǎn)量與出水揮發(fā)性脂肪酸作為BP-ANN的輸入變量，以TN、TP的去除率作為輸出目標(biāo)，為準(zhǔn)確預(yù)測(cè)長江流域營養(yǎng)鹽污染物提供科學(xué)的技術(shù)指導(dǎo). 針對(duì)長江流域持久性有機(jī)污染物(PBDEs、HCH)污染問題，應(yīng)將PBDEs濃度、HCH濃度、水溫、通量率作為MLPNN的輸入變量，以PBDEs、HCH的去除率作為輸出目標(biāo)，為精確預(yù)估長江流域持久性有機(jī)污染物的去除率提供重要的技術(shù)支撐.

2 流域污水處理的優(yōu)化控制

相對(duì)于污水污染物去除過程的建模與優(yōu)化，污水處理過程的優(yōu)化控制對(duì)解決長江流域水污染的多源不確定問題具有更好的效果[7]. 采用自動(dòng)控制技術(shù)對(duì)污水處理過程進(jìn)行優(yōu)化控制存在效率低且耗能高的問題[17]，將具有自學(xué)習(xí)和自適應(yīng)能力的人工智能技術(shù)與自動(dòng)控制技術(shù)相結(jié)合，能夠?qū)崿F(xiàn)水污染高效治理的同時(shí)降低耗能效果. 如表2所示，WEN等[33]利用RBFNN和MLPNN建立實(shí)時(shí)DO智能控制系統(tǒng)，通過獲取系統(tǒng)DO最優(yōu)輸入值來保證出水水質(zhì)的穩(wěn)定合格. DING等[34]考慮到微生物活性的影響，選取水力停留時(shí)間、曝氣總時(shí)間以及NH4+-N、TP、CODCr的去除率作為控制因素，通過MLPNN優(yōu)化傳統(tǒng)序批式生物膜反應(yīng)器(SBBR)的曝氣過程，有效減少了總曝氣時(shí)間和水力停留時(shí)間，顯著提高了CODCr的去除率. Foscoliano等[35]通過對(duì)生物反應(yīng)器中含氮化合物的有效控制，利用遞歸神經(jīng)網(wǎng)絡(luò)模型(RNN)捕捉污染物的輸入輸出行為，有效地降低了NH4+-N、NO3--N等污染物的排放及能源的消耗. Jaramillo等[25]利用SVM分類器有效地降低了硝酸鹽化合物去除過程中好氧的總時(shí)長(減少了9.54 d).

此外，由于模糊神經(jīng)網(wǎng)絡(luò)(FNN)和ANFIS具有解決不確定性問題的較強(qiáng)能力，利用他們對(duì)流域水污染進(jìn)行多目標(biāo)最優(yōu)控制，也能夠?qū)崿F(xiàn)在保證水污染高效治理的同時(shí)降低耗能的效果. 如表2所示，QIAO等[36]利用FNN的控制模塊和自適應(yīng)多目標(biāo)差分進(jìn)化算法，提出了一種對(duì)第二缺氧槽的硝酸氮含量(SNO2)和第五缺氧槽的DO含量(SO5)進(jìn)行多目標(biāo)最優(yōu)控制策略，使污水處理廠曝氣能量減少了7.6%. HUANG等[37]提出了一種在缺氧好氧環(huán)境中，以低耗能消除含氮化合物的ANFIS集成控制系統(tǒng)，該系統(tǒng)能使CODCr和TN濃度在一周內(nèi)分別降低了14%和10.5%. HUANG等[38]利用ANFIS提出了一種用于調(diào)節(jié)生物膜廢水曝氣量的控制器，促使污水處理廠的運(yùn)行成本降低了33%左右. Gaya等[39]利用ANFIS構(gòu)建了一種對(duì)活性污泥中DO有效控制的補(bǔ)償控制器，與常規(guī)比例積分控制器相比，該控制器能夠?qū)崿F(xiàn)污水污染物高效去除的同時(shí)降低耗能的效果.

表2 不同人工智方法在污水優(yōu)化控制中的應(yīng)用

基于上述研究成果的梳理，針對(duì)長江流域污水污染物去除率低且耗能高的問題，一方面，應(yīng)將人工智能技術(shù)(RBFNN、MLPNN、RNN和SVM)與污水處理的自動(dòng)控制技術(shù)相結(jié)合，獲取改善長江流域水質(zhì)的智能控制策略；另一方面，應(yīng)利用FNN和ANFIS技術(shù)對(duì)長江流域污水DO的好氧階段進(jìn)行優(yōu)化控制，在達(dá)到污水排水標(biāo)準(zhǔn)的前提下減少總曝氣時(shí)間，以期實(shí)現(xiàn)節(jié)能效果.

3 流域水污染監(jiān)測(cè)系統(tǒng)的構(gòu)建

隨著經(jīng)濟(jì)的快速發(fā)展和城市化進(jìn)程的不斷加速，促進(jìn)了長江流域水污染治理的高標(biāo)準(zhǔn)要求[18]，因而需要建立水污染監(jiān)測(cè)系統(tǒng)全面開展水污染治理工作. 傳統(tǒng)的污水監(jiān)測(cè)系統(tǒng)具有一定的局限性，其依賴于對(duì)NO3--N、NH4+-N、CODCr和BOD5等主要污染物濃度的在線和離線分析，然而，通過在線分析得到的污染物值有效性受限于污水檢測(cè)系統(tǒng)高昂的投資和維護(hù)費(fèi)用，離線分析得到的污染物值與其實(shí)際變化又存在著響應(yīng)滯后問題[40].

由人工智能技術(shù)建立的軟測(cè)量方法能夠快速、精確地評(píng)估污染物狀況[32]，利用軟測(cè)量方法和在線監(jiān)測(cè)儀器構(gòu)建的流域污水監(jiān)測(cè)系統(tǒng)，能夠在保證系統(tǒng)低成本運(yùn)行的同時(shí)解決系統(tǒng)響應(yīng)滯后問題. 如表3所示，ZHU等[41]提出了一種由RBFNN軟測(cè)量方法和在線監(jiān)測(cè)儀器建立的監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)了對(duì)工業(yè)污水處理廠出水污染物TP濃度的快速、高精度預(yù)測(cè)(計(jì)算時(shí)間為16.8 s，預(yù)測(cè)精度為83%). CONG等[42]利用小波神經(jīng)網(wǎng)絡(luò)(WNN)開發(fā)了厭氧好氧廢水處理過程的在線軟測(cè)量集成系統(tǒng)，該系統(tǒng)即使在工作條件頻繁變化的情況下也能實(shí)時(shí)高效地預(yù)估出水污染物CODCr的濃度. SHI等[26]應(yīng)用PSO-SDAE與在線監(jiān)測(cè)儀構(gòu)建的污水監(jiān)測(cè)系統(tǒng)能夠精確地預(yù)測(cè)出生物膜系統(tǒng)出水CODCr、TN和NH4+-N的濃度. ZHU等[43]提出了一種結(jié)合人工神經(jīng)網(wǎng)絡(luò)、折衷規(guī)劃和多元線性回歸的層次混合軟測(cè)量方法(MLR-ANN)，利用MLR-ANN與在線監(jiān)測(cè)儀器構(gòu)建的水污染監(jiān)測(cè)系統(tǒng)實(shí)現(xiàn)了對(duì)BOD5高精度的實(shí)時(shí)預(yù)測(cè). HAN等[44]利用遞歸自組織神經(jīng)網(wǎng)絡(luò)(RSONN)軟測(cè)量方法在線預(yù)測(cè)污泥體積指數(shù)值，其對(duì)準(zhǔn)確判斷污水處理過程中污泥膨脹是否發(fā)生具有重要參考依據(jù).

表3 不同人工智能方法在水污染監(jiān)測(cè)系統(tǒng)中的應(yīng)用

注： TSS為總懸浮固體.

利用軟測(cè)量方法與在線監(jiān)測(cè)儀器建立的水污染監(jiān)測(cè)系統(tǒng)還可以實(shí)現(xiàn)多個(gè)水質(zhì)指標(biāo)的精確測(cè)量，如Fernandez等[45]提出了一種將MLPNN與PCA相結(jié)合的在線軟測(cè)量系統(tǒng)，在3種不同的天氣(干旱、雨、暴雨)下，實(shí)時(shí)預(yù)測(cè)污水中CODCr、TSS (總懸浮固體)和TN的濃度，預(yù)測(cè)結(jié)果能夠解釋這些污染物實(shí)際值的87%以上. Nadiri等[46]開發(fā)了一種基于FNN的在線軟測(cè)量方法，依據(jù)污水處理廠污水進(jìn)水水質(zhì)指標(biāo)pH、溫度及CODCr、BOD5和TSS的濃度，實(shí)時(shí)預(yù)測(cè)污水出水中CODCr、BOD5和TSS的濃度，預(yù)測(cè)結(jié)果能夠解釋這些污染物實(shí)際值的93%以上.

基于上述研究成果的梳理，利用人工智能技術(shù)(RBFNN、PSO-SDAE、WNN、MLR-ANN)與在線監(jiān)測(cè)儀器建立水污染監(jiān)測(cè)系統(tǒng)，為實(shí)時(shí)精確地預(yù)測(cè)長江流域污水污染物(TP、TN、CODCr、BOD5)濃度的變化趨勢(shì)，解決水污染監(jiān)測(cè)滯后問題提供重要參考. 利用RSONN與在線監(jiān)測(cè)儀器構(gòu)建水污染監(jiān)測(cè)系統(tǒng)，為準(zhǔn)確判斷長江流域污水處理過程中污泥膨脹是否發(fā)生提供重要依據(jù). 此外，利用人工智能技術(shù)(MLPNN、FNN)與在線監(jiān)測(cè)儀器建立水污染監(jiān)測(cè)系統(tǒng)，為同時(shí)高精度地預(yù)測(cè)長江流域污水中多個(gè)污染物(TN、CODCr、BOD5、TSS)濃度的變化趨勢(shì)，降低水污染監(jiān)測(cè)成本提供科學(xué)可靠的技術(shù)支撐.

4 結(jié)論與展望

a) 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在模擬流域污水污染物去除過程中具有突出的應(yīng)用效果，為準(zhǔn)確預(yù)估長江流域污水污染物的去除率提供了科學(xué)的技術(shù)指導(dǎo). 將Cr含量、Cu含量、pH、接觸時(shí)間、吸附劑用量作為RBFNN的輸入變量，以Cr、Cu的去除率為輸出目標(biāo)，這為準(zhǔn)確預(yù)測(cè)長江流域重金屬(Cr、Cu)污染物的去除率提供了重要的技術(shù)參考. 將有機(jī)負(fù)荷率、NH4+-N濃度、pH、CODCr濃度、沼氣產(chǎn)量和出水揮發(fā)性脂肪酸作為BP-ANN的輸入變量，以TN、TP的去除率作為輸出目標(biāo)，這為長江流域營養(yǎng)鹽(TN、TP)污染物去除效率的精確預(yù)測(cè)提供了重要參考. 將PBDEs濃度、HCH濃度、水溫、通量率作為MLPNN的輸入變量，以PBDEs、HCH的去除率為輸出目標(biāo)，這為精確預(yù)估長江流域持久性有機(jī)污染物(PBDEs、HCH)的去除效率提供重要的技術(shù)支撐.

b) 利用人工智能技術(shù)與污水自動(dòng)控制技術(shù)建立污水智能控制系統(tǒng)，為實(shí)現(xiàn)高效、低耗能的水污染治理提供可靠的技術(shù)指導(dǎo). 將MLPNN、RNN、SVM分別與污水處理的自動(dòng)控制技術(shù)相結(jié)合，構(gòu)建的污水智能控制系統(tǒng)為長江流域制定改善水質(zhì)的智能控制策略具有重要參考價(jià)值. 此外，利用FNN和ANFIS技術(shù)對(duì)污水DO的好氧階段進(jìn)行優(yōu)化控制，在達(dá)到污水排水標(biāo)準(zhǔn)的前提下減少總曝氣時(shí)間，這對(duì)長江流域?qū)崿F(xiàn)高效節(jié)能的水污染治理具有重要意義.

c) 隨著經(jīng)濟(jì)的快速發(fā)展和城市化進(jìn)程的不斷加速，長江流域需要利用人工智能技術(shù)與在線監(jiān)測(cè)儀器建立實(shí)時(shí)高效的水污染監(jiān)測(cè)系統(tǒng). 利用RBFNN、PSO-SDAE、WNN、MLR-ANN與在線監(jiān)測(cè)儀器建立水污染監(jiān)測(cè)系統(tǒng)，這為實(shí)時(shí)精確地預(yù)測(cè)長江流域TP、TN、CODCr、BOD5濃度的變化趨勢(shì)，解決污水污染物監(jiān)測(cè)的滯后問題提供重要參考. 利用RSONN與在線監(jiān)測(cè)儀器構(gòu)建水污染監(jiān)測(cè)系統(tǒng)，為準(zhǔn)確判斷長江流域污水處理過程中污泥膨脹是否發(fā)生提供重要依據(jù). 此外，利用MLPNN、FNN與在線監(jiān)測(cè)儀器建立水污染監(jiān)測(cè)系統(tǒng)，為同時(shí)高精度地預(yù)測(cè)長江流域污水中多個(gè)污染物(TN、CODCr、BOD5、TSS)濃度的變化趨勢(shì)，降低水污染監(jiān)測(cè)成本提供科學(xué)可靠的技術(shù)支撐.

d) 盡管人工智能技術(shù)能夠有效地反映輸入與輸出的非線性關(guān)系，但其難以解釋輸入和輸出變量之間的物理機(jī)制，因此，如何將人工智能技術(shù)與具有物理機(jī)制的污染物運(yùn)移模型有機(jī)結(jié)合，提高流域水污染問題解決能力，是未來值得進(jìn)一步研究的重要科學(xué)問題.