人工智能技術(shù)在水污染治理領(lǐng)域的研究進(jìn)展

魏瀟淑，高紅杰，陳遠(yuǎn)航，常明*

1.中國環(huán)境科學(xué)研究院流域水環(huán)境污染綜合治理研究中心

2.中國環(huán)境監(jiān)測總站

近年來，我國對(duì)水環(huán)境的治理與管控力度逐漸加強(qiáng)，各類水體水質(zhì)已有明顯改善，但仍有一些水體污染較為嚴(yán)重，尤其是工業(yè)污染、城鎮(zhèn)生活污染和農(nóng)業(yè)面源污染相互交織的復(fù)合型水污染問題未得到有效解決。傳統(tǒng)的水污染治理與監(jiān)管技術(shù)已不能完全滿足時(shí)代發(fā)展的需求，開發(fā)新型智能的水污染監(jiān)管與治理技術(shù)迫在眉睫。人工智能（artificial intelligence，AI）是美國科學(xué)家John McCarthy 在1956 年提出的計(jì)算機(jī)科學(xué)領(lǐng)域的一個(gè)分支，它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用的一門新科學(xué)技術(shù)，其主要能力是存儲(chǔ)知識(shí)，讓程序通過一定的運(yùn)算實(shí)現(xiàn)預(yù)設(shè)目標(biāo)[1]。同時(shí)，人工智能也可以對(duì)視覺圖像、聲音、其他傳感器輸入的各類形式數(shù)據(jù)進(jìn)行處理并作出合理反應(yīng)。自20 世紀(jì)90 年代機(jī)器學(xué)習(xí)主導(dǎo)主流研究以來，人工智能技術(shù)迅速發(fā)展，已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)、氣候、金融、工程、安全、教育、醫(yī)學(xué)、環(huán)境等各種學(xué)科，被認(rèn)為是常規(guī)程序和數(shù)學(xué)的高效經(jīng)濟(jì)的替代品[2-4]。而將人工智能應(yīng)用于環(huán)境治理領(lǐng)域，已逐漸成為人工智能和環(huán)境科學(xué)2 個(gè)學(xué)科研究的熱點(diǎn)和焦點(diǎn)。大量研究表明，人工智能技術(shù)被廣泛地應(yīng)用于水環(huán)境污染[5]、大氣污染[6]、固廢處理[7]、氣候變化[8]和其他環(huán)境領(lǐng)域[9]，是環(huán)境監(jiān)管和治理的良好助手。其在水環(huán)境治理方面的應(yīng)用模型[2]主要包括人工神經(jīng)網(wǎng)絡(luò)（ANNs）、支持向量機(jī)（SVM）、遺傳算法（GA）、模糊邏輯（FL）以及它們的混合模型（圖1）。

圖1 人工智能技術(shù)在水污染控制方面的應(yīng)用模型分類[2]Fig.1 Application model classification tree of AI technologies for water pollution control

1 單一模型

1.1 人工神經(jīng)網(wǎng)絡(luò)(ANNs)

人工神經(jīng)網(wǎng)絡(luò)（ANNs）是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)[10]。它是基于歷史數(shù)據(jù)，利用適當(dāng)?shù)挠?xùn)練算法來捕獲自變量和因變量之間的非線性行為，從而對(duì)事物的發(fā)展進(jìn)行預(yù)測。其中，每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)。每2 個(gè)節(jié)點(diǎn)間的連接代表通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依據(jù)網(wǎng)絡(luò)的連接方式、權(quán)重和激勵(lì)函數(shù)的不同而不同。目前，已有近40 種神經(jīng)網(wǎng)絡(luò)模型，其中包括反向傳播網(wǎng)絡(luò)、感知器、自組織映射、Hopfield 網(wǎng)絡(luò)、波耳茲曼機(jī)、適應(yīng)諧振理論等。在水環(huán)境污染處理研究中最常用的是前饋神經(jīng)網(wǎng)絡(luò)，尤其是多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）。

前饋神經(jīng)網(wǎng)絡(luò)各神經(jīng)元是一種單向多層結(jié)構(gòu)，每個(gè)神經(jīng)元只與前一層的神經(jīng)元相連，接收前一層的輸入，并輸出給下一層，各層間沒有反饋，是目前應(yīng)用最廣泛、發(fā)展最迅速的人工神經(jīng)網(wǎng)絡(luò)之一[11]。Yin 等[12]以水資源和能源需求為輸出，對(duì)傳統(tǒng)的單隱層反向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，將前饋神經(jīng)網(wǎng)絡(luò)模型用于無錫市水能源需求綜合預(yù)測。該模型具有較強(qiáng)的可靠性和穩(wěn)定性，可作為分析城市水資源與能源水平供需平衡的參考，為水能源規(guī)劃策略的制定提供依據(jù)。Jami 等[13]利用多層前饋人工神經(jīng)網(wǎng)絡(luò)對(duì)馬來西亞吉隆坡的一個(gè)污水處理廠進(jìn)出水?dāng)?shù)據(jù)進(jìn)行采集和分析，建立了預(yù)測污水處理廠最終出水氨態(tài)氮（NH3-N）濃度的模型。該模型可以解釋高達(dá)79.80%的廢水處理過程，均方誤差僅為0.159 1。

MLPNN 是最簡單、最著名的神經(jīng)網(wǎng)絡(luò)類型之一，屬于前饋神經(jīng)網(wǎng)絡(luò)。MLPNN 的結(jié)構(gòu)包括輸入層、隱藏層和輸出層，對(duì)預(yù)測能力有重要影響[2]，目前已經(jīng)成為污水中污染物去除建模和優(yōu)化的高效工具，主要應(yīng)用于染料和重金屬的去除率預(yù)測。Ebrahimpoor 等[14]基于蜂群元啟發(fā)式算法，借助多層感知器人工神經(jīng)網(wǎng)絡(luò)ANN-BA 模型研究了聚吡咯/SrFe12O19/氧化石墨烯復(fù)合材料對(duì)染料酸性紅27 的吸附去除能力，并與響應(yīng)曲面法（RSM）相比較。結(jié)果表明，ANN-BA 模型去除率更高。Yu 等[15]基于反向傳播算法，采用三層感知器神經(jīng)網(wǎng)絡(luò)BP-ANN 模型評(píng)估了納米零價(jià)鐵（nZVI）對(duì)Cr(Ⅵ)的去除效率。模型以溶液pH、溶解氧（DO）、氧化還原電位（ORP）、Cr(Ⅵ)初始濃度、nZVI 投加量和接觸時(shí)間為輸入變量，監(jiān)測反應(yīng)過程中DO、ORP 和pH 的變化。與回歸模型相比，BP-ANN 模型對(duì)Cr(Ⅵ)去除效率預(yù)測的精確度更高，在優(yōu)化nZVI 去除Cr(Ⅵ)方面具有較大的潛力。

RBFNN 是20 世紀(jì)80 年代末提出的一種單隱層、以函數(shù)逼近為基礎(chǔ)的前饋神經(jīng)網(wǎng)絡(luò)[16]。與MLPNN 相比，RBFNN 具有學(xué)習(xí)速度快、非線性映射能力強(qiáng)的特點(diǎn)[17]。Ozel 等[18]在2012 年12 月—2013 年12 月期間，對(duì)土耳其境內(nèi)Bartin 河5 個(gè)地點(diǎn)的生化需氧量（BOD）、化學(xué)需氧量（COD）、懸浮物（SS）、pH、電導(dǎo)率（CE）和溫度（T）進(jìn)行了監(jiān)測，然后將多元線性回歸、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、多層感知器神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于水質(zhì)預(yù)測。這些模型以T、pH、COD、SS、CE 參數(shù)為輸入數(shù)據(jù)，預(yù)估BOD。結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型比多元線性回歸模型具有更好的預(yù)測效果，尤其徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)性能更好。而Bolanca 等[19]將MLPNN 和RBFNN 應(yīng)用于Fe0/S2O82?氧化降解活性紅水溶液復(fù)雜體系，并從應(yīng)用方法、訓(xùn)練算法、激活函數(shù)、網(wǎng)絡(luò)拓?fù)涞确矫鎸?duì)所建立的神經(jīng)網(wǎng)絡(luò)模型性能進(jìn)行比較和評(píng)價(jià)。研究指出，MLPNN 法需要正弦激活函數(shù)才能實(shí)現(xiàn)最大能力，而基于RBFNN 的模型具有較好的預(yù)測能力，精度較高，平均相對(duì)誤差為1.70%。Asfaram 等[20]則以RSM、ANN 和RBFNN 3 種模型來評(píng)估Mn@CuS/ZnS-NC-AC 新型吸附劑吸附亞甲基綠（MG）和亞甲基藍(lán)（MB）的可行性。與其他模型相比，RBFNN 模型具有更好的預(yù)測和泛化能力。此外，Singh 等[21-22]也發(fā)現(xiàn)類似結(jié)論，RBFNN 模型對(duì)椰殼活性炭吸附水溶液中2-氯酚（2-CP）和工業(yè)滲濾液中浮石吸附銅的預(yù)測能力更強(qiáng)。

1.2 支持向量機(jī) (SVM)

支持向量機(jī)（SVM）是基于結(jié)構(gòu)化風(fēng)險(xiǎn)最小化原理，按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的一類廣義線性分類器[23-24]。由于收斂原理使其能夠更好地回歸輸入值和輸出值之間的關(guān)系，并在新輸入數(shù)據(jù)集上具有泛化能力，因此，SVM 在分類和回歸方面具有良好的性能[2]。基于SVM 分類和提取特征，Jaramillo 等[25]提出通過閉環(huán)控制pH 和DO 在線預(yù)測好氧反應(yīng)去除硝酸鹽化合物的時(shí)間，并利用SVM 分類器確定好氧過程的終點(diǎn)。結(jié)果表明，該方法可使好氧過程時(shí)間減少7.52%（相當(dāng)于9.54 d）。而Huang 等[26]開發(fā)了一種間歇好氧工藝用于去除污染河流中的氮，建立了基于近紅外光譜數(shù)據(jù)和SVM 的化學(xué)計(jì)量模型，實(shí)現(xiàn)了對(duì)總氮、氨氮和亞硝酸鹽氮的同步快速分析。該方法為污染河流的治理和檢測提供了有效的技術(shù)手段。Gao 等[27]則采用SVM，以污泥濃度、溫度、溶解氧濃度、水力停留時(shí)間、操作壓力、運(yùn)行時(shí)間等工況為輸入節(jié)點(diǎn)，以序批式活性污泥懸浮液膜通量為輸出節(jié)點(diǎn)，預(yù)測了活性污泥懸浮液的膜通量。研究表明，SVM 模型的預(yù)測值與試驗(yàn)樣本的試驗(yàn)數(shù)據(jù)吻合較好，且在樣本容量較小的情況下其性能優(yōu)于BP-ANN 模型。另外，Zhang 等[28]采用SVM 對(duì)垂直管式生物反應(yīng)器的出水水質(zhì)進(jìn)行了模擬。結(jié)果表明，所建模型具有良好的適應(yīng)度和預(yù)測能力，SVM 是一種有效的、具有發(fā)展前景的污水處理工藝出水預(yù)測模型。

1.3 遺傳算法 (GA)

遺傳算法（GA）是一類借鑒生物界的進(jìn)化規(guī)律（適者生存、優(yōu)勝劣汰的遺傳機(jī)制）演化而來的隨機(jī)化搜索方法[29]。其主要特點(diǎn)：直接以適應(yīng)度作為搜索信息，無需導(dǎo)數(shù)等其他輔助信息；具有內(nèi)在的隱含并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。Al-Obaidi等[30]首次將物種保存遺傳算法（SCGA）應(yīng)用于優(yōu)化反滲透廢水處理工藝條件中，通過優(yōu)化多級(jí)反滲透（RO）條件，對(duì)N-亞硝基二甲胺進(jìn)行滲透再處理和回收降解，從抑制率、回收率和能耗3 個(gè)方面確定了最佳運(yùn)行配置。Louzadavalory 等[31]將環(huán)境質(zhì)量標(biāo)準(zhǔn)中DO、BOD 和污水處理系統(tǒng)的相應(yīng)措施作為約束條件或目標(biāo)函數(shù)，并用GA 與水質(zhì)模型相結(jié)合來確定污水處理廠的最低污水去除效率，并應(yīng)用于巴西的圣瑪麗亞達(dá)維多利亞河流域。結(jié)果表明，該優(yōu)化模型組合是確定污水處理廠最低污水去除效率的有效工具，在考慮河流自凈化能力的同時(shí)可將成本控制在最低。Brand 等[32]也將GA 應(yīng)用于優(yōu)化區(qū)域污水處理系統(tǒng)當(dāng)中，用以降低污水處理廠的運(yùn)營成本。

1.4 模糊邏輯 (FL)

模糊邏輯（FL）是一種通過模仿人的思維方式來表示和分析不確定、不精確信息的方法和工具，能夠解決許多復(fù)雜而無法建立精確數(shù)學(xué)模型的控制問題，所以它是處理推理系統(tǒng)和控制系統(tǒng)中不精確和不確定性的一種有效方法[33]。近年來在環(huán)境領(lǐng)域的成功應(yīng)用，顯示了其在環(huán)境質(zhì)量指標(biāo)設(shè)計(jì)方面的巨大潛力[34-38]。Flores-Asis 等[39]將FL 應(yīng)用于某家禽污水處理廠污泥預(yù)處理過程，指出有機(jī)負(fù)荷、揮發(fā)性固體和操作時(shí)間是影響沼氣產(chǎn)生的最大變量，該模型為專家設(shè)計(jì)決策支持系統(tǒng)提供了一種較好的方法。Dogdu 等[40]在利用垂直流人工濕地（VFCW）系統(tǒng)處理實(shí)際紡織廢水時(shí)，采用基于圖形用戶界面（GUI）的FL 工具監(jiān)測污水水質(zhì)，以圖形化的方式直觀地表示處理后的紡織廢水質(zhì)量與水污染控制條件之間的關(guān)系，當(dāng)超過排放限值時(shí)則會(huì)發(fā)出預(yù)警。Suthar 等[41]建立了一個(gè)基于FL 的分析系統(tǒng)，研究溫度和pH 對(duì)浮萍生物量的影響，采用傳統(tǒng)模糊推理法以實(shí)測數(shù)據(jù)為變量實(shí)現(xiàn)了對(duì)浮萍生長的調(diào)控優(yōu)化。

2 混合模型

混合模型是將2 種或多種人工智能技術(shù)相結(jié)合，克服單一人工智能方法的某些缺點(diǎn)，實(shí)現(xiàn)協(xié)同優(yōu)勢。如啟發(fā)式算法與不同類型的神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)模型或模糊系統(tǒng)相結(jié)合，被認(rèn)為是解決復(fù)雜問題的有效工具。經(jīng)典的混合系統(tǒng)是神經(jīng)模糊系統(tǒng)，基于自適應(yīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)在預(yù)測、控制、數(shù)據(jù)挖掘和噪聲消除等諸多領(lǐng)域具有強(qiáng)大的應(yīng)用價(jià)值，廣泛地應(yīng)用于污水處理領(lǐng)域[42-46]。例如：Huang等[47]將集成模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)運(yùn)用于缺氧-好氧（A/O）條件下以低能量消耗消除含氮化合物的過程，該系統(tǒng)由預(yù)測最終缺氧過程中硝酸鹽濃度的模糊神經(jīng)網(wǎng)絡(luò)估計(jì)器和控制硝酸鹽回流流量的模糊神經(jīng)網(wǎng)絡(luò)控制器組成。與采用硝酸鹽再循環(huán)流量相比，該系統(tǒng)的COD、TN 濃度和運(yùn)行成本在一周時(shí)間內(nèi)分別降低了14%、10.5%和17%。Azqhandi 等[48]比較了響應(yīng)曲面法、廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）和自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）在一種新型包合物（主-客體絡(luò)合物）去除三氯生（TCS）過程中的統(tǒng)計(jì)分析效果，發(fā)現(xiàn)ANFIS 模型效果更好。而Ghaedi 等[49]則利用人工神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化模型（ANN-PSO）相結(jié)合的方法預(yù)測了ZnS-NP-AC 對(duì)亮綠染料吸附的影響。結(jié)果表明，隱藏層中含有13 個(gè)神經(jīng)元的三層神經(jīng)網(wǎng)絡(luò)模型是預(yù)測亮綠染料吸附的較合適模型。而后，他們還利用支持向量回歸與遺傳算法優(yōu)化混合模型（GA-SVR）預(yù)測了多壁碳納米管（MWCNT）對(duì)孔雀石綠（MG）的吸附能力，并通過中心復(fù)合設(shè)計(jì)以最少的試驗(yàn)研究各因素之間的關(guān)系，確定最佳條件。研究指出，吸附除遵循顆粒內(nèi)擴(kuò)散模型外，還遵循偽二級(jí)動(dòng)力學(xué)模型[50]。此外，該課題組還利用GA-ANN 評(píng)價(jià)了單壁和多壁碳納米管快速吸附三聚氰胺的潛在應(yīng)用[51]。通過模擬吸附劑用量、接觸時(shí)間、初始染料濃度等條件，優(yōu)化了吸附劑的最佳吸附性能。結(jié)果表明，在遺傳算法下得到的最佳參數(shù)，單壁和多壁碳納米管去除三聚氰胺的最大吸附量分別為25.77 和33.14 mg/g。

綜上所述，人工智能已被廣泛應(yīng)用于水污染治理領(lǐng)域，不僅增強(qiáng)了環(huán)境信息的獲取能力，優(yōu)化了環(huán)境治理的決策機(jī)制，還為環(huán)境精細(xì)化管理創(chuàng)造了良好的條件。不同人工智能技術(shù)的優(yōu)缺點(diǎn)及其在水環(huán)境治理領(lǐng)域的適用性總結(jié)如表1 所示。

表1 不同人工智能技術(shù)在水污染治理領(lǐng)域的特點(diǎn)與比較Table 1 Characteristics and comparison of AI technologies in the field of water pollution control

（續(xù)表1）

3 結(jié)語

人工智能技術(shù)在水環(huán)境治理領(lǐng)域的應(yīng)用，以及其在經(jīng)濟(jì)社會(huì)各領(lǐng)域的普及，給環(huán)境治理帶來了革命性的影響。經(jīng)過大數(shù)據(jù)訓(xùn)練的人工智能算法可以克服傳統(tǒng)數(shù)學(xué)模型的局限性，利用訓(xùn)練數(shù)據(jù)提取所需信息。雖然大多數(shù)人工智能模型需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練才能達(dá)到預(yù)期的精度，且驗(yàn)證過程可能非常耗時(shí)，訓(xùn)練過程的計(jì)算成本可能很高，但人工智能在水環(huán)境污染監(jiān)控與治理領(lǐng)域已有許多成功的應(yīng)用實(shí)例，展現(xiàn)出極為廣闊的應(yīng)用前景。