熊昌獅，陳云嫩，吳樂(lè)文，張紹國(guó)，張大超，羅先偉，聶錦霞，吳速英

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

?

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

熊昌獅1，陳云嫩1，吳樂(lè)文2，張紹國(guó)2，張大超1，羅先偉2，聶錦霞1，吳速英1

(1.江西理工大學(xué)資源與環(huán)境工程學(xué)院，江西贛州 341000；2.廣西華錫集團(tuán)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(cè)尾砂充填對(duì)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(shí)間、不同來(lái)源地下水水樣、浸泡時(shí)間與重金屬Zn含量之間的動(dòng)態(tài)模型，預(yù)測(cè)廣西某金屬礦山全尾砂膠結(jié)充填體試塊對(duì)地下水Zn含量的影響。[結(jié)果]當(dāng)網(wǎng)絡(luò)隱含層層數(shù)為1、節(jié)點(diǎn)數(shù)為7 時(shí)，建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能夠較好地預(yù)測(cè)全尾砂膠結(jié)充填對(duì)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(hù)和礦區(qū)尾砂的安全處理處置提供了科學(xué)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(hù)要求的越來(lái)越嚴(yán)格，國(guó)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(hù)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(duì)地下水重金屬含量的影響，當(dāng)前還沒(méi)有相關(guān)報(bào)道。因此，開(kāi)展充填體對(duì)地下水重金屬含量影響的試驗(yàn)研究，避免對(duì)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(shí)意義。

由于地下水來(lái)源、走向、水質(zhì)等的復(fù)雜性，需通過(guò)大量試驗(yàn)確定金屬礦山膠結(jié)充填體對(duì)地下水重金屬含量的影響。而建立合適的動(dòng)態(tài)模型可以預(yù)測(cè)充填體對(duì)地下水重金屬含量的影響。一定灰砂比下的充填體試塊對(duì)地下水某一重金屬含量的影響，受膠結(jié)充填體放置時(shí)間、不同來(lái)源地下水水樣、浸泡時(shí)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(xué)者利用 ANN 實(shí)現(xiàn)工程過(guò)程的預(yù)測(cè)[9-13]，但利用 ANN 預(yù)測(cè)金屬礦山膠結(jié)充填體對(duì)地下水重金屬含量影響的報(bào)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(duì)膠結(jié)充填體影響地下水重金屬Zn含量進(jìn)行了預(yù)測(cè)。

1 材料與方法

1.1 監(jiān)測(cè)水樣

試驗(yàn)用水均為廣西某金屬礦山提供的7種不同來(lái)源地下水水樣，其中5種水樣水質(zhì)中鋅(Zn)含量遠(yuǎn)遠(yuǎn)超過(guò)《地下水環(huán)境質(zhì)量標(biāo)準(zhǔn)》(GB/T 14848-93)Ⅲ類標(biāo)準(zhǔn)，且超標(biāo)倍數(shù)最大的為142。雖然鋅是人體生長(zhǎng)發(fā)育所必需的微量元素，但過(guò)量鋅的攝入將對(duì)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(yùn)算速度、儲(chǔ)存空間和收斂性質(zhì)，隱含層過(guò)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(jìn)而導(dǎo)致較大誤差，但隱含層數(shù)目過(guò)大會(huì)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(duì)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(diǎn)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的性能同樣有一定影響。隱含層節(jié)點(diǎn)數(shù)過(guò)少，學(xué)習(xí)的容量有限，不足以儲(chǔ)存訓(xùn)練樣本中蘊(yùn)含的所有規(guī)律；隱含層節(jié)點(diǎn)過(guò)多，不僅會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間，而且會(huì)將樣本中非規(guī)律性的內(nèi)容儲(chǔ)存進(jìn)去，反而降低泛化能力。隱含層節(jié)點(diǎn)數(shù)通常通過(guò)公式(1)進(jìn)行湊試來(lái)確定[14-16]，具體公式如下：

(1)

式中，m為隱含層節(jié)點(diǎn)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(gè)隱含層節(jié)點(diǎn)，逐一改變訓(xùn)練網(wǎng)絡(luò)進(jìn)行重復(fù)計(jì)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(cè)效果，具體計(jì)算公式為：

(2)

(3)

(4)

式中，ypred為模型的預(yù)測(cè)值；yobs為試驗(yàn)值；ymean為試驗(yàn)值的平均值。R2越逼近1，表明預(yù)測(cè)效果越好。MSE是對(duì)模型預(yù)測(cè)客觀評(píng)價(jià)，MSE越小，表明模型越優(yōu)。Scc越接近1，表明所訓(xùn)練出的模型性能越好。

140組試驗(yàn)樣本見(jiàn)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(jī)選取107組作為學(xué)習(xí)樣本訓(xùn)練網(wǎng)絡(luò)，隱含層節(jié)點(diǎn)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(biāo)訓(xùn)練均方差為 0.01，訓(xùn)練步數(shù)為100。輸入層變量包括充填體試塊放置時(shí)間、地下水水樣、浸泡時(shí)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(gè)影響因素的物理量綱不同，故在網(wǎng)絡(luò)訓(xùn)練、檢驗(yàn)及預(yù)測(cè)前，將學(xué)習(xí)樣本歸一化在[-1,1]范圍內(nèi)，以保證網(wǎng)絡(luò)對(duì)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(yàn)結(jié)果分為兩部分：107組作為學(xué)習(xí)樣本訓(xùn)練網(wǎng)絡(luò)，32組作為預(yù)測(cè)網(wǎng)絡(luò)。所有輸入層數(shù)據(jù)、重金屬Zn含量的試驗(yàn)值見(jiàn)表1,隨機(jī)選取32組的預(yù)測(cè)值和試驗(yàn)值進(jìn)行對(duì)比(圖1)。由圖1可知，當(dāng)網(wǎng)絡(luò)隱含層層數(shù)為 1、節(jié)點(diǎn)數(shù)為 7時(shí)，R2=0.888 3，MSE=0.081 9，Scc=0.943 7，說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能夠較好地預(yù)測(cè)全尾砂膠結(jié)充填對(duì)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(yàn)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(cè)廣西某金屬礦山全尾砂膠結(jié)充填體對(duì)地下水重金屬Zn含量影響的可行性。結(jié)果表明，訓(xùn)練的隱含層層數(shù)為 1、節(jié)點(diǎn)數(shù)為 7的網(wǎng)絡(luò)具有較好的預(yù)測(cè)效果，此時(shí)R2=0.888 3，MSE=0.081 9，Scc=0.943 7，說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能夠較好地預(yù)測(cè)全尾砂膠結(jié)充填對(duì)地下水重金屬Zn含量的影響。

[1] 周愛(ài)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(zhǎng)沙:中南大學(xué)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(lái),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(shì)[J].中國(guó)礦業(yè),2011,20(9):76-79.

[6] 楊志強(qiáng),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(xué)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(guó)濤.高濃度結(jié)構(gòu)流全尾砂膠結(jié)充填實(shí)驗(yàn)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(mén)金鳳.神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(píng)價(jià)中應(yīng)用研究[J].環(huán)境科學(xué)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(xué)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(píng)估系統(tǒng)[J].江西理工大學(xué)學(xué)報(bào),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(xué)研究與技術(shù)開(kāi)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