姚繼平, 郝芳華, 王國強, 程紅光, 薛寶林, 魚京善

北京師范大學水科學研究院, 城市水循環(huán)與海綿城市技術(shù)北京市重點實驗室, 北京 100875

長江流域在我國社會經(jīng)濟發(fā)展和生態(tài)環(huán)境保護過程中占據(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)面源污染日益嚴重[5-7]. 習近平總書記在黨的十九大報告中指出，長江流域需要貫徹“共抓大保護”的發(fā)展理念[8-9]. 2016年9月頒發(fā)的《長江經(jīng)濟帶發(fā)展規(guī)劃綱要》指出，長江流域是我國未來經(jīng)濟發(fā)展的重要地區(qū)，該流域水污染將面臨更加嚴峻的形勢[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)境保護部、國家發(fā)展和改革委員會、水利部聯(lián)合頒發(fā)的《重點流域水污染防治規(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]通過評估長江流域水體重金屬污染風險，證實了重化工業(yè)高度密集的長江下游干流地區(qū)受Cr、Cu污染較嚴重. 秦延文等[15]研究表明，人口相對密集的長江上游地區(qū)主要存在TN、TP、CODCr濃度超標問題. 劉明麗[16]發(fā)現(xiàn)，農(nóng)業(yè)面源污染嚴重的長江中下游地區(qū)受PBDEs、HCH等持久性有機污染物污染較嚴重. 因此，通過對污水污染物去除過程建模與優(yōu)化，實現(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)濟的飛速發(fā)展和城市化進程的加速，促使水污染嚴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、時變性、多元性和多目標性特征[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(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無需針對水污染評估的輸入輸出關(guān)系建立復(fù)雜的數(shù)學公式，具有處理不確定性、交互性和動態(tài)復(fù)雜性問題的較強能力. 如與傳統(tǒng)的MLR相比，利用人工智能技術(shù)評估的河流生態(tài)系統(tǒng)溶氧值更接近實際實驗值[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，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降低耗能的效果[25]. 采用疊層去噪自動編碼器(PSO-SDAE)與在線監(jiān)測儀器構(gòu)建的水污染監(jiān)測系統(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、持久性有機污染物去除過程的建模與優(yōu)化，為實現(xiàn)高精度預(yù)測污染物去除率提供重要的參考價值. 如表1所示，YU等[27]將污水pH、DO濃度、Cr含量和接觸時間作為輸入變量，利用BP-ANN預(yù)測污水中Cr的去除效率，結(jié)果表明，BP-ANN能夠?qū)崿F(xiàn)對Cr去除率的高精度預(yù)測(R2=0.988). Philip等[28]選取有機負荷率、NH4+-N濃度、pH、CODCr濃度、沼氣產(chǎn)量與出水揮發(fā)性脂肪酸6個重要的厭氧工藝參數(shù)作為輸入變量，利用BP-ANN 預(yù)測污水中CODCr去除率，結(jié)果表明，試驗數(shù)據(jù)與預(yù)測數(shù)據(jù)高度一致，BP-ANN能夠解釋CODCr實際去除率的87%(R2=0.87). Dolatabadi等[29]采用MLPNN和ANFIS預(yù)測污水中Cu去除率，結(jié)果表明，MLPNN和ANFIS對Cu去除率均有良好地預(yù)測效果(R2分別為0.987和0.999). JING等[30]采用MLPNN預(yù)測持久性有機污染物萘的去除過程，結(jié)果表明，MLPNN能夠高精度地預(yù)測污水中萘去除率〔RMSE(均方根誤差)=0.042〕. Turan等[31]研究表明，利用RBFNN對污水中Cu去除率的預(yù)測能力優(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)督的學習特性，其對輸入的噪聲具有很高容忍度[32]. 因此，RBFNN對流域污水重金屬去除率的精確預(yù)測具有重要的參考價值.

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)測中的應(yīng)用

注： RMSE為均方根誤差，可衡量模擬值與實測值之間的偏差. 下同.

基于上述研究成果的梳理，針對長江流域重金屬(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，為高精度預(yù)測長江流域重金屬污染物的去除率提供重要參考. 針對長江流域營養(yǎng)鹽(TN、TP)濃度超標污染問題，應(yīng)將有機負荷率、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，為準確預(yù)測長江流域營養(yǎng)鹽污染物提供科學的技術(shù)指導(dǎo). 針對長江流域持久性有機污染物(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，為精確預(yù)估長江流域持久性有機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]. 采用自動控制技術(shù)對污水處理過程進行優(yōu)化控制存在效率低且耗能高的問題[17]，將具有自學習和自適應(yīng)能力的人工智能技術(shù)與自動控制技術(shù)相結(jié)合，能夠?qū)崿F(xiàn)水污染高效治理的同時降低耗能效果. 如表2所示，WEN等[33]利用RBFNN和MLPNN建立實時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，選取水力停留時間、曝氣總時間以及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間和水力停留時間，顯著提高了CODCr的去除率. Foscoliano等[35]通過對生物反應(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能力，利用他們對流域水污染進行多目標最優(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)多目標差分進化算法，提出了一種對第二缺氧槽的硝酸氮含量(SNO2)和第五缺氧槽的DO含量(SO5)進行多目標最優(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行成本降低了33%左右. Gaya等[39]利用ANFIS構(gòu)建了一種對活性污泥中DO有效控制的補償控制器，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)對長江流域污水DO的好氧階段進行優(yōu)化控制，在達到污水排水標準的前提下減少總曝氣時間，以期實現(xiàn)節(jié)能效果.

3 流域水污染監(jiān)測系統(tǒng)的構(gòu)建

隨著經(jīng)濟的快速發(fā)展和城市化進程的不斷加速，促進了長江流域水污染治理的高標準要求[18]，因而需要建立水污染監(jiān)測系統(tǒng)全面開展水污染治理工作. 傳統(tǒng)的污水監(jiān)測系統(tǒng)具有一定的局限性，其依賴于對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系統(tǒng)高昂的投資和維護費用，離線分析得到的污染物值與其實際變化又存在著響應(yīng)滯后問題[40].

由人工智能技術(shù)建立的軟測量方法能夠快速、精確地評估污染物狀況[32]，利用軟測量方法和在線監(jiān)測儀器構(gòu)建的流域污水監(jiān)測系統(tǒng)，能夠在保證系統(tǒng)低成本運行的同時解決系統(tǒng)響應(yīng)滯后問題. 如表3所示，ZHU等[41]提出了一種由RBFNN軟測量方法和在線監(jiān)測儀器建立的監(jiān)測系統(tǒng)，實現(xiàn)了對工業(yè)污水處理廠出水污染物TP濃度的快速、高精度預(yù)測(計算時間為16.8 s，預(yù)測精度為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時高效地預(yù)估出水污染物CODCr的濃度. SHI等[26]應(yīng)用PSO-SDAE與在線監(jiān)測儀構(gòu)建的污水監(jiān)測系統(tǒng)能夠精確地預(yù)測出生物膜系統(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量方法(MLR-ANN)，利用MLR-ANN與在線監(jiān)測儀器構(gòu)建的水污染監(jiān)測系統(tǒng)實現(xiàn)了對BOD5高精度的實時預(yù)測. HAN等[44]利用遞歸自組織神經(jīng)網(wǎng)絡(luò)(RSONN)軟測量方法在線預(yù)測污泥體積指數(shù)值，其對準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)測系統(tǒng)中的應(yīng)用

注： TSS為總懸浮固體.

利用軟測量方法與在線監(jiān)測儀器建立的水污染監(jiān)測系統(tǒng)還可以實現(xiàn)多個水質(zhì)指標的精確測量，如Fernandez等[45]提出了一種將MLPNN與PCA相結(jié)合的在線軟測量系統(tǒng)，在3種不同的天氣(干旱、雨、暴雨)下，實時預(yù)測污水中CODCr、TSS (總懸浮固體)和TN的濃度，預(yù)測結(jié)果能夠解釋這些污染物實際值的87%以上. Nadiri等[46]開發(fā)了一種基于FNN的在線軟測量方法，依據(jù)污水處理廠污水進水水質(zhì)指標pH、溫度及CODCr、BOD5和TSS的濃度，實時預(yù)測污水出水中CODCr、BOD5和TSS的濃度，預(yù)測結(jié)果能夠解釋這些污染物實際值的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)測儀器建立水污染監(jiān)測系統(tǒng)，為實時精確地預(yù)測長江流域污水污染物(TP、TN、CODCr、BOD5)濃度的變化趨勢，解決水污染監(jiān)測滯后問題提供重要參考. 利用RSONN與在線監(jiān)測儀器構(gòu)建水污染監(jiān)測系統(tǒng)，為準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)測儀器建立水污染監(jiān)測系統(tǒng)，為同時高精度地預(yù)測長江流域污水中多個污染物(TN、CODCr、BOD5、TSS)濃度的變化趨勢，降低水污染監(jiān)測成本提供科學可靠的技術(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，為準確預(yù)估長江流域污水污染物的去除率提供了科學的技術(shù)指導(dǎo). 將Cr含量、Cu含量、pH、接觸時間、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，這為準確預(yù)測長江流域重金屬(Cr、Cu)污染物的去除率提供了重要的技術(shù)參考. 將有機負荷率、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，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，這為精確預(yù)估長江流域持久性有機污染物(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)與污水自動控制技術(shù)建立污水智能控制系統(tǒng)，為實現(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值. 此外，利用FNN和ANFIS技術(shù)對污水DO的好氧階段進行優(yōu)化控制，在達到污水排水標準的前提下減少總曝氣時間，這對長江流域?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)濟的快速發(fā)展和城市化進程的不斷加速，長江流域需要利用人工智能技術(shù)與在線監(jiān)測儀器建立實時高效的水污染監(jiān)測系統(tǒng). 利用RBFNN、PSO-SDAE、WNN、MLR-ANN與在線監(jiān)測儀器建立水污染監(jiān)測系統(tǒng)，這為實時精確地預(yù)測長江流域TP、TN、CODCr、BOD5濃度的變化趨勢，解決污水污染物監(jiān)測的滯后問題提供重要參考. 利用RSONN與在線監(jiān)測儀器構(gòu)建水污染監(jiān)測系統(tǒng)，為準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)測儀器建立水污染監(jiān)測系統(tǒng)，為同時高精度地預(yù)測長江流域污水中多個污染物(TN、CODCr、BOD5、TSS)濃度的變化趨勢，降低水污染監(jiān)測成本提供科學可靠的技術(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制，因此，如何將人工智能技術(shù)與具有物理機制的污染物運移模型有機結(jié)合，提高流域水污染問題解決能力，是未來值得進一步研究的重要科學問題.