光催化技術對黑臭水體去除速率模型構建及去除效果評價

王雪松，龔 慧，王曉杰

(江蘇省水文水資源勘測局常州分局，江蘇 常州 213000)

近年來，城市黑臭水體現象的加劇在很大程度上影響了居民的正常生活，同時限制了城市經濟的發展[1]。注重城市日常水體的質量，對保持城市形象，實現城市河流灌溉、景觀、航運具有十分重要的意義[2- 3]。隨著國家對城市水體水質的重視，很多水質凈化措施已被應用于黑臭水體治理中，如截污納管、底泥疏浚等，但這些簡單的工程措施由于功能的單一性已無法滿足城市水體的要求，因此，在傳統工程措施的前提下，綜合其他方法才能有效凈化城市黑臭水體[4- 5]。石墨烯光催化技術作為目前國內外大力推廣的先進水質凈化技術，具有導電性好、表面積大、分解作用快的優點，可有效凈化水質，提高水質凈化的效率[6- 7]，將該技術大力推廣到城市黑臭水體處理中，可在一定程度上有效解決城市黑臭水體的問題。

目前，石墨烯光催化技術在國內水質凈化中的應用仍然較少。王雪松等[2]分析了石墨烯光催化技術在常州城區黑臭水體凈化中的適用性，指出該項技術對城市黑臭水體有著明顯的凈化作用，經該技術凈化后的黑臭水體污染源濃度顯著降低，水體透明度得到提高。文章以常州城區黑臭河道長溝河為研究對象，在河道內布置了石墨烯光催化網進行水體凈化，得出了不同水質指標在不同時期的濃度值。針對該技術凈化水質指標的預測模型的相關研究不足，同時凈化效果無法統一量化，文章基于實測水質指標數據和PCA優化的長短期記憶神經網絡模型(PCA-LSTM)構建了石墨烯光催化技術對黑臭水體的去除模型，同時判定實施前后水體水質的變化情況，為實時把控黑臭水體水質指標濃度提供依據，為更好發揮石墨烯光催化技術的凈水效果提供幫助。

1 試驗概況與數據測定

1.1 試驗區概況

文章試驗河道選擇位于江蘇省常州市鐘樓區的長溝河，該河道西首斷頭、東首與澡港河相通，河道水質受澡港河潮汐影響嚴重。試驗期為2018年8月—2019年11月，通過測定河道實施凈化措施前后的氨氮(NH3-N)、溶解氧(DO)、化學需氧量(COD)、總磷(TP)的濃度，分析河道水質變化，水質類別評價采用GB 3838—2002《地表水環境質量標準》[8- 9]。

1.2 石墨烯光催化技術原理

凈化設備由5層材料組成，第一層為PP材料的基材層，第二層為保護層，在第四層石墨烯層兩側配備不同的半導體層，如圖1所示。該種結構使得光催化產生的光生電子、光生空穴向兩側躍遷，從而抑制了光生電子和空穴對的復合，大大提升了光催化效率。

圖1 石墨烯光催化氧化技術材料結構圖

通過在石墨烯兩側引入不同光催化材料，構建復合材料體系，并利用一定工藝負載于聚丙烯基材。材料中價帶電子吸收日光中能量后，躍遷至導帶，產生光生空穴(h+)與光生電子(e-)。石墨烯能有效傳導生成的光生電子(e-)，從而避免光生載流子的復合，有效形成分離的氧化還原反應位點，進一步促進載流子分別與水分子、氧氣分子發生反應，生成包括羥基自由基(·OH)、超氧陰離子(·O2-)在內的多種活性氧化物質(ROS)，有效削減水體中的污染物。其原理如圖2所示。

圖2 石墨烯光催化氧化技術原理圖

2 方法原理

2.1 PCA-LSTM模型原理

長短期記憶神經網絡模型(LSTM)是一種特殊的深度學習模型，該模型可有效記憶數據歷史規律，避免了傳統神經網絡模型數據參數的隨機性。該模型由輸入閥門、遺忘閥門、更新閥門和輸出閥門4部分組成[8]。PCA主成分分析可綜合分析出影響河流水質的關鍵因素，以此作為模型輸入集合，實現對水質指標的預測，將模型數據間隔設置為5min，構建基于PCA-LSTM的水質預測模型[9]，模型原理如圖3所示。

圖3 PCA-LSTM模型原理圖

2.2 模型精度驗證

選擇均方根誤差(RMSE)、決定系數(R2)、平均絕對誤差(MAE)和效率系數(Ens)組成模型精度指標評價體系，公式如下:

(1)

(2)

(3)

(4)

2.3 T-S模糊神經網絡模型

將模糊理論與神經網絡模型相結合，構成模糊神經網絡，用于綜合評價指標等級[10]。T-S模糊神經網絡模型是模糊系統中最常見的一種，該方法具有表達模糊、推理規則、計算簡單、利于數學分析的優點[11]，模型具體步驟可見文獻[12]。

3 結果與分析

3.1 水質指標影響因素相關性分析

對現有水質影響因子與水質指標進行相關性分析，結果如圖4所示。由圖4可以看出，最高氣溫(Tmax)、最低氣溫(Tmin)、水深、水溫與水質指標的相關性較強，PCA-LSTM模型在訓練模型時，不但要考慮水體本身的影響，還要考慮氣象因子對水質的交互作用，因此，在模型中引入氣象因子可提高模型的精度。可將這4項影響因素作為模型輸入部分，用于水質指標的模擬。

圖4 不同因素相關性分析

3.2 水質指標預測結果分析

圖5為PCA-LSTM模型對不同水質指標的預測結果分析。由圖可以看出，傳統的LSTM模型計算結果的變化趨勢與實測值基本一致，但計算誤差較大，PCA-LSTM模型與實測值的擬合性較好，2種模型對DO模擬值的變化趨勢均呈先升高后平穩的趨勢，對NH3-N、COD、TP模擬值的變化趨勢呈現先降低后平穩的趨勢。模型對不同指標模擬的精度不同，結果可見表1。由表1可以看出，PCA-LSTM模型模擬精度高于LSTM模型，在不同水質指標中，PCA-LSTM模型的R2和Ens均在0.918以上，同時RMSE和MAE均顯著低于LSTM模型。

3.3 水質綜合評價

將PCA-LSTM-TS模糊神經網絡模型綜合評價水質的結果與傳統評價方法進行對比，結果見表2。由表2可以看出，采用模糊評價和TOPSIS模型對實施凈化措施后的黑臭水體進行評價，水質在1月、2月、4月、11月等時段仍判定為劣Ⅴ類水，這與實際情況是不相符的，傳統評價方法無法精確描述水環境的實際綜合狀態。對比模糊神經網絡模型，其評價結果在不同時段的水質均為Ⅳ類水，與實際情況更為相符。傳統方法無法辨別指標間更細微的差異，評價結果不能真切描述實際水質情況，PCA-LSTM-TS模糊神經網絡模型更能反映石墨烯光催化技術處理后的水體實際情況。

圖5 不同水質指標預測結果分析

表1 不同模型模擬水質精度對比

表2 不同方法對水質的綜合評價結果

3.4 石墨烯光催化技術綜合效益分析

石墨烯光催化技術的應用可緩解城市黑臭水體現象，但同時會造成經濟成本的增加，因此，為提高該技術的適用性，文章從經濟、社會、管理3個方面構建石墨烯光催化技術綜合效益評價指標體系，基于PCA-LSTM-TS模糊神經網絡模型進行評價。指標體系為：經濟指標P1是指每萬元投資水質提升率，單位為%/萬元，P2是指投資收益率,單位為%，P3是指基礎運營成本率，單位為%；社會指標P4是指群眾滿意度，單位為%，P5是指政府支持度，單位為%；管理指標P6是指技術推廣水平，P7是指生態維護機制健全水平。基于PCA-LSTM-TS模糊神經網絡模型的計算分級標準見表3。對2019年的11個月進行效益綜合分析，結果見表4。從表中可以看出，在2019年初期，由于石墨烯技術應用時間較短，效益尚未產生，綜合效益呈現下降趨勢，到3月開始，綜合效益逐月提高，但11個月的等級仍為較好，這進一步證明了該項技術的優越性。

4 結論

文章基于PCA-LSTM模型構建了石墨烯催化技術后的水質預測模型，并基于PCA-LSTM-TS模糊神經網絡模型對水質和綜合效益進行了評價，得出以下結論:

(1)對PCA-LSTM模型水質預測結果進行分析，發現該模型的模擬精度高于LSTM模型，模型一致性較高且誤差較低；

(2)基于PCA-LSTM-TS模糊神經網絡模型對水質和綜合效益進行分析，發現該模型對水質綜合評價在不同月份的結果均為Ⅳ類水，符合實際情況，石墨烯技術的綜合效益在不同月份均為較好等級；

(3)基于PCA-LSTM模型建立了石墨烯技術凈化后的黑臭水體水質預測和綜合評價模型，在今后的研究中可從深度學習模型角度，基于貝葉斯理論優化模型，進一步提高模型預測精度。

表3 石墨烯光催化技術綜合效益PCA-LSTM-TS模糊神經網絡評價標準

表4 模型輸出結果

(續表)