固廢建材重金屬溶出趨勢預測分析

摘 要：【目的】針對固廢建材中重金屬的溶出量的預測控制效果不佳問題，提出了一種基于長短期記憶（Long Short-Term Memory，LSTM）神經網絡的重金屬溶出預測模型。【方法】首先采用該模型對顆粒狀及塊狀免燒磚中Cr、Zn和Pb等重金屬元素的溶出量進行預測和分析。其次為進一步提高模型的適用性和訓練收斂速度，對Adam算法的參數進行了優化。最后采用改進的預測模型對塊狀免燒磚中的Cr、Zn和Pb的溶出量進行模擬預測驗證。【結果】在對塊狀免燒磚的重金屬溶出預測中，該模型對Cr、Zn和Pb預測的決策系數R2均大于0.97，預測結果較為準確。【結論】該模型對固廢建材中的重金屬釋放控制具有指導意義。

關鍵詞：固體廢物；重金屬；溶出；預測

中圖分類號：X75" " " "文獻標志碼：A" " 文章編號：1003-5168（2024）22-0078-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.22.016

Prediction and Analysis of Heavy Metal Leaching Trend in Solid Waste Building Materials

Abstract：[Purposes] Heavy metal leaching prediction model based on Long Short Term Memory （LSTM） neural network was proposed to address the poor predictive control effect of heavy metal leaching in solid waste building materials. [Methods] The model was used to predict and analyze the leaching amounts of heavy metal elements such as Cr， Zn， and Pb in granular and block shaped unburned bricks. To further improve the applicability and training convergence speed of the model， the parameters of the Adam algorithm were optimized. Adopting an improved prediction model to simulate and verify the leaching amounts of Cr， Zn， and Pb in block shaped unburned bricks. [Findings] The results indicate that the prediction of heavy metal leaching from block shaped unburned bricks， the decision coefficients R2 of the model for predicting Cr， Zn， and Pb are all greater than 0.97， which indicates a relatively accurate prediction result. [Conclusions] This study has significance for the control of heavy metal release in solid waste building materials.

Keywords： solid waste; heavy metal; leaching; prediction

0 引言

固體廢物是指在生產、生活和其他活動過程中產生的喪失原有的利用價值或雖未喪失利用價值但被拋棄或者放棄的固體、半固體和置于容器中的氣態物品、物質及法律、行政法規規定納入廢物管理的物品、物質［1］。我國是固廢大國，建材行業一直都是固廢資源化、減量化、無害化的最大承接者［2］。在“雙碳”目標的推進過程中，建材產業一直是固體廢棄物綜合利用的主要途徑之一［3］。國內外許多學者開展了固體廢棄物建材重金屬溶出的相關研究。有的學者針對不同材料中重金屬溶出影響因子展開研究［4-5］。有的學者利用數學模型或基于物理模型對重金屬溶出進行計算模擬［6-9］，但相關方法的準確性不足，對重金屬長期釋放量的預測容易出現較大的偏差。王圣偉等［10］利用LSTM原理構造了對流域污染物重金屬含量進行精準預測的預測模型；婁天瀧［11］提出了針對多元復雜非線性系統的PS-LSTM預測方法對環境重金屬含量進行預測。

隨著信息技術的發展，在重金屬溶出預測領域已有很多種研究方法，但是缺乏一種專業、穩定、高精準度的預測方法。本研究在試驗的基礎上，通過對不同溶出條件、不同材料特性、不同溶出時間的固廢建材重金屬溶出數據分析，提出一種基于LSTM模型的固廢建材重金屬長期溶出趨勢預測模型，以豐富固廢建材化的環境安全研究理論和實踐。

1 基本理論

1.1 LSTM神經網絡

LSTM每個單元結構包括遺忘門、輸入門和輸出門，如圖1所示。

其模型關系表達式如式（1）至式（6）。

式中：Ct表示t時刻狀態；Ct-1表示t-1時狀態信息；Wt、[Wi]、[WC]與[Wo]表示權重矩陣。[ot表示輸出門在t時刻的向量值；ft]表示遺忘門在t時刻向量值；ht-1表示t-1時刻的輸出；xt示遺忘門t時刻的輸入；bf、[bo]、[bi]與[bC]表示偏置系數；it表示更新概率；[σ]與RELU為激活函數。[?t]表示t時刻的輸出。

1.2 模型評價指標

為評估模型性能，采用回歸模型評價中常用的評價指標均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）、平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）和決策系數R2評價模型預測效果。具體計算公式見式（7）至式（10）。

式中：xi為重金屬溶出的真實值；[xi]為其平均值；yi為重金屬溶出預測值；n為測試樣本個數。

2 預測模型構建及分析

2.1 試驗設計

以溫度、時間、pH值、粒徑等影響重金屬溶出量因素為變量，設計重金屬溶出試驗。試樣中重金屬元素額外添加，添加的重金屬種類和質量分數為：Cr2O3、PbO、ZnO各0.4%。

2.2 數據采集與處理

經多次試驗，共獲取試驗樣本數據78組。為保證試驗所用數據的一致性和準確性，對試驗樣本數據進行了一致性檢查、無效數據和缺失數據處理。由于樣本數據較為稀疏，在模型訓練前，對樣本數據進行雙線性插值處理，以擴充數據。

2.3 模型建立及預測

①在匯總整理有關固廢建材重金屬溶出的數據之后，選取溫度、時間、pH值、粒徑、重金屬溶出量作為參數，基于LSTM模型對不同粒徑（顆粒狀及塊狀）的免燒磚構建重金屬溶出預測模型。

②將試驗數據分為訓練數據集和驗證數據集。利用訓練數據集對構建的模型進行訓練，并利用驗證數據集進行模型驗證。預測效果達到評價指標要求后，完成模型的訓練。

③用訓練好的模型對待測材料進行重金屬溶出的預測，得到預測結果。

2.4 模型分析

顆粒狀免燒磚重金屬溶出模擬結果如圖2所示，重金屬溶出預測結果的評價指標值見表1。

塊狀免燒磚重金屬溶出模擬結果如圖3所示，預測結果的評價指標值見表2。

模型預測效果與RMSE、MAE和MAPE成反比，與R2成正比，故由表1和表2可知，在對顆粒狀免燒磚的初步模擬中Pb溶出率的預測效果較好；對塊狀免燒磚的初步模擬中Cr溶出率的預測效果較好，Pb溶出率的預測效果較差。對Pb的測試觀察可得，塊狀免燒磚的溶出結果中達到溶出量最大值的時間要比顆粒狀的靠后，分析其原因主要與不同粒徑的免燒磚對Pb的固定化作用有關。

3 模型優化

為進一步提高模型的適用性和訓練收斂速度，針對原始數據的極值點問題，模型采用三階B樣條插值算法替換雙線性插值算法；同時，對Adam算法的參數進行了優化。經過優化后，本研究采用改進的預測模型對另一組塊狀免燒磚中的Cr、Zn和Pb的溶出量進行模擬預測驗證，結果如圖4所示，評價指標值見表3。由表3可知，優化后模型的R2值整體優于優化前，優化效果明顯。

4 結論

本研究基于LSTM建立固廢建材重金屬溶出模型，預測了Cr、Pb和Zn的溶出變化規律，結論如下。

①對顆粒狀及塊狀免燒磚的重金屬溶出預測表明，對塊狀免燒磚的預測結果較好，主要與材料自身的內部結構有關。

②通過對模型優化，Cr、Zn、Pb的決策系數R2分別達到0.973 4、0.999 7、0.997 1，提高了模型預測準確性。

參考文獻：

［1］王鵬，夏冬前. 關于正確區分固體廢物與副產品/副產物工作的探討［J］. 山東化工， 2022， 51（15）： 208-209， 212.

［2］向鵬.一礦一“方” 煉“廢”為寶：專訪湖南大學固廢資源化與綠色應用交叉團隊帶頭人吳振軍［J］.高科技與產業化，2023，29（9）：24-27.

［3］吳長亮. 煤矸石協同多源固廢多級利用制備功能性透水混凝土的試驗研究［D］. 濟南：山東大學，2023.

［4］陳博， 韓龍喜， 張奕. 礦業活動固體廢棄物中重金屬溶出遷移規律研究進展［J］. 四川環境， 2016， 35（6）： 143-149.

［5］ 從輝， 耿宏志. 鉛鋅尾礦中重金屬浸出特性分析［J］. 廣州化工， 2019， 47（20）： 70-75.

［6］熊有為， 王洪江， 胡凱建. 基于Origin的溶浸浸出率預測模型研究［J］. 黃金， 2011， 32（9）： 25-27.

［7］HAQUE A M.A statistical comparison of mathematical models for heavy metal leaching phenomena from solidified landfill waste mortar［J］.Chemical Product and Process Modeling，2016，11（2）：167-183.

［8］徐斌，趙玲芹，胡艷軍，等.基于Geostudio軟件分析垃圾焚燒爐渣道路回填時重金屬溶出遷移規律［C］//中國環境科學學會2021年科學技術年會： 環境工程技術創新與應用分會場論文集（三），2021-08-30，中國天津：工業建筑雜志社有限公司，2021：456-460，504.

［9］YE Z X，HONG S，HE C，et al. Evaluation of different factors on metal leaching from nickel tailings using generalized additive model （gam）.［J］.Ecotoxicol Environ Saf，2022，236：113488-113488.

［10］王圣偉， 李萍， 婁天瀧， 等. 基于多元混沌時間序列PS-LSTM污染物預測模型［J］. 傳感器與微系統， 2022， 41（4）：117-120.

［11］婁天瀧.基于多元混沌序列環境重金屬LSTM預測改進［D］.蘭州：西北師范大學，2020.