CSCD来源期刊
中国科技核心期刊
RCCSE中国核心学术期刊
JST China 收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于遗传算法优化BP神经网络的水生态修复原位控浊混凝投药预测

余峰 王珂佳 张文龙 李轶

余峰, 王珂佳, 张文龙, 李轶. 基于遗传算法优化BP神经网络的水生态修复原位控浊混凝投药预测[J]. 环境工程, 2023, 41(4): 154-163. doi: 10.13205/j.hjgc.202304022
引用本文: 余峰, 王珂佳, 张文龙, 李轶. 基于遗传算法优化BP神经网络的水生态修复原位控浊混凝投药预测[J]. 环境工程, 2023, 41(4): 154-163. doi: 10.13205/j.hjgc.202304022
YU Feng, WANG Kejia, ZHANG Wenlong, LI Yi. PREDICTION OF COAGULANT DOSAGE FOR IN-SITU TURBIDITY CONTROL IN WATER ECOLOGICAL RESTORATION BASED ON BP NEURAL NETWORK OPTIMIZED BY GENETIC ALGORITHM[J]. ENVIRONMENTAL ENGINEERING , 2023, 41(4): 154-163. doi: 10.13205/j.hjgc.202304022
Citation: YU Feng, WANG Kejia, ZHANG Wenlong, LI Yi. PREDICTION OF COAGULANT DOSAGE FOR IN-SITU TURBIDITY CONTROL IN WATER ECOLOGICAL RESTORATION BASED ON BP NEURAL NETWORK OPTIMIZED BY GENETIC ALGORITHM[J]. ENVIRONMENTAL ENGINEERING , 2023, 41(4): 154-163. doi: 10.13205/j.hjgc.202304022

基于遗传算法优化BP神经网络的水生态修复原位控浊混凝投药预测

doi: 10.13205/j.hjgc.202304022
基金项目: 

江苏省碳达峰碳中和科技创新专项重大科技示范项目(BE2021783)

详细信息
    作者简介:

    余峰(1998-),女,硕士研究生,主要研究方向为水资源保护和生态修复。yufeng98616@qq.com

    通讯作者:

    张文龙(1987-),男,教授,主要研究方向为水资源保护和生态修复。1223zhangwenlong@163.com

PREDICTION OF COAGULANT DOSAGE FOR IN-SITU TURBIDITY CONTROL IN WATER ECOLOGICAL RESTORATION BASED ON BP NEURAL NETWORK OPTIMIZED BY GENETIC ALGORITHM

  • 摘要: 暴雨过后河湖浑浊度急剧升高,严重干扰了河湖水生态修复工程中沉水植物的恢复和重建。针对水生态修复原位混凝控浊过程中混凝剂选型和投加量难以确定的问题,对模拟河湖浑浊水样进行混凝实验并构建混凝预测数据集,采用BP神经网络模型对混凝剂投加量进行预测,并结合遗传算法对模型进行优化。基于混凝实验结果,选取综合混凝效果更佳和成本更低的混凝剂(硫酸铝),和不同投加量间混凝效果存在显著差异的混凝剂投加量范围在0~30 mg/L的混凝数据进行混凝预测模型的训练。结果表明:1)BP神经网络回归模型性能(R2=0.78)优于多元非线性、多元线性回归模型和BP神经网络分类模型,88.67%的样本预测绝对误差<5 mg/L;经遗传算法优化后,模型R2提升至0.86%且95%以上的样本预测绝对误差<5 mg/L,说明遗传算法有效提升了模型的预测精度和预测稳定性。2)混凝剂投药梯度是除建模数据量之外另一个影响模型性能的重要因素,在实际工程应用中,应尽可能增加建模数据量和降低投药梯度,以提高混凝投药预测模型性能。研究结果可为水生态修复原位混凝控浊过程中混凝剂种类和投加量的选择提供可靠理论依据。
  • [1] 郭雅倩, 薛建辉, 吴永波, 等. 沉水植物对富营养化水体的净化作用及修复技术研究进展[J]. 植物资源与环境学报, 2020, 29(3): 58-68.
    [2] 郭超, 李为, 李诗琦, 等. 盐龙湖沉水植物群落变化规律及其驱动因子研究[J]. 水生态学杂志, 2021, 42(6): 34-40.
    [3] 徐德瑞, 周杰, 吴时强, 等. 夏季东太湖光合有效辐射衰减特征及其对沉水植物恢复的指示[J]. 湖泊科学, 2021, 33(1): 111-122.
    [4] FROGNER-KOCKUM P, GÖRANSSON G, HAEGER-EUGENSSON M. Impact of climate change on metal and suspended sediment concentrations in urban waters[J]. Frontiers in Environmental Science, 2020, 8: 588335.
    [5] 刘畅, 韩梅, 赵志伟, 等. 混凝投药控制系统的发展现状与趋势[J]. 给水排水, 2021,57(增刊1): 524-530.
    [6] 饶小康, 贾宝良, 鲁立. 基于人工神经网络算法的水厂混凝投药控制系统研究与开发[J]. 长江科学院院报, 2017, 34(5): 135-140.
    [7] KUSUMA H S, AMENAGHAWON A N, DARMOKOESOEMO H, et al. Evaluation of extract of Ipomoea batatas leaves as a green coagulant-flocculant for turbid water treatment: parametric modelling and optimization using response surface methodology and artificial neural networks[J]. Environmental Technology & Innovation, 2021, 24: 102005.
    [8] LI L, RONG S M, WANG R, et al. Recent advances in artificial intelligence and machine learning for nonlinear relationship analysis and process control in drinking water treatment: a review[J]. Chemical Engineering Journal, 2021, 405: 126673.
    [9] SUI KIM I T, SETHU V, ARUMUGASAMY S K, et al. Fenugreek seeds and okra for the treatment of palm oil mill effluent (POME)-Characterization studies and modeling with backpropagation feedforward neural network (BFNN)[J]. Journal of Water Process Engineering, 2020, 37: 101500.
    [10] 张长胜, 韩涛, 钱斌, 等. 改进BFO算法优化BPNN的自来水混凝加药预测模型[J]. 中国环境科学,2021,41(10): 4616-4623.
    [11] 叶伯生, 谢鹏, 张文彬. 基于随机遗传算法优化BP神经网络的工业机器人整机性能评估模型[J]. 中南大学学报(自然科学版), 2021, 52(9): 3204-3211.
    [12] ZHANG Y Y, GAO X, SMITH K, et al. Integrating water quality and operation into prediction of water production in drinking water treatment plants by genetic algorithm enhanced artificial neural network[J]. Water Research, 2019, 164: 114888.
    [13] 樊琦. 基于遗传算法和BP神经网络的微涡流混凝投药控制模型研究[D].上海:华东交通大学,2018.
    [14] 王新民, 柯愈贤, 张钦礼, 等. 磁化处理全尾砂料浆沉降规律及其参数优化[J]. 中国矿业大学学报, 2017, 46(4): 803-808.
    [15] 王晋, 林超, 张毅敏, 等. 水体浊度对沉水植物菹草生长的影响[J]. 生态与农村环境学报, 2015, 31(3): 353-358.
    [16] 朱光敏. 水体浊度和低光条件对沉水植物生长的影响[D].南京:南京林业大学,2009.
    [17] 张彦, 邹磊, 梁志杰, 等. 暴雨前后河南北部河流水质分异特征及其污染源解析[J]. 环境科学,2022,43(5): 2537-2547.
    [18] 张帅, 赵志伟, 丁昭霞, 等. 针对高浊山溪水的除浊工艺构建与效能研究[J]. 中国给水排水, 2018, 34(13): 38-42.
    [19] 辛苑, 李萍, 吴晋峰, 等. 强降雨对北运河流域沙河水库水质的影响[J]. 环境科学学报, 2021, 41(1): 199-208.
    [20] 张淳, 徐东耀, 康赛, 等. 磁混凝预处理小城镇混合污水的效能与混凝机制研究[J]. 环境科学学报,2022,42(7): 268-278.
    [21] 李祥林, 钟建东. 响应面法优化聚合氯化铝混凝效果的研究[J]. 中国给水排水, 2015, 31(21): 141-143.
    [22] QIAO Y H, FENG J F, LIU X, et al. Surface water pH variations and trends in China from 2004 to 2014[J]. Environmental Monitoring and Assessment, 2016, 188(7): 443.
    [23] ZHANG W L, SHI M, WANG L Q, et al. New insights into nitrogen removal potential in urban river by revealing the importance of microbial community succession on suspended particulate matter[J]. Environmental Research, 2022, 204: 112371.
    [24] YAN Z G, FAN J T, ZHENG X, et al. Neglect of temperature and ph impact leads to underestimation of seasonal ecological risk of ammonia in chinese surface freshwaters[J]. Journal of Chemistry, 2019: 3051398.
    [25] QIU R J, WANG Y K, WANG D, et al. Water temperature forecasting based on modified artificial neural network methods: two cases of the Yangtze River[J]. Science of the Total Environment, 2020, 737: 139729.
    [26] 汪萌. 上海市河流表层水体固氮速率及其影响因子[D].上海:华东师范大学,2017.
    [27] 张佩. 都市区小型湖库水体碳形态与甲烷排放的时空特征研究[D].重庆:重庆大学,2020.
    [28] 张艳晴, 周东, 周升, 等. 软围隔系统在迎风岸坡植被恢复中的应用研究[J]. 安徽农业科学, 2022, 50(6): 193-197.
    [29] 王琦, 韩煜, 史娜娜, 等. 沉水植物群落重构技术在滇池草海水生态修复中的应用[C]//中国环境科学学会. 2020中国环境科学学会科学技术年会论文集(第2卷), 2020: 216-223.
    [30] 年跃刚, 宋英伟, 李英杰, 等. 富营养化浅水湖泊稳态转换理论与生态恢复探讨[J]. 环境科学研究, 2006,19(1): 67-70.
    [31] HORNIK K, STINCHCOMBE M, WHITE H. Multilayer feedforward networks are universal approximators[J]. Neural Networks, 1989, 2(5): 359-366.
    [32] GRIFFITHS K A, ANDREWS R C. The application of artificial neural networks for the optimization of coagulant dosage[J]. Water Supply, 2011, 11(5): 605-611.
    [33] ZHANG Q, STANLEY S J. Real-time water treatment process control with artificial neural networks[J]. Journal of Environmental Engineering, 1999, 125(2): 153-160.
    [34] MAIER H. Use of artificial neural networks for predicting optimal alum doses and treated water quality parameters[J]. Environmental Modelling & Software, 2004, 19(5): 485-494.
    [35] VINITHA E V, MANSOOR AHAMMED M, GADEKAR M R. Chemical coagulation of greywater: modelling using artificial neural networks[J]. Water Science and Technology, 2018, 2017(3): 869-877.
  • 加载中
计量
  • 文章访问数:  97
  • HTML全文浏览量:  6
  • PDF下载量:  13
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-02-21
  • 网络出版日期:  2023-05-26
  • 刊出日期:  2023-04-01

目录

    /

    返回文章
    返回