基于径向基函数人工神经网络和灰色关联度分析的自来水中三卤甲烷含量的预测研究

作     者：张志颖 

作者单位：浙江师范大学 

学位级别：硕士

导师姓名：洪华嫦

授予年度：2022年

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 081104[工学-模式识别与智能系统] 0815[工学-水利工程] 0811[工学-控制科学与工程] 071101[理学-系统理论] 

主      题：三卤甲烷 自来水 线性回归模型 径向基函数人工神经网络(RBF ANN) 灰色关联度分析(GRA) 

摘      要：消毒副产物(Disinfection by-products,DBPs)因其潜在的致癌毒性、生殖毒性而受到广泛的关注。目前已经检出的DBPs有700多种,其中三卤甲烷(Trihalomethanes,THMs)是含量最大、检出率最高的一类DBPs,已被众多国家和地区严格监管。THMs的检测通常要用到有毒的溶剂和昂贵的仪器,并涉及复杂的前处理过程。因此,普通水厂还不能做到对自来水中THMs的含量进行及时监测。利用THMs生成量与水质、消毒条件的关系建立THMs的预测模型则有望解决目前THMs的监测难题。然而现有的THMs预测模型绝大多数是基于实验室模拟消毒的数据而建立,并不能代表实际供水系统;而且大多数模型采用简单的线性回归或log线性回归的方式建立,其预测效果一般。基于此,本研究利用金华地区实际供水系统THMs和水质参数数据库,采用径向基函数人工神经网络法(Radial basis function artificial neural network,RBF ANN)对实际自来水中THMs分布进行建模,同时与常规的线性、log线性模型进行对比;并在灰色关联度分析(Grey relational analysis,GRA)的基础上,对RBF ANN模型进行了优化。具体内容和结果如下:(1)用逐步回归法建立了总三卤甲烷(total THMs,T-THMs)、三氯甲烷(Trichloromethane,TCM)、一溴二氯甲烷(Bromodichloromethane,BDCM)的线性/log线性回归模型。结果显示,T-THMs、TCM模型中引入了温度(负影响)和UVA(正影响)两个参数,而BDCM模型中则只引入了DOC(正影响)一个参数,表示芳香性有机物是形成T-THMs、TCM重要的前驱物,但对于BDCM形成的影响较小,而且季节变化(温度为指标)也是影响T-THMs、TCM形成的重要因素。不管是线性还是log线性模型,它们的R值均较低(0.126-0.445),预测准确率较差(N=46-78%)。这表明线性/log线性回归模型不是预测自来水THMs分布的理想模型。(2)使用全部水质参数(8个)建立RBF ANN模型。结果显示,当MN(最大神经元数)=30,S(步长值)=30(T-THMs)、70(TCM)和10(BDCM)时,RBF ANN模型预测效果最佳,预测值和实测值的相关系数高(r=0.760-0.925),预测准确性好(N=92-98%)。这些结果表明RBF ANN具有强大的处理THMs的形成与水质参数之间复杂非线性关系的能力,RBF ANN模型可以很好的预测实际供水系统中THMs的分布。(3)灰色关联度分析(GRA)显示,对于自来水中的TCM、BDCM和T-THMs的形成,最重要的两个因素是p H和温度,其次是UVA、DOC和Br,而NH-N、NO-N和余氯的影响较弱。选取最重要的五个参数建立新的RBF ANN模型(即GRA-RBF ANN),结果显示,当MN=30,S=49.1(T-THMs)、29.3(TCM)、1.22(BDCM)时,模型预测效果最佳(r=0.760-0.946;N=92-98%),证明GRA有助于用较少的参数建立高质量的RBF ANN模型。上述所有结果表明,相比线性/log线性模型,RBF ANN特别是GRA-RBF ANN是预测实际自来水THMs分布的优良模型,这可能是因为RBF ANN模型不仅考虑了多个水质参数与THMs形成之间的复杂关系,而且还可通过调整MN和S值不断提高模型的预测性能。