人工神经网络预测尾砂充填对地下水中锌含量影响

熊昌狮，陈云嫩，吴乐文，张绍国，张大超，罗先伟，聂锦霞，吴速英

(1.江西理工大学资源与环境工程学院，江西赣州 341000；2.广西华锡集团股份有限公司，广西柳州 545006)



人工神经网络预测尾砂充填对地下水中锌含量影响

熊昌狮1，陈云嫩1，吴乐文2，张绍国2，张大超1，罗先伟2，聂锦霞1，吴速英1

(1.江西理工大学资源与环境工程学院，江西赣州 341000；2.广西华锡集团股份有限公司，广西柳州 545006)

[目的]研究了人工神经网络预测尾砂充填对地下水中Zn含量影响的可行性。[方法]采用误差反向传播神经网络(BP神经网络)，建立了充填体放置时间、不同来源地下水水样、浸泡时间与重金属Zn含量之间的动态模型，预测广西某金属矿山全尾砂胶结充填体试块对地下水Zn含量的影响。[结果]当网络隐含层层数为1、节点数为7 时，建立的BP神经网络预测模型能够较好地预测全尾砂胶结充填对地下水重金属Zn含量的影响。[结论]该研究为地下水环境的保护和矿区尾砂的安全处理处置提供了科学依据。

尾砂充填；地下水；重金属锌；人工神经网络

随着环境保护要求的越来越严格，国内外地下矿山使用选矿尾砂充填采矿法的比重也逐年上升[1-4]。将尾砂充填于井下既可防止矿山上覆岩层崩落及地表塌陷，从而保护矿区地表，提高矿石回收率，还可大幅度减少尾矿堆放占地[5-8]。但尾砂用于井下充填，尾砂充填体对地下水重金属含量的影响，当前还没有相关报道。因此，开展充填体对地下水重金属含量影响的试验研究，避免对环境造成污染，矿区尾砂又能得到安全处理处置，具有重要的现实意义。

由于地下水来源、走向、水质等的复杂性，需通过大量试验确定金属矿山胶结充填体对地下水重金属含量的影响。而建立合适的动态模型可以预测充填体对地下水重金属含量的影响。一定灰砂比下的充填体试块对地下水某一重金属含量的影响，受胶结充填体放置时间、不同来源地下水水样、浸泡时间影响较大，难以线性表示三者与地下水重金属含量变化的关系。人工神经网络(ANN)具有良好的非线性映射能力，目前已有学者利用 ANN 实现工程过程的预测[9-13]，但利用 ANN 预测金属矿山胶结充填体对地下水重金属含量影响的报道较少。笔者利用ANN 中的误差反向传播神经网络(BP 神经网络)，对胶结充填体影响地下水重金属Zn含量进行了预测。

1 材料与方法

1.1 监测水样

试验用水均为广西某金属矿山提供的7种不同来源地下水水样，其中5种水样水质中锌(Zn)含量远远超过《地下水环境质量标准》(GB/T 14848-93)Ⅲ类标准，且超标倍数最大的为142。虽然锌是人体生长发育所必需的微量元素，但过量锌的摄入将对人体造成不利影响。因此，后续仅考虑重金属元素Zn在地下水中的含量变化。

1.2 充填体试块制备

胶结试块制备采用该矿山选矿厂外排的全尾砂充填骨料、水泥为胶凝剂，灰砂比为1∶4，试块尺寸71 mm×71 mm×71 mm。该矿全尾砂中SiO2、Al2O3、CaO、MgO、Fe、Sn、Sb、Zn、In、Pb、S含量分别为41.59%、2.30%、18.94%、0.83%、5.34%、0.27%、0.26%、1.24%、0.001 1%、0.27%、5.79%。

1.3 BP神经网络(BPNN)的构建

BP网络是一种分层型的典型多层网络，具有输入层、隐含层和输出层，层与层之间多采用全连接的方式。隐含层的数目决定着神经网络的运算速度、储存空间和收敛性质，隐含层过少使得处理单元数目不足以反映输入变量间的交互作用，进而导致较大误差，但隐含层数目过大会使网络变得复杂而收敛较慢。BP 神经网络中对于任何闭区间内的连续函数都可以用单隐层的 BP 网络逼近，故一般隐含层的层数确定为1。隐含层节点数对神经网络的性能同样有一定影响。隐含层节点数过少，学习的容量有限，不足以储存训练样本中蕴含的所有规律；隐含层节点过多，不仅会增加网络训练时间，而且会将样本中非规律性的内容储存进去，反而降低泛化能力。隐含层节点数通常通过公式(1)进行凑试来确定[14-16]，具体公式如下：

(1)

式中，m为隐含层节点数；n为输入层神经元数；l为输出层神经元数；α为调节常数，为1～10。

选取2～12个隐含层节点，逐一改变训练网络进行重复计算，并根据拟合优度系数R2、均方误差MSE和平方相关系数Scc判断模型的预测效果，具体计算公式为：

(2)

(3)

(4)

式中，ypred为模型的预测值；yobs为试验值；ymean为试验值的平均值。R2越逼近1，表明预测效果越好。MSE是对模型预测客观评价，MSE越小，表明模型越优。Scc越接近1，表明所训练出的模型性能越好。

140组试验样本见表1，由于第5组样本结果出现明显偏差，将影响系统模型的建立，所以将其剔除。在剩余的139组样本中随机选取107组作为学习样本训练网络，隐含层节点传递函数采用log-sigmoid型函数，输出层神经元传递函数采用纯线性函数purelin。设定目标训练均方差为 0.01，训练步数为100。输入层变量包括充填体试块放置时间、地下水水样、浸泡时间，重金属Zn含量作为输出层。由于重金属Zn含量变化的3个影响因素的物理量纲不同，故在网络训练、检验及预测前，将学习样本归一化在[-1,1]范围内，以保证网络对样本具有较好的输入敏感性和拟合性。

2 结果与分析

所有139组试验结果分为两部分：107组作为学习样本训练网络，32组作为预测网络。所有输入层数据、重金属Zn含量的试验值见表1,随机选取32组的预测值和试验值进行对比(图1)。由图1可知，当网络隐含层层数为 1、节点数为 7时，R2=0.888 3，MSE=0.081 9，Scc=0.943 7，说明建立的BP神经网络预测模型能够较好地预测全尾砂胶结充填对地下水重金属Zn含量的影响。

表1 所有输入层数据和Zn含量的试验值

接下表

接下表

3 结论

研究了人工神经网络预测广西某金属矿山全尾砂胶结充填体对地下水重金属Zn含量影响的可行性。结果表明，训练的隐含层层数为 1、节点数为 7的网络具有较好的预测效果，此时R2=0.888 3，MSE=0.081 9，Scc=0.943 7，说明建立的BP神经网络预测模型能够较好地预测全尾砂胶结充填对地下水重金属Zn含量的影响。

[1] 周爱民.矿山废料胶结充填[M].北京:冶金工业出版社,2007.

[2] 王新民.深井矿山充填理论与技术[M].长沙:中南大学出版社,2005.

[3] 苗涛.姑山挂帮矿采空区干式充填技术[J].现代矿业,2011(6):74-76.

[4] 刘再涛.缓倾斜破碎矿体全废石充填采矿法的应用[J].现代矿业,2013(4):62-63.

[5] 王贤来,姚维信,王虎,等.矿山废石全尾砂充填研究现状与发展趋势[J].中国矿业,2011,20(9):76-79.

[6] 杨志强,王永前,高谦,等.金川镍矿尾砂膏体充填系统工艺技术改造与应用研究[J].有色金属科学与工程,2014,5(2):1-9.

[7] WANG Y,QIAN X,RICHARD L J Y,et al.Experimental behavior of cement filled pipe-in-pipe composite structures under transverse impact[J].International journal of impact engineering,2014,72:1-16.

[8] 朱国涛.高浓度结构流全尾砂胶结充填实验研究与应用[J].矿业工程,2011,9(6):20-22.

[9] SAHOO G B,RAY C,DE CARLO E H.Use of neural network to predict flash flood and attendant water qualities of a mountainous stream on Oahu,Hawaii[J].Journal of hydrology，2006，327:525-538.

[10] NISKA H，HILTUNEN T，KARPPINER A，et al.Evolving the neural network model for forecasting air pollution time series[J].Engineering applications of artificial intelligence，2004，17(2)：159-167.

[11] ZHOU H，QIAN X P，CEN K F，et al.Optimizing pulverized coal combustion performance based on ANN and GA[J].Fuel processing technology，2003，85(2/3)：113-124.

[12] 徐波,贾铭椿,门金凤.神经网络预测改性海绵铁除氧效果的研究[J].工业水处理,2012,32(9):29-32.

[13] 郭彦,王海芳.神经网络模型在环境现状评价中应用研究[J].环境科学与技术，2010,33(11):191-198.

[14] 朱大奇，史慧．人工神经网络原理及应用[M]．北京：科学出版社，2006：42．

[15] 刘小生,旷雄.基于空间信息格网与BP神经网络的灾损快速评估系统[J].江西理工大学学报,2015,36(3):19-25.

[16] ZHANG L P,YU H J,HU S X.Optimal choice of parameters for particle swarm optimization[J].Journal of Zhejiang University science,2005,6(6):528-534.

Prediction of Effects of Tailing Filling on Zn Content in Groundwater Based on Artificial Neural Network

XIONG Chang-shi1, CHEN Yun-nen1, WU Le-wen2et al

(1.School of Resource and Environmental Engineering, Jiangxi University of Science and Technology, Ganzhou, Jiangxi 341000; 2. China-Tin Group Co., Ltd., Liuzhou, Guangxi 545006)

[Objective] The study aims to discuss the feasibility of predicting the effects of tailing filling on Zn content in groundwater based on artificial neural network (ANN). [Method] With error back propagation (BP) neural network, a dynamic simulation model showing the relationship of Zn content with placed time of tailing filling block, groundwater sources and soaking time was established to predict the effects of tailing filling on Zn content in groundwater from a metal mine of Guangxi. [Result] When the number of ANN hidden layer is 1 and the number of nodes is 7, the established BP neural network can accurately predict the effects of tailing filling on Zn content in groundwater. [Conclusion] The research can provide scientific references for the protection of groundwater environment and safe disposal of tailings in mines.

Tailing filling; Groundwater; Heavy metal Zn; Artificial neural network

广西科学研究与技术开发技术课题(桂科重14124001-2)。

熊昌狮(1992-)，男，江西南昌人，硕士研究生，研究方向：废水处理与废渣资源化。

2015-11-20

S 181

A

0517-6611(2015)35-115-03