基于BP神经网络的垃圾渗滤液输运管道结垢趋势预测

赵 锐，赵丽萍，陈静芳，刘 婕，李 敏

(西南交通大学地球科学与环境工程学院，四川 成都 611756)

0 引 言

渗滤液是垃圾处置过程中产生的二次污染物，具有有机物浓度高、无机盐和重金属含量多、成分复杂多变等特点[1]，一般需要通过管道收集并输送至相关设施进行深度处理。在集输过程中，可能诱发输运管道结垢，导致集输系统失效，给周边环境和公众健康带来潜在影响[2]。因此，有必要对输运管道的结垢趋势进行预测，以减少管路系统发生堵塞的风险，保障处置设施安全运营。

渗滤液集输管道结垢主要与矿物沉淀、颗粒物沉积、有机物生化降解有关。研究普遍认为，碱金属碳酸盐沉淀是成垢的关键因素[3-5]。渗滤液水质因垃圾类型、填埋时间、季节变化、水文地质条件等多个因素影响，导致不同渗滤液中钙镁离子浓度差异较大[1,6-7]。相同条件下，碳酸钙(CaCO3)的溶解度小于碳酸镁(MgCO3)，且镁的强水化作用阻碍了镁离子(Mg2+)和碳酸根(CO32-)的直接结合，导致结垢物主要成分呈现为CaCO3[5]。Fleming等[8]的研究结果表明渗滤液中钙离子含量变化与有机物化学需氧量(COD)密切相关，渗滤液中有机酸的降解导致二氧化碳逸出，造成pH升高促使碳酸钙(CaCO3)沉淀。Rittmann等[9]通过多孔介质渗透实验也发现，渗滤液中的挥发性脂肪酸易发生厌氧分解，产生甲烷和碳酸，导致溶液酸碱失衡，引起pH升高，所产生的碳酸根与过量的钙离子(Ca2+)结合，形成碳酸盐矿物沉淀。李敏等[10]进一步证实渗滤液中Ca2+浓度是影响结垢的关键因素，而结垢可能是化学沉淀和微生物代谢共同作用的结果。满瑞林、王小倩等[11-12]发现垢物中CaCO3的质量占比达98%，渗滤液总硬度和总碱度过高是结垢的主要诱因[13]。此外，Li等[14]研究了渗滤液中腐殖质与钙的络合能力，指出钙与腐殖酸络合是结垢形成的诱因，而生物持续发酵致使堵塞加剧。上述研究结果表明，渗滤液水质特征对结垢有重要的影响。

既有关于管道结垢预测的研究主要集中于石油、高盐水、地热水等传输场景，而关于渗滤液输运管道结垢趋势预测的研究还鲜有报道。传统管道结垢预测方法主要是基于经验方程拟合，如Langelier饱和指数法、Ryznar稳定指数法、Davis-Stiff饱和指数法等[15]，预测结垢的发展趋势。但渗滤液作为一种复杂流体，其结垢过程不是单一的作用过程，不仅包含化学沉淀，还涉及复杂的生化反应，基于碳酸钙溶解平衡的经验方程难以实现结垢有效预测。基于误差反向传播算法(error back propagation training,BP)的神经网络方法是梯度搜索技术驱动的一种机器学习方法，即无需事先确定输入和输出之间的映射函数，可通过自身学习某种规则，在给定输入值时得出最接近期望的输出结果[16]。本文通过设计模拟将高密度聚乙烯(HDPE)管材加工成样片后浸置于配置的渗滤液中，以管材表面结垢实验数据为基础，利用BP神经网络方法构建了管材结垢趋势预测模型，以期为渗滤液集输系统堵塞风险防控提供决策依据。

1 实验部分

1.1 主要试剂与设备

试验管材选择生活垃圾处理技术规范[17]推荐使用的HDPE管材，管径为50 mm，购自成都三环管业公司；氯化钙(CaCl2)、氯化钠(NaCl)、葡萄糖、碳酸氢钠(NaHCO3)均为分析纯级，购自成都科龙化工有限公司；腐殖酸为化学纯级，天津百伦斯生物技术有限公司生产；pH缓冲剂，上海仪电科技股份有限公司生产。样品称量使用梅特勒 MS 105电子分析天平；样品表面微观形貌分析使用FEI公司QUANTA FEG250型场发射电子扫描显微镜(SEM)，垢物晶体成分分析使用Bruker D8 X射线衍射(XRD)仪。

1.2 实验方法

根据文献资料调研[4,9,18-19]，渗滤液集输系统中的垢物主要成分为CaCO3，影响结垢的渗滤液关键水质因素主要包括pH值、COD、Ca2+、Cl-、腐殖质等。既有研究显示[20-23]，垃圾渗滤液中的pH值、COD、Cl-、Ca2+等因素的变化范围一般在 4.2～9.0、4 000～80 000 mg/L、 150～16 000 mg/L、 1 500～6 000 mg/L。经处理设施处理后，水质指标有较大提升，如COD和Ca2+浓度可分别降至60 mg/L和350 mg/L。本研究基于上述资料，设计了模拟渗滤液-管材交互的静态结垢实验。Ca2+、Cl-和COD分别通过溶解CaCl2、NaCl和葡萄糖配制(1 g葡萄糖相当于1.067 g COD)，pH值由pH缓冲剂调节，根据垃圾渗滤液的水质情况，各组模拟渗滤液配制参数表见表1。

表1 HDPE管材结垢实验渗滤液参数表

将 HDPE 管材加工成质量 2.500 g的拱形样片，分别浸置于23组模拟渗滤液中，每组实验放置5块平行样片。结垢实验持续8周后取出浸置样片，室温干燥，精确称量其质量，并进行表观形貌分析；收集管材表面垢物样品，进行成分分析。

2 BP神经网络驱动的结垢预测模型构建

2.1 BP神经网络算法

BP神经网络是一种基于多变量和非线性的机器学习模型，通过对大量数据进行训练，通过前向传递得到网络的预测值和实际值的误差，不断修正权重和阈值，使BP神经网络模型的预测值和实际值接近，以提高预测结果的准确度[24]。

2.2 结垢预测模型构建

将影响结垢的渗滤液水质因子作为所构建的BP神经网络预测模型的输入层，共包括pH值、COD、腐殖质、Ca2+、Cl-和 NaHCO3质量浓度 6个输入单元，输出层为结垢趋势。网络隐层节点数过多，易出现过拟合，训练效果虽好但验证效果较差；节点数过少可能无法拟合[26]。为此，本文通过下式确定节点数目：

式中：H——隐含层节点数；

I——输入层节点数；

O——输出层节点数；

a——常数。

根据式(5)测算，本文定义隐层节点数为4，所构建的结垢预测神经网络拓扑结构如图1所示。

图1 神经网络拓扑结构

在进行神经网络训练前，为保证不同量纲输入具有同等条件，网络输入数据按照下式进行归一化处理[27]：

将隐层节点数及归一化后的样本数据输入2.1中所述神经网络算法，构建出渗滤液输运管道结垢趋势的神经网络训练模型。

为了更好地研究渗滤液水质因素对结垢的影响程度，需要更直观地表达输入和输出之间的权重关系，因此，对样本训练所得各神经元之间的权值使用下式进行进一步再处理[28]：

式中：i——神经网络输入层；

j——输出层；

k——隐含单元；

Wki——输入层i和隐含层k的权系数；

Wjk——输出层j和隐含神经元k的权系数。

3 结果与讨论

3.1 结垢趋势分析

使用结垢率表示管材表面结垢趋势，结垢率=(管材质量-结垢量)/管材质量，各实验组管材结垢情况见图2。可见在实验周期内，各组实验管材表面均有不同程度的结垢，其中4号和9号实验体系中的管材结垢率较大，超过20%。结垢趋势最大的4号实验组结垢率高达54.096%，这可能与此组实验渗滤液中的Ca2+和COD浓度均较大有关，垢物的主要成分CaCO3的形成直接受Ca2+和碳酸根浓度的影响，渗滤液中碳酸根生成主要来自有机物的降解[29]，表现为COD的减少。这在结垢率小于0.2%的2号、13号和14号实验体系中也可以看出，其中2号Ca2+浓度最小，低至250 mg/L。

图2 HDPE管材结垢实验结果

综合比较23组实验体系的实验结果可以发现，弱碱性溶液中的管材表面结垢量显著大于中性和弱酸性溶液，产生这种结果的原因可能是在酸性条件下Ca2+活化能降低，结晶反应速率减缓，H+浓度增加促进其与CO32-反应，平衡向产生HCO3-的方向移动，CO32-浓度减少，降低了CaCO3晶体物质的生成[30]。同时腐殖质和COD浓度对结垢形成也有着积极影响，有机物和腐殖质的吸附团聚作用以及腐殖质与金属离子络合作用配合物密切相关。

3.2 表观形貌分析

为进一步考察不同渗滤液中管材表面结垢情况，选择渗滤液各组分含量差异较大的1号、3号和5号实验组中管材样片进行表面形貌分析，结果如图3所示。可以看出，酸性环境中垢物呈现珊瑚状、表面凹凸不平的疏松多孔结构，孔隙处附着细小颗粒(图3(a))。其形成过程可能是，溶液中离子反应生成结晶体在粘附力、重力作用下堆积在管材表面，不稳定晶体继续在相邻晶体间沉积，同时腐殖质吸附粒子形成更大面积的紧密沉积层；且由于形成的颗粒物表面粗糙，粒子与管材间存在较多孔隙，凸点孔隙处更易形成密集生长的晶体[31]。而中性实验组结垢为相互包络连接的疏松絮状物，呈无规则形态粘附在样片表面，该沉积物粘附力较低，晶间作用力相对较弱，沉积物不稳定(图3(b))。可能的原因在于中性配水中污染物浓度相对较低，腐殖质在其中发挥主要控制作用，与无机离子发生络合反应形成絮状物[32]。图3(c)显示，弱碱性环境中垢物呈现不规则晶体和鳞片被包裹的状态，可能是由于溶液中垢物晶体沉积在管材表面后，在有氧环境下晶体表面形成了生物膜，随着晶体和生物膜的生长，逐步形成生物膜和沉淀物相互粘附包裹的垢物[33]。

图3 不同pH值渗滤液中HDPE样片的SEM 图像

3.3 垢物成分

垢物样品的XRD分析结果见图4。结果发现各实验组垢物的组成基本相同，主要成分为CaCO3、NaCl、C14H9NO2(9-吖啶甲酸) 等。这与前人研究结果基本一致，如Manning等[34]发现渗滤液收集处理系统中的沉积物由方解石和黏土矿物组成，Maliva等[35]发现渗滤液收集系统中的垢物主要成分为钙类矿物混合物如文石 (CaCO3)、单氢方解石 (CaCO3·H2O)、方解石 (CaCO3)、白云石 (CaMg(CO3)2) 等。

图4 HDPE管材表面垢物的 XRD图谱

3.4 红外光谱分析

HDPE样片在结垢实验前后的傅里叶红外光谱(FTIR)见图5。从图5(a)中可以看出，管材原片FTIR曲线在3 567 cm-1及2 343 cm-1处的吸收峰是亚甲基-CH2的伸缩振动吸收峰，1 540 cm-1附近出现的尖锐吸收峰为C-H的面内弯曲振动吸收峰。结垢实验后，图5(b)显示在3462 cm-1附近出现较宽的-OH吸收峰，可能是由于垢物表面有吸附水的存在，3567 cm-1处的-CH2吸收峰被此宽峰掩盖，而2343 cm-1处的-CH2吸收峰依然存在，在1 637 cm-1处出现C=O伸缩振动特征吸收峰，这进一步表明了管材表面存有CaCO3垢物，与XRD的分析结果一致。

图5 结垢实验前后HDPE样片表面红外光谱

3.5 基于BP神经网络的结垢趋势预测

选择表1中前18组实验数据作为所建模型的训练样本，第19～23组作为测试样本。使用所建神经网络模型对测试样本进行结垢预测，结果如表2所示。利用相对误差衡量预测结果的有效性，5组测试样本的模型预测结果与实验结果的最大相对误差为17.4%，平均相对误差为11.7%，说明该模型的适应性较好，可以进行渗滤液输运管道结垢预测。此外，BP神经网络通过多次训练即网络迭代，不停地调整权值，以减小误差。从预测结果来看，选择18组样本作训练样本可基本满足训练要求。当样本数增加时，可能会提升模型的拟合效果，但训练时间也会延长，降低计算效率，后续可考虑适度增加训练样本，进一步测试模型的预测精度，观察样本数量对模型精度的影响。

表2 HDPE管材结垢预测结果

各水质因素对结垢的影响权重列于表3。可以看出，Ca2+和腐殖质对结垢量的影响较大，pH、COD、NaHCO3以及Cl-影响相对较小，各因素影响权重大小排序为：Ca2+＞腐殖质＞COD＞pH＞ NaHCO3＞Cl-。其中Ca2+权重最大，表明ρ(Ca2+)是影响管材结垢的关键控制因素，这与垢物主要成分是CaCO3的结果一致；其次为腐殖质，说明ρ(腐殖质)对结垢有一定促进作用，原因可能是腐殖质的吸附团聚作用以及腐殖质与金属离子的络合作用，共同为CaCO3沉淀及其晶体生长提供了有利条件[30]。这也进一步验证了垢物的SEM和XRD晶体成分的分析结果。渗滤液中厌氧微生物的生长代谢，消耗有机物产生碳酸和甲烷表现为COD和pH值的变化，并进一步影响HCO3-，但由于碳酸钙较小的溶度积，使得垢物沉淀消耗的CO32-较少，最终导致COD、pH和 NaHCO3对结垢的影响权重相对较小。

表3 管材结垢各水质因素影响权重

4 结束语

本研究基于管材样片在配置渗滤液中的浸置实验，以实验数据驱动BP神经网络构建了HDPE管材表面结垢预测模型，分析了模型的有效性以及不同水质因素对结垢的影响作用。结果表明：1）pH值、Ca2+、腐殖质、COD、NaHCO3和 Cl-浓度对管材表面结垢有不同程度的影响，ρ(Ca2+)为影响结垢的关键因素，权重为 0.356，ρ(腐殖质)、 ρ(COD)和 pH值对结垢过程有一定促进作用，其权重值分别为0.245、0.170和0.141；2）垢物的主要成分是CaCO3晶体，但不同组分含量的渗滤液中管材表面结垢过程有一定差异，结垢过程是矿物沉淀与腐殖质络合物相互粘附沉积的结果；3）所建BP神经网络结垢预测结果与实验结果的相对误差为11.7%，表明所建模型预测准确度较高，具有较好的场景适应性，能够用于渗滤液输运管材结垢趋势预测。为减缓输运管道结垢，应首先考虑减少高钙垃圾，如焚烧飞灰和炉渣等进入填埋场；其次可考虑在管道内通入填埋气做预处理，控制其在管道内的沉淀；此外，适度延长渗滤液在调节池中停留时间，可降低Ca2+含量，减缓输运管道结垢。