城市生活污水污染物排放浓度监测技术研究

张帆

摘要：随着城市化进程的不断加速，城市生活污水排放量急剧增加，因此提出城市生活污水污染物排放浓度监测方法。对采集到的城市生活污水污染物排放数据展开处理，建立BP神经网络模型识别不同类型的城市生活污水污染物，判断监测设备的启停状态，完成实时监测。选取石家庄作为研究对象，实验结果表明，所提方法可以精准且实时监测城市生活污水污染物排放浓度变化规律。由此证明，该方法可以为城市污水治理工作提供科学依据，为实现环境保护和可持续发展作出积极贡献。

关键词：城市生活污水；污染物排放；浓度监测；BP神经网络

中图分类号：X830.2 文献标志码：B

前言

随着城市人口的快速增长和工业化进程的推进，城市生活污水污染成为当今社会一个严峻的问题。城市生活污水中含有大量的有机物、氮、磷等污染物，未经适当处理直接排放，将给水体造成严重污染。现阶段，由于和城市发展配套的污水处理系统较少，所以造成城市环境污染问题日益严重，对人们的生活和工作均造成了不同程度的影响，严重阻碍社会经济的快速发展。在城市生活污水处理过程中，为了确保治理效果和减少对自然环境的影响，监测污水污染物排放浓度就显得尤为关键。通过对污水排放口处的监测数据进行分析，不仅可以评估治理效果，还能预警潜在的排放异常情况，为及时采取控制措施提供科学依据。侯轶仁等人通过传感器协同技术以及远程数据传输技术建立船舶生活污水排放监测系统，完成污水排放实时监测。傅松哲利用宏基因组测序技术实现污水监测处理，提高污水治理效果。胡月琪等人根据实际需求确定了对应的污水排放口监测点，为污水监测提供有效的技术保障。在以上研究方法基础上，提出一种城市生活污水污染物排放浓度监测方法，引入无线传感网络采集城市生活污水污染物排放浓度数据，利用BP神经网络模型优化监测技术，实现污染物排放浓度监测。

1 城市生活污水污染物排放浓度监测方法

无线传感网络是一种分布式传感网络，采用末端网络实现对外部传感器的感知和检测处理。通过传感器采集城市生活污水污染源数据，利用无线传感网络终端节点展开数据传输。由云平台以及对应小程序实现人机交互。将无线传感技术和Wi- Fi技术作为数据传输的基础，监测终端位于系统最前端，将全部终端节点均匀分布在需要采集城市生活污水污染物排放区域。其中，通过数据采集模块采集各个排放区域内的生活污水污染物排放浓度数据，通过无线传感网络模块对采集到的数据进行处理及保存，并将数据传输至协调器，确保网络中各个端点的正常运行。

在数据采集后，手动标记不同城市生活污水污染源类型，建立城市生活污水污染源特征数据集。引入BP神经网络构建城市生活污水污染物识别模型：

式（1）中，p和q分别代表输入和输出层节点数量；β代表调节参数。

通过BP神经网络模型完成城市生活污水污染物识别，同时判定监测设备的启停状态，实时监测城市生活污水污染物排放浓度变化情况。

2 监测结果与分析

2.1 监测点和采样时间设定

实验选取石家庄某一住宅小区作为研究对象，采用第2小节提出的监测方法展开生活污水污染物排放浓度监测。对住宅小区2022年1月-12月展开生活污水污染物排放浓度监测，采样时间为每天10点至16点。采集到的样品均在24小时内展开分析。（见图1）

2.2 监测指标和测定方法

主要监测指标以及对应的测试方法为：

（1）COD：重铬酸钾测定；

（2）TN：过硫酸钾氧化紫外分光光度测定（选取原样测定）；

（3）TP：采用滤膜过滤后的水样测定；

（4）NH3 -N：纳式分光光度法测定。

2.3 污水污染物排放浓度监测结果分析

2.3.1 周期内指标浓度变化结果

对住宅小区各个季度（春季：3 -5月；夏季：6 -8月；秋季：9 -11月；冬季：12 -2月）的污水污染物排放浓度展开了4个周期的监测，各个监测指标对应的变化情况见表1。

通过表1可知，COD浓度在春季和秋季相对较低，在夏季和冬季相对较高，这可能与夏季气温高、有机物易分解以及冬季取暖导致有机物排放增加有关。TN的浓度在夏季相对较高，可能与夏季降雨量大、雨水冲刷地表带人大量氮素有关，在冬季，TN的浓度相对较低，可能与冬季气温低、生物活动减弱有关。TP的浓度在夏季相对较高，可能与夏季气温高、藻类生长旺盛导致磷的释放增加有关，在冬季和春季，TP的浓度相对较低，可能与气温低、生物活动减弱有关。NH3 -N的浓度在不同季节间的变化相对较小，可能与NH3 -N的来源比较稳定有关，然而，在夏季，NH3 -N的浓度相对较高，可能与夏季气温高、有利于氨的挥发有关。

2.3.2 不同类型用水污染物排放浓度变化情况

住宅小区不同类型用水污染物排放浓度变化情况见表2。

通过表2可知，不同类型用水的污染物排放浓度存在显著差异。由于大小便用水含有人体废物和粪便等有机物较多，因此COD和、TN、TP、NH3 -N浓度相对较高。厨房用水中通常含有油脂、食物残渣等有机物，因此COD的浓度较高，而TN和TP的浓度较低，表明厨房用水中氮磷等污染物的排放较少。洗漱用水中可能含有牙膏、肥皂等化学物质较多，导致COD的浓度较高。洗浴用水中一般含有洗发水、沐浴露等洗涤剂，使得COD的浓度较高，而其他污染物的浓度相对较低。洗衣用水的TP浓度较高，这主要与洗涤剂中的磷含量有关。

2.3.3 不同方法下的城市生活污水污染物排放浓度监测性能结果

选择文献[3]方法和文献[4]方法作为对比方法，分析不同方法的城市生活污水污染物排放浓度监测性能，具体结果见图2。

通过图2可知，所提方法获取的生活污水污染物排放浓度监测值和真实值基本吻合，而对比方法获取的真实值和监测值之间存在一定的误差。这是因为所提方法手动标记不同城市生活污水污染源类型并建立相应的特征数据集，为后续的模型训练提供了高质量的数据基础。引入BP神经网络构建城市生活污水污染物识别模型，通过不断调整网络权重逼近真实非线性关系，有效处理复杂污水污染物识别问题，提高监测准确度。

3 结束语

监测城市生活污水污染物排放浓度是评估水体污染程度的重要手段，同时也是制定治理策略的基础。为了实现城市污水的有效管理，文章提出城市生活污水污染物排放浓度监测方法。通过收集并处理城市生活污水污染物排放数据，使用BP神经网络模型对生活污水污染物进行识别和分类，实现污水污染物排放浓度实时监测。选取石家庄某一住宅小区作为研究对象展开实验分析，由于夏季用水量较大，所以夏季污水污染物排放浓度值较高且人体排泄物中的污染物较多。通过对比测试得出所提方法的生活污水污染物排放浓度监测准确度较高，能够精准掌握污染物排放浓度变化情况。因此，通过研究以期为城市污水治理工作提供科学依据。