固废建材重金属溶出趋势预测分析

摘 要：【目的】针对固废建材中重金属的溶出量的预测控制效果不佳问题，提出了一种基于长短期记忆（Long Short-Term Memory，LSTM）神经网络的重金属溶出预测模型。【方法】首先采用该模型对颗粒状及块状免烧砖中Cr、Zn和Pb等重金属元素的溶出量进行预测和分析。其次为进一步提高模型的适用性和训练收敛速度，对Adam算法的参数进行了优化。最后采用改进的预测模型对块状免烧砖中的Cr、Zn和Pb的溶出量进行模拟预测验证。【结果】在对块状免烧砖的重金属溶出预测中，该模型对Cr、Zn和Pb预测的决策系数R2均大于0.97，预测结果较为准确。【结论】该模型对固废建材中的重金属释放控制具有指导意义。

关键词：固体废物；重金属；溶出；预测

中图分类号：X75" " " "文献标志码：A" " 文章编号：1003-5168（2024）22-0078-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.22.016

Prediction and Analysis of Heavy Metal Leaching Trend in Solid Waste Building Materials

Abstract：[Purposes] Heavy metal leaching prediction model based on Long Short Term Memory （LSTM） neural network was proposed to address the poor predictive control effect of heavy metal leaching in solid waste building materials. [Methods] The model was used to predict and analyze the leaching amounts of heavy metal elements such as Cr， Zn， and Pb in granular and block shaped unburned bricks. To further improve the applicability and training convergence speed of the model， the parameters of the Adam algorithm were optimized. Adopting an improved prediction model to simulate and verify the leaching amounts of Cr， Zn， and Pb in block shaped unburned bricks. [Findings] The results indicate that the prediction of heavy metal leaching from block shaped unburned bricks， the decision coefficients R2 of the model for predicting Cr， Zn， and Pb are all greater than 0.97， which indicates a relatively accurate prediction result. [Conclusions] This study has significance for the control of heavy metal release in solid waste building materials.

Keywords： solid waste; heavy metal; leaching; prediction

0 引言

固体废物是指在生产、生活和其他活动过程中产生的丧失原有的利用价值或虽未丧失利用价值但被抛弃或者放弃的固体、半固体和置于容器中的气态物品、物质及法律、行政法规规定纳入废物管理的物品、物质［1］。我国是固废大国，建材行业一直都是固废资源化、减量化、无害化的最大承接者［2］。在“双碳”目标的推进过程中，建材产业一直是固体废弃物综合利用的主要途径之一［3］。国内外许多学者开展了固体废弃物建材重金属溶出的相关研究。有的学者针对不同材料中重金属溶出影响因子展开研究［4-5］。有的学者利用数学模型或基于物理模型对重金属溶出进行计算模拟［6-9］，但相关方法的准确性不足，对重金属长期释放量的预测容易出现较大的偏差。王圣伟等［10］利用LSTM原理构造了对流域污染物重金属含量进行精准预测的预测模型；娄天泷［11］提出了针对多元复杂非线性系统的PS-LSTM预测方法对环境重金属含量进行预测。

随着信息技术的发展，在重金属溶出预测领域已有很多种研究方法，但是缺乏一种专业、稳定、高精准度的预测方法。本研究在试验的基础上，通过对不同溶出条件、不同材料特性、不同溶出时间的固废建材重金属溶出数据分析，提出一种基于LSTM模型的固废建材重金属长期溶出趋势预测模型，以丰富固废建材化的环境安全研究理论和实践。

1 基本理论

1.1 LSTM神经网络

LSTM每个单元结构包括遗忘门、输入门和输出门，如图1所示。

其模型关系表达式如式（1）至式（6）。

式中：Ct表示t时刻状态；Ct-1表示t-1时状态信息；Wt、[Wi]、[WC]与[Wo]表示权重矩阵。[ot表示输出门在t时刻的向量值；ft]表示遗忘门在t时刻向量值；ht-1表示t-1时刻的输出；xt示遗忘门t时刻的输入；bf、[bo]、[bi]与[bC]表示偏置系数；it表示更新概率；[σ]与RELU为激活函数。[ℎt]表示t时刻的输出。

1.2 模型评价指标

为评估模型性能，采用回归模型评价中常用的评价指标均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和决策系数R2评价模型预测效果。具体计算公式见式（7）至式（10）。

式中：xi为重金属溶出的真实值；[xi]为其平均值；yi为重金属溶出预测值；n为测试样本个数。

2 预测模型构建及分析

2.1 试验设计

以温度、时间、pH值、粒径等影响重金属溶出量因素为变量，设计重金属溶出试验。试样中重金属元素额外添加，添加的重金属种类和质量分数为：Cr2O3、PbO、ZnO各0.4%。

2.2 数据采集与处理

经多次试验，共获取试验样本数据78组。为保证试验所用数据的一致性和准确性，对试验样本数据进行了一致性检查、无效数据和缺失数据处理。由于样本数据较为稀疏，在模型训练前，对样本数据进行双线性插值处理，以扩充数据。

2.3 模型建立及预测

①在汇总整理有关固废建材重金属溶出的数据之后，选取温度、时间、pH值、粒径、重金属溶出量作为参数，基于LSTM模型对不同粒径（颗粒状及块状）的免烧砖构建重金属溶出预测模型。

②将试验数据分为训练数据集和验证数据集。利用训练数据集对构建的模型进行训练，并利用验证数据集进行模型验证。预测效果达到评价指标要求后，完成模型的训练。

③用训练好的模型对待测材料进行重金属溶出的预测，得到预测结果。

2.4 模型分析

颗粒状免烧砖重金属溶出模拟结果如图2所示，重金属溶出预测结果的评价指标值见表1。

块状免烧砖重金属溶出模拟结果如图3所示，预测结果的评价指标值见表2。

模型预测效果与RMSE、MAE和MAPE成反比，与R2成正比，故由表1和表2可知，在对颗粒状免烧砖的初步模拟中Pb溶出率的预测效果较好；对块状免烧砖的初步模拟中Cr溶出率的预测效果较好，Pb溶出率的预测效果较差。对Pb的测试观察可得，块状免烧砖的溶出结果中达到溶出量最大值的时间要比颗粒状的靠后，分析其原因主要与不同粒径的免烧砖对Pb的固定化作用有关。

3 模型优化

为进一步提高模型的适用性和训练收敛速度，针对原始数据的极值点问题，模型采用三阶B样条插值算法替换双线性插值算法；同时，对Adam算法的参数进行了优化。经过优化后，本研究采用改进的预测模型对另一组块状免烧砖中的Cr、Zn和Pb的溶出量进行模拟预测验证，结果如图4所示，评价指标值见表3。由表3可知，优化后模型的R2值整体优于优化前，优化效果明显。

4 结论

本研究基于LSTM建立固废建材重金属溶出模型，预测了Cr、Pb和Zn的溶出变化规律，结论如下。

①对颗粒状及块状免烧砖的重金属溶出预测表明，对块状免烧砖的预测结果较好，主要与材料自身的内部结构有关。

②通过对模型优化，Cr、Zn、Pb的决策系数R2分别达到0.973 4、0.999 7、0.997 1，提高了模型预测准确性。

参考文献：

［1］王鹏，夏冬前. 关于正确区分固体废物与副产品/副产物工作的探讨［J］. 山东化工， 2022， 51（15）： 208-209， 212.

［2］向鹏.一矿一“方” 炼“废”为宝：专访湖南大学固废资源化与绿色应用交叉团队带头人吴振军［J］.高科技与产业化，2023，29（9）：24-27.

［3］吴长亮. 煤矸石协同多源固废多级利用制备功能性透水混凝土的试验研究［D］. 济南：山东大学，2023.

［4］陈博， 韩龙喜， 张奕. 矿业活动固体废弃物中重金属溶出迁移规律研究进展［J］. 四川环境， 2016， 35（6）： 143-149.

［5］ 从辉， 耿宏志. 铅锌尾矿中重金属浸出特性分析［J］. 广州化工， 2019， 47（20）： 70-75.

［6］熊有为， 王洪江， 胡凯建. 基于Origin的溶浸浸出率预测模型研究［J］. 黄金， 2011， 32（9）： 25-27.

［7］HAQUE A M.A statistical comparison of mathematical models for heavy metal leaching phenomena from solidified landfill waste mortar［J］.Chemical Product and Process Modeling，2016，11（2）：167-183.

［8］徐斌，赵玲芹，胡艳军，等.基于Geostudio软件分析垃圾焚烧炉渣道路回填时重金属溶出迁移规律［C］//中国环境科学学会2021年科学技术年会： 环境工程技术创新与应用分会场论文集（三），2021-08-30，中国天津：工业建筑杂志社有限公司，2021：456-460，504.

［9］YE Z X，HONG S，HE C，et al. Evaluation of different factors on metal leaching from nickel tailings using generalized additive model （gam）.［J］.Ecotoxicol Environ Saf，2022，236：113488-113488.

［10］王圣伟， 李萍， 娄天泷， 等. 基于多元混沌时间序列PS-LSTM污染物预测模型［J］. 传感器与微系统， 2022， 41（4）：117-120.

［11］娄天泷.基于多元混沌序列环境重金属LSTM预测改进［D］.兰州：西北师范大学，2020.