導語：管網(wǎng)水水質(zhì)預測研究論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要本文介紹了如何利用神經(jīng)網(wǎng)絡實現(xiàn)管網(wǎng)水質(zhì)預測，并針對管網(wǎng)水的二次污染提出了相應的對策，對提高管網(wǎng)水水質(zhì)和保證居民健康有一定的參考意義。

關鍵詞神經(jīng)網(wǎng)絡；管網(wǎng)水；預測

1引言

中國是一個干旱缺水嚴重的國家，是全球13個人均水資源最貧乏的國家之一。中國入世以來，伴隨著工業(yè)發(fā)展出現(xiàn)的水環(huán)境惡化，水質(zhì)下降等情況已經(jīng)嚴重影響到居民的生產(chǎn)和生活。管網(wǎng)水的質(zhì)量對人民的生活和生命舉足輕重。管網(wǎng)水的水質(zhì)是保證居民健康狀況的關鍵。而如此珍貴的飲用水，經(jīng)過地下管道中的“長途跋涉”后，才能最終抵達千家萬戶的水龍頭。可惜的是在此過程中，由于飲用水與輸送管道“親密接觸”而遭到二次污染，飲用水的清潔程度大打折扣。因此，加強管網(wǎng)水的水質(zhì)預測和預報對于預防管網(wǎng)水的二次污染和及時處理出現(xiàn)的二次污染問題具有重要的意義。

本文是在第一手管網(wǎng)水水質(zhì)實測數(shù)據(jù)的基礎上進行管網(wǎng)水水質(zhì)預測的。由于輸水管道的布局有很大差別，管道本身又可以看作一個系統(tǒng)，而且我們所討論的水質(zhì)實測數(shù)據(jù)時間序列是服從于線性關系還是非線性關系不易說明白，因此很難建立一個具體的數(shù)學模型來預測未來的水質(zhì)數(shù)據(jù)。本文將采用BP神經(jīng)網(wǎng)絡模型來預測管網(wǎng)水的水質(zhì)，并將預測值與實際值做了比較分析。針對管網(wǎng)水二次污染的原因，提出相應的對策。

2BP神經(jīng)網(wǎng)絡的基本簡介

1)BP網(wǎng)絡結構

BP網(wǎng)絡通常有一個或多個隱層，隱層中的神經(jīng)元均采用S型變換函數(shù)，輸出層的神經(jīng)元采用純線性變換函數(shù)。圖1描述了一個具有一個隱層的BP網(wǎng)絡。

圖1BP網(wǎng)絡模型結構

2)BP網(wǎng)絡的學習過程

目前在神經(jīng)網(wǎng)絡的實際應用中，絕大部分的神經(jīng)網(wǎng)絡模型是采用BP網(wǎng)絡和它的變化形式，BP網(wǎng)絡也是前饋網(wǎng)絡的核心部分，并體現(xiàn)了人工神經(jīng)網(wǎng)絡最精華的部分。BP神經(jīng)網(wǎng)絡一般由一個輸入層、多個隱層和一個輸出層構成，各層之間實行全連接。隱層中的神經(jīng)元均采用S型變換函數(shù)，輸出層的神經(jīng)元采用純線性變換函數(shù)。BP網(wǎng)絡的學習過程主要由四部分組成：

(1)模式順傳播：輸入模式由輸入層經(jīng)中間層向輸出層傳播。

(2)誤差逆?zhèn)鞑ィ壕W(wǎng)絡的希望輸出與網(wǎng)絡實際輸出之差的誤差信號由輸出層傳經(jīng)中間層向輸入層逐層修正連接權值。

(3)記憶訓練：“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸徒惶孢M行的網(wǎng)絡“記憶訓練”過程。

(4)學習收斂：網(wǎng)絡趨向收斂即網(wǎng)絡的全局誤差趨向極小值的“學習收斂”過程。

3預測管網(wǎng)水質(zhì)參數(shù)的BP網(wǎng)絡

BP網(wǎng)絡可以用于模式識別，即用一個特定的輸出矢量將其與輸入矢量聯(lián)系起來。我們所建立的模型是在有大量實測數(shù)據(jù)基礎之上的，數(shù)據(jù)庫中每天都有對PH值、硫酸鹽、硝酸鹽氮、氨氮、總硬度、永久硬度、氯化物、總堿度、耗氧量這九個水質(zhì)參數(shù)的實測記錄。我們選擇常用的3層BP神經(jīng)網(wǎng)絡來預測未來某一天的九個水質(zhì)參數(shù)。

為了使網(wǎng)絡預測值能夠達到與實測值無限的接近我們要對所建立的網(wǎng)絡進行訓練以獲得我們設定的誤差范圍內(nèi)的神經(jīng)網(wǎng)絡預測模型的每層的權值和閾值。然后通過訪問數(shù)據(jù)庫WaterQualityRecords讀出已有的實測數(shù)據(jù)并賦給輸入變量Variable；將最新一天的實測數(shù)據(jù)賦給TrueValue來檢測我們的預測值是否達到要求的依據(jù)。下面是讀取數(shù)據(jù)的m語言實現(xiàn)。

connA=database(''''WaterQualityRecords''''，''''''''，'''''''')；

%連接到數(shù)據(jù)庫

cursorA=exec(connA，''''SELECT*FROMWaterPlant'''')；%執(zhí)行SQL語句和打開游標

cursorA=fetch(cursorA)；

%讀數(shù)據(jù)到MATLAB單元數(shù)組

WaterDataBase=cursorA.Data；

%讀數(shù)據(jù)到WaterDataBase

fori=1：600

%前600天的數(shù)據(jù)賦給Variable

Variable=WaterDataBase(i，：)

end

TrueValue=WaterDataBase(601，：)；

%第601天的數(shù)據(jù)賦給TrueValue

與數(shù)據(jù)庫連接好以后就可進行網(wǎng)絡的自學習過程來訓練出網(wǎng)絡每層的權值與閾值。使用random陣列來產(chǎn)生網(wǎng)絡的初始權值與閾值。為了避免神經(jīng)網(wǎng)絡過訓練我們采用交互檢驗法：即將我們數(shù)據(jù)庫中的實測數(shù)據(jù)分為訓練集、檢驗集和測試集。首先用訓練集訓練網(wǎng)絡，依照BP算法調(diào)整網(wǎng)絡結構和參數(shù)；然后用檢驗集檢驗訓練好的網(wǎng)絡，進一步優(yōu)化網(wǎng)絡結構和參數(shù)，最終確定訓練網(wǎng)絡中最佳的一個；最后用測試集對未知樣本進行測試并檢驗網(wǎng)絡的計算精度。下面是學習及預測過程的m語言實現(xiàn)：

Matrix=zeros(30，width)；

NeuralI=100；

InData=zeros(NeuralI，6)；

GoalData=zeros(6，6)；

Neuralo=6；

[R，Q]=size(InData)；

[S2，Q]=size(GoalData)；

S1=6；

[w1b1]=rands(S1，R)；

[w2b2]=rands(S2，S1)；

max_epoch=400；%最大訓練步數(shù)

err_goal=0.01；%訓練目標

lr=0.01；%學習速率

NNTWARNOFF

forj=1：width

P=PingMeiWaterBase(j，1：end)；

simdata=P(end-NeuralI+1-31+x：end-31+x)''''；

fori=1：Neuralo

InData(：，i)=P(end-NeuralI-Neuralo-1+i：end-Neuralo-2+i)''''；

GoalData(：，i)=P(end-2*Neuralo+i：end-Neuralo-1+i)''''；

end

fori=1：max_epoch

A1=tansig(w1*Indata，b1)；

A2=purelin(w2*A1，b2)；

error=GoalData-A2；

D2=deltalin(A2，error)；

D1=deltatan(A1，D2)；

[dw1，db1]=learnbp(Indata，D1，lr)；

[dw2，db2]=learnbp(A1，D2，lr)；

w1=w1+dw1；

w2=w2+dw2；

ifsumsqr(error)<goal

break；

end

end

temp=purelin(w2*tansig(w1*simdata+b1)+b2)''''；

result(j)=temp(end)；

end

4預測值與實際值的比較

5比較結果的分析和水質(zhì)二次污染原因的尋求

從以上比較可以看出，預測值與實測值還是存在一定的誤差，這就說明出廠水在管道的傳輸過程中存在著使水質(zhì)變化的因素，下面是引起這種變化的原因：水在輸水管網(wǎng)流動過程中，一方面其中的一些化合物分解后與管材發(fā)生化學作用，另一方面水中殘存的細菌還可能再繁殖，形成管內(nèi)腐蝕、沉淀及結垢等情況。

(1)形成管道結垢的主要原因有：水對金屬管道內(nèi)壁的侵蝕，造成化學腐蝕和電化學腐蝕，產(chǎn)生氫氧化物沉積于管內(nèi)，是管道表面形成凹凸不平的沉淀；水中的鈣鎂離子和碳酸根離子化和形成CaCO3和Mg(OH)2難溶于水而形成水垢沉渣；水中以重碳酸鹽形式存在的鐵，經(jīng)水中溶解氧的作用，轉(zhuǎn)為絮狀沉淀的氫氧化鐵而沉淀在管內(nèi)底部；管道內(nèi)的生物性堵塞，特別是鐵細菌在生存過程中能吸收亞鐵鹽和排出氫氧化鐵形成凸起物，硫酸鹽還原菌將硫酸鹽還原成硫化物，從而加快了管道的腐蝕結垢速度；水中懸浮物特別是直接向管網(wǎng)輸水的井水，往往使井中的粉砂、細沙隨水流帶入管內(nèi)，尤其是生物的聚積性黏附性能，使這些懸浮無機物很容易在管道內(nèi)沉積。資料表明，這種管道結垢層的厚度會隨時間的延續(xù)不斷的增加，使管道有效截面積逐漸縮??；同時也提供了很好的細菌孽生場所，微生物附著生長從而形成“生物膜”(也稱“生長環(huán)”)。美國在管道生物膜中檢出28種細菌[3]。因此管內(nèi)結垢層既影響水質(zhì)，又影響管道的輸水能力。

(2)管道及附屬設備受到污染：管道在穿越已污染的地下水或污水的地段若出現(xiàn)管道穿孔、閘門滲漏、接口漏水等問題未得到及時修復，一旦施壓或停水，污水就可能流入館內(nèi)，引起污染。管道上的沖洗排水閘接口低于河水位或接至下水管道中，若閘門關閉不嚴，則會引起污水倒灌，造成管網(wǎng)水污染。管道爆裂漏水，關閘后形成負壓，臟水吸入管道內(nèi)，管道修復后由于未及時沖排，形成污染。

(3)管網(wǎng)管理不善造成管網(wǎng)水質(zhì)的污染：新鋪設管線竣工后，沒有嚴格按照必須高速沖洗，消毒液浸泡(24小時以上)、清水沖洗的要求去做，致使投入運行后對整個管網(wǎng)水質(zhì)產(chǎn)生影響。沒有對管網(wǎng)的死水區(qū)、線路終端等部位進行定期方水沖洗，使死水區(qū)水質(zhì)下降。沒有對管網(wǎng)定期進行清管、刮管和襯涂內(nèi)壁。在舊管維修或更換后，急于供水，沒有按照要求進行管道的沖洗和消毒。

6二次污染的防治措施

(1)改進水廠工藝水平，提高出廠水的水質(zhì)及其穩(wěn)定性。如果出廠水不穩(wěn)定或含鐵量較高、或水廠常有出渾水現(xiàn)象等，水在管道流動過程中易發(fā)生腐蝕、結垢和沉淀等現(xiàn)象。

(2)選擇合理的消毒劑。研究表明氯胺在控制生物膜方面比自由氯更有效果。但有研究表明，氯胺的濃度要在某一臨界值以上才能有效控制鐵管上生長的生物膜。資料說明：要使附著的細菌失活，余氯胺濃度維持在2.0mg/L是必要的。

(3)推廣應用新型材料管材，如硬聚氯乙烯管(UPVC)，高密度聚乙烯管(PEX)，聚丁烯管(PB)，鋼塑復合管等。這類管材內(nèi)壁光滑，耐腐蝕，無污染，適用于建筑物內(nèi)冷水、熱水和飲用水的系統(tǒng)。

(4)合理制定管網(wǎng)沖洗計劃，管網(wǎng)沖洗主要是利用消防栓和排水閘。從主管至消防栓一般都有5~10m左右的管道，而該段管道內(nèi)的水由于消防栓的長期不用而成了“死水”，影響水質(zhì)。為了解決這個問題就必須定期排放消防栓。為了保證沖洗效果，宜采用單向沖洗，即沖洗時把一段閥門關閉，使單向來水，然后再關閉另一端閥門，沖洗另一端管道。

(5)建立水質(zhì)檢查制度，由衛(wèi)生防疫部門定期對二次供水設施的出水進行水質(zhì)監(jiān)測，發(fā)現(xiàn)問題及時處理。

7結語

防治二次污染，改善管網(wǎng)水質(zhì)的根本措施是提高出廠水水質(zhì)，并力求保證出廠水水質(zhì)的穩(wěn)定，使管網(wǎng)不易結垢和腐蝕；其次，加快城市舊網(wǎng)改造步伐，推廣應用新型管材及內(nèi)防腐材料，并定期沖洗管網(wǎng)，加強對二次供水設施的清洗管理，及時檢漏、堵漏等，盡可能消除對管網(wǎng)造成二次污染的隱患，提高城市供水的安全。

參考文獻

[1]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M]．機械工業(yè)出版社

[2]高延耀，顧國維.水污染控制工程[M]北京.高等教育出版社

[3]求是科技編著．MATLAB7.0從入門到精通[M]．北京：人民郵電出版社

[4]任基成，費杰主編．城市供水管網(wǎng)系統(tǒng)二次污染及防治[M]．中國建筑工業(yè)出版社

[5]聞新，周露，王丹力，熊曉英.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京.科學出版社，2001