揭示老化饮用水供应系统中的氯需求及水质变化:通过建模和预测性人工智能技术补充实验结果
《Desalination and Water Treatment》:Unveiling the chlorine demand and decay in aged drinking water supply systems: Complementing experimental results with modelling and predictive artificial intelligence
【字体:
大
中
小
】
时间:2026年05月01日
来源:Desalination and Water Treatment 1
编辑推荐:
唐纳德·马潘加(Donald Maphanga)| 马普拉·卢西·马冯古(Mapula Lucey Mavhungu)| 卡图楚谢洛·利利思·穆埃迪(Khathutshelo Lilith Muedi)| 维哈汉格韦莱·马辛迪(Vhahangwele Masindi)| 斯皮罗斯
唐纳德·马潘加(Donald Maphanga)| 马普拉·卢西·马冯古(Mapula Lucey Mavhungu)| 卡图楚谢洛·利利思·穆埃迪(Khathutshelo Lilith Muedi)| 维哈汉格韦莱·马辛迪(Vhahangwele Masindi)| 斯皮罗斯·福特伊尼斯(Spyros Foteinis)
南非比勒陀利亚西区斯塔茨阿蒂利里路(Staatsartillirie Rd)0183号,茨瓦内理工大学(Tshwane University of Technology)化学、冶金与材料工程系
**摘要**
水传播疾病每年导致超过一百万人死亡,其中腹泻是全球南方五岁以下儿童的主要死因。令人震惊的是,有22亿人(接近全球人口的四分之一)无法获得安全饮用水,而在全球南方,即使是自来水也可能不可靠且不安全。这凸显了在这些环境中进行强有力的氯需求和衰减测定的必要性。实验研究是不可或缺的,但由于众多因素(如温度、pH值和水质)在起作用,且这些因素往往以非线性方式相互作用,因此应通过建模(包括机器学习(ML)来补充实验研究。本文开发了一种基于并行一级氯衰减模型(PFOM)的AI驱动的ML模型,用于预测南非老化饮用水分配网络中的氯消耗和衰减情况。该ML模型量化了氯衰减参数之间的协方差(R2 = 0.0002-0.08),并成功确定了适合实验数据的最佳神经网络配置。使用ML对氯衰减进行建模简化了过程并节省了时间。氯需求与氯剂量呈线性相关(R2 = 0.95),最佳氯剂量为6.30 mg/L,这反映了处理水中存在大量消耗氯的物质,同时也表明了氯消毒副产物(DBPs)的形成问题,使得ML的应用变得不可或缺。该ML模型还应与溶质传输模型结合使用,通过基于线性回归的氯衰减模型来模拟距离对氯剂量的影响。
**1. 引言**
水传播疾病仍然是全球南方的一个严重问题[1],不安全的水供应加上水资源短缺、基础设施不足(尤其是废水处理设施)以及贫困,阻碍了人们获得卫生设施,从而导致不良的卫生习惯[2]。因此,每年有超过一百万人死于伤寒、霍乱、肝炎和腹泻等疾病,其中腹泻是五岁以下儿童的主要死因,尤其是在非洲国家[3]、[4]。问题的严重性体现在大约17亿人使用被粪便污染的饮用水源,而更多人(22亿人)无法获得安全饮用水,主要发生在全球南方[3]。
因此,与饮用水相关的传染病极大地影响了全球南方当地社区的健康、经济、社会和文化方面[5],不安全的水、卫生设施和卫生条件(WASH)每年导致近40万名五岁以下儿童死亡[6]。在非洲,这一问题尤为严重,据估计有1.9亿儿童受到不安全WASH条件的影响[7],甚至自来水对于最终用户来说也可能不安全,因为在饮用水分配网络(DWDNs)中传输过程中水质可能会恶化[8]。在这些环境中,主要关注的是维持安全的氯含量,通常是在DWDNs的末端,因为消毒后剩余的氯可能已被完全消耗[9]。
具体来说,氯在大量水中以及管道和储罐表面(生物膜)中通过与有机物质(尤其是天然有机物NOM)和无机物质的反应而被消耗[10]。这些相互作用会消耗剩余的氯含量,当这些氯完全耗尽时,就无法防止微生物再生和再次污染[11]。为了避免这种情况,全球南方经常采用过度氯化,即游离氯浓度远高于世界卫生组织规定的最大限值5 mg/L[9]。这一指导原则被认为是保守的,因为它主要关注美观影响,但过度氯化会带来许多问题,特别是会在饮用水中形成有毒和有害的消毒副产物(DBPs)[14]。然而,在不损害DBPs形成的前提下维持DWDNs内足够的剩余氯含量是一项困难的任务,因为温度、pH值和水质等不同因素通常以非线性方式影响氯的消耗[15]。
水质模型可以估计氯的衰减,从而确定DWDNs中的最佳氯剂量[16]、[17]。建模通常依赖于一级氯衰减模型(该模型采用单一反应物简化方法[18]),或者并行一级模型(PFOM),后者考虑了快速和缓慢的氯消耗反应[11]、[19]。然而,即使更为稳健的PFOM也无法涵盖实际DWDNs中的重要因素,如季节性影响、温度波动、生物膜以及管道壁的相互作用,这些因素会以非线性方式影响氯的消耗。在南非等全球南方国家,这种情况尤为重要,因为老化的基础设施和次优的施工实践(例如,将水管铺设在地面附近或甚至在地面上[9])极大地影响了水质。
为了准确捕捉这些相互作用并考虑其非线性,需要更强大的工具,而人工智能(AI)的最新进展为在DWDNs建模中整合预测性能工具(如机器学习(ML)提供了绝佳机会[20]。AI驱动的方法(如ML)利用历史数据和/或实时数据来建模复杂系统,识别和确定变量相关性,并预测未来性能[21]。使用Python等工具实现的ML算法也被发现对于预测全球北方DWDNs中的氯残留量很有前景[22],但除了少数有限的研究案例(如[23]、[24])外,它们在全球南方的实际DWDNs中的应用仍然有限。
基于此,我们使用Python编程语言开发并训练了一个ML算法,以预测全球南方实际DWDNs中的氯浓度,并确定建模参数与氯剂量之间的关系。为此,本研究采用了两阶段方法。首先,从向DWDNs供水的处理厂收集水样,并通过实验室中的瓶装测试确定初始氯消耗和衰减率,以此来训练ML算法。其次,在ML算法训练完成后,从DWDNs的14个选定点收集水样,这些样本主要用于验证ML算法的建模结果。我们注意到,虽然瓶装测试仅代表氯的总体消耗和衰减,但AI驱动的ML算法也考虑了DWDNs中的壁面衰减,这一点在验证阶段得到了考虑。所开发的ML算法可以为这一特定环境中的氯剂量优化提供信息,并通过复制确保在整个DWDNs中保持足够的氯含量,同时不损害DBPs的形成,从而保护公共健康。据我们所知,这是南非(一个典型的全球南方国家)的首项研究,该研究使用人工神经网络(ANN)来训练和验证用于预测DWDNs内水质的ML模型。该模型考虑了非线性的氯消耗和衰减反应,并预测了最佳氯剂量,远远超出了传统PFOM方法的应用范围。
**2. 材料与方法**
2.1. 研究对象的饮用水分配网络
作为案例研究的DWDN位于南非西北省,由一个日处理能力约为70百万升的处理厂供水,通过直径500毫米的管道输送,总长度为45公里。液态氯作为主要的后消毒剂使用,而在氯耗尽的末端,使用高浓度次氯酸盐(HTH)来补充剩余氯。有关处理厂和研究中的DWDN的更多详细信息,请参见其他文献[9]。
2.2. 建模方法、样本收集和实验程序
本研究首先使用PFOM来估计氯的消耗和衰减,并使用均方根误差(RMSE)评估实验室结果的精确度和准确性。为此,从向DWDNs供水的处理厂手工收集水样,使用消毒过的25升高密度聚乙烯(HDPE)容器。然后将收集的水样转移到经过SANS/ISO/IEC-17025认证的实验室,并在1升SCHOTT DURAN?实验室玻璃瓶中进行实验,以确定氯的消耗和衰减情况。为了模拟DWDNs中的实际处理条件,准备了含有70%次氯酸钙(Ca(OCl)2颗粒的HTH工作溶液,并将其稀释到不同的浓度用于氯化研究。检查了从2.5 mg/L到20 mg/L的初始氯剂量,以捕捉分析中的异常值。然后使用线性回归(拟合优度)来阐明PFOM参数与初始氯剂量之间的关系。氯消耗和衰减的结果用于基于PFOM训练开发的ML算法。
我们注意到,实验室实验(瓶装测试)只能估计氯的总体消耗和衰减,但它们也存在一些局限性。例如,在实际DWDNs中,管道的使用寿命和附着的生物膜等因素可能会显著影响氯的需求和衰减。此外,停留时间(例如,在实际DWDNs中,纵向扩散和水混合会影响水的年龄,从而影响氯的衰减,而在水瓶中,水的老化是均匀的);水力条件(例如,速度、剪切应力和压力在DWDNs中变化,而生物膜也可能脱落,从而增加氯的衰减);玻璃瓶中的空气-水(顶空)相互作用也会影响结果。然而,使用实际供应DWDNs的水样可以获得相对准确的氯总体消耗和需求估计。进一步确定了总体衰减系数,这可以为实际DWDNs的水力和水质输入提供信息。总体而言,使用实际饮用水进行的瓶装测试提供了关于氯需求和总体衰减的良好见解,这些信息随后用于训练ML模型。然而,为了更好地捕捉DWDNs中的上述因素并包括壁面消耗和衰减的影响,还从DWDNs的不同点收集了实际水样。具体来说,在算法训练完成后,使用消毒过的玻璃瓶从DWDNs内的14个选定点收集水样,并测量氯含量,以验证ML建模结果,并扩展其在DWDNs中遇到的壁面衰减相互作用的准确性。
2.3. 水质分析
在整个研究中,使用Hach HQ40d便携式多参数仪表(Hach公司,美国)测量pH值和电导率(EC),并使用标准缓冲溶液进行校准。总氯和游离氯使用Hach DR900色度计(Hach公司,美国)进行测量,样品分析遵循标准程序,如其他文献所述[25]、[26]。
2.4. 氯衰减建模
2.4.1. 并行一级氯衰减模型
DWDNs中氯的衰减建模采用了PFOM中考虑的快速和缓慢氯衰减阶段的组合(公式1)。
(1) Clt = Cl0 * e^(-k1 * t) + (1 - x) * Cl0 * e^(-k2 * t)
其中,Clt是时间t(分钟)时的氯浓度(mg/L),Cl0是初始氯剂量(mg/L),k1是快速氯衰减率(1/分钟),k2是缓慢衰减率(1/分钟),x是区分快速和缓慢氯浓度的建模系数[10]。
2.4.2. 人工网络模型
人工网络模型方程见公式2。
(2) Clt = a * e^(-bt) + c
其中Cl(t)表示时间t(分钟)时的氯浓度(mg/L),a是活性氯(mg/L),b是总体氯衰减率(1/分钟),c是氯残留量(mg/L)。
2.4.3. 氯的质量守恒
可以通过考虑扩散和反应过程来近似描述大量水中的物质传输。鉴于管道壁内的水流速度被认为是零,可以使用(3)和(4)建立氯的质量平衡方程,该方程随时间变化。[3]?CCl?t+?.JCl+u.?CCl=RCl [4]JCl=?D?c其中,CCl是氯的浓度(mol/m3),DCl是扩散系数(m2/s),RCl是氯反应速率的表达式(mol/m3·s),u是质量平均速度向量(m/s),JCl是氯的扩散质量通量(mol/m2·s)[27],[28]。氯的衰减化学质量传输机制符合一维平流-扩散反应模型,在消除源项和汇项后,剩余的方程由方程(5)表示[29]。 [5]?Ci(x,t)?t︸advection+Vi?Ci(x,t)?x︸dispersion+D?2Ci(x,t)?x2︸chemicalandbiologicalreaction+RCix,t=0。其中,i是管道分支,Ci(x,t)是给定时间(t)和位置(x)处的氯浓度,Vi是管道I中的平均速度,D是纵向扩散系数,R(Ci(x,t))是反应速率[29]。2.4.4. 流体流动通道对整体衰减的影响DWDN管道内的流动通常发生在低速下,因此被视为层流。因此,流体运动使用纳维-斯托克斯方程(6)和(7)进行近似:[6]ρ?u?t+ρu.?u=?.?Pl+τ+F [7]?ρ?t+?.ρu=0其中,ρ表示流体密度(kg/m3),u是流体速度(m/s),τ是粘性应力张量(Pa),F是体积力向量(N/m3),P是压力(Pa)[30]。2.4.5. 雷诺平均物种传输对氯衰减的影响雷诺平均物种方程可用于模拟氯的平流、扩散和反应,如方程(8)所示。[8]?C?t+υ.?C???D+DtC=Sp其中,Sp是示踪剂浓度(质量/m3),C是氯浓度(质量/m3),υ表示运动粘度(m2/s),D是分子扩散系数(m2/s),Dt是湍流分子扩散系数(m2/s)[8]。2.5. 基于线性回归的氯衰减模型基于线性化的整体衰减系数和初始氯剂量定义了基于回归的氯衰减率模型,如方程(9)所示。[9]1K=1β+K0C0其中,K是整体衰减率系数(1/min),C0是初始氯剂量(mg/l),β(1/min),K0(l.min/mg)是模型参数[31]。2.6. 均方根误差通过线性回归确定了氯衰减模型的精度,即通过计算实验测量的氯浓度与机器学习(ML)预测值之间的均方根误差(RMSE),如方程(10)所示。[10]RMSEmgL=∑Clactual?Clpredicted2n其中,Clactual是实验测量的氯浓度(mg/L),Clpredicted是PFOM预测的氯浓度(mg/L),n是数据点数量[11]。2.7. 决定系数模型的拟合优度通过RMSE和决定系数(R2)来评估模型对实验数据的拟合优度。这里,R2用于推断误差,并按方程(11)计算[22]。 [11]R2=n∑xy?(∑x)(∑y)n(∑x2)?(∑x)2?(∑y)2?(∑y)22.8. 神经网络模型设置为了推断输入参数与DWDN系统中氯衰减速率之间的任何非线性关系,使用PFOM结果开发并训练了一个神经网络(NN)模型。NN建模可以使用ML算法预测DWDN中随时间和距离变化的氯衰减[32]。这里使用了前馈神经网络(FNN)架构,采用单向数据流,即数据仅从输入层向前移动到隐藏层,最后到输出层。具体来说,为了预测氯浓度,输入层考虑了各种水质参数,包括有机物、温度和pH值,以及初始氯浓度,从而捕捉了残余氯与水质参数之间的复杂关系[23]。隐藏层处理数据,包括嵌入模型中的方程,这有助于训练模型以应对实际DWDN中的氯需求和衰减。通过这种方式,NN执行了水质参数与氯衰减之间非线性关系的预测映射。最后,输出层包含了DWDN内随时间和距离变化的氯消耗和衰减的建模值(图1)。下载:下载高分辨率图像(145KB)下载:下载全尺寸图像图1. 饮用水供应系统中氯衰减和需求的ML模型。如图1所示,训练机器学习算法的方法采用了逐步 approach。具体来说,第一步是氯衰减的实验设计,第二步是将氯衰减数据存储在数字数据库(MySQL)中,以便进一步处理并纳入模型。第三步基于ML算法和多线性回归,用于PFOM和ANN模型的性能评估。3. 结果与讨论3.1. 实验测量值与并行一级模型估计值通过使用PFOM建模氯衰减率,并将其结果与实验研究获得的结果进行比较,建立了氯剂量与反应时间之间的关系。对于广泛的氯浓度范围(2.5 – 20 mg/L),建模和实验研究的结果显示在图2中,其中存在非常好的相关性。下载:下载高分辨率图像(304KB)下载:下载全尺寸图像图2. 氯浓度的实验和PFOM结果:a) 2.5 mg/L,b) 5 mg/L,c) 10 mg/L,d) 15 mg/L,e) 20 mg/L。具体来说,PFOM估计表明,在初始氯浓度高达5 mg/L的情况下,氯在反应时间的最初15分钟内被完全消耗(图2a和图2b)。之后,模型估计值几乎为零,即氯已被完全消耗。这些估计值与实验测量结果完全一致,在相同的时间内,即10-15分钟内,2.5 mg/L和5 mg/L的剂量都测量到了相同的快速初始衰减,而在随后的测量中,浓度几乎为零。这种快速的初始衰减归因于系统中高氯需求,特别是像NOM和金属这样的快速与氯反应的物质,这些物质存在于供给该DWDN的水中[9]。因此,PFOM的估计以及更重要的实验测量结果都表明,5 mg/L的剂量,更不用说2.5 mg/L的剂量,对于这个DWDN来说是不够的,因为氯需求非常高。然而,在接下来检查的剂量,即10、15和20 mg/L(图2(c – e))中,实验测量值与模型估计值之间的拟合程度仅为中等至较差。具体来说,对于10 mg/L的剂量,PFOM准确捕捉到了反应时间最初几分钟内的快速衰减,就像在较低的氯剂量下一样,但无法捕捉到之后的氯浓度偏差,因为在大约1,300分钟的接触时间后测量到了残余氯的增加。这可能是由于传统模型(如PFOM)无法正确捕捉到的复杂化学行为。具体来说,在如此长的停留时间(1300分钟)后,温度波动、pH值的变化以及不同有机物质的存在引入了非线性相互作用,这些相互作用也可能释放结合氯物种,但PFOM无法解释这些相互作用。因此,PFOM似乎略微高估了氯浓度,因为大多数实验测量值都低于PFOM估计值(红色虚线),总体上达到了中等程度的拟合。对于15 mg/L的剂量,拟合效果稍差,因为PFOM有时略微低估了氯需求。对于20 mg/L的剂量也是如此,早期观察到了较差的拟合,因为最初明显低估了(大多数实验测量值高于PFOM估计值(红色虚线),然后在(1,000至2,000分钟)期间高估了,之后又低估了。我们注意到,在如此高的剂量(10 – 20 mg/L)下,观察到的低估本身并不是问题,因为在最后一个检查的反应时间(4500分钟)时,仍然保持了安全的(>0.5 mg/L)残余氯浓度。总体而言,PFOM为氯消耗和衰减提供了相对准确的估计,特别是对于最高达5 mg/L的剂量,但对于更高剂量,它有一定的局限性,因为它无法捕捉到实际的氯波动。总体而言,PFOM建议的增加剂量不仅影响处理过程的成本效率,更重要的是,还可能导致有害的DBPs的形成。因此,需要更强大的工具来准确估计DWDN中的氯需求和衰减,特别是在全球南方面临类似挑战的DWDNs中。3.2. 神经网络建模然后使用实验结果训练了NN模型,并将NN模型的预测与实际实验测量值进行了比较。如图3所示,NN模型的预测比PFOM估计值(图2)更准确。与PFOM结果一样,NN模型对于2.5 mg/L的氯剂量(图3(a))非常准确,但对于5 mg/L的剂量(图3(b))则不太准确。然而,对于高氯剂量,即10、15和20 mg/L(图3(c)、(d)和(e)),RMSE值增加了,这也可能归因于DBPs的形成,这些DBPs留在了DWDS中。总体而言,NN模型的预测比PFOM估计更准确,因为NN模型比PFOM更好地捕捉了输入参数与氯衰减率之间的非线性关系。下载:下载高分辨率图像(224KB)下载:下载全尺寸图像图3. 不同氯剂量下的NN模型预测及其对应的RMSE值。为了捕捉氯与反应物种之间的复杂和非线性相互作用,使用了预测映射。具体来说,NN模型生成了一个2D氯衰减反应表面矩阵,该矩阵表示氯浓度(C)作为氯衰减率参数(a)和水质参数(b)的函数。这个2D参数敏感性表面为DWDN中定义的初始氯浓度提供了预测的氯衰减反应表面,如图4所示。在系统输入、捕获和分析原始参数后,预测了衰减过程后的最终氯浓度。之后,根据相应的投影生成了2D模型,该模型展示了氯衰减表面矩阵,并显示了参数a(氯衰减率参数)和b(水质参数)之间的关系,当浓度(C)固定时。下载:下载高分辨率图像(143KB)下载:下载全尺寸图像图4. 在检查的DWDN中,对于定义的初始氯浓度,表示NN参数和预测的氯衰减反应表面。在NN模型中,预测的氯浓度由红点表示。具体来说,它们代表了在特定输入条件(a, b,C固定)下模型预测的氯浓度。这些点不是任意的;它们对应于用于评估模型的离散样本,并且可以与初始氯浓度(即2.5、5.0、10.0、15.0和20.0 mg/L)进行比较,以推断DWDN中任何反应或衰减过程后的变化。这显示了氯衰减对模型参数变化的响应。通过颜色变化的强度也可以得出氯衰减的响应,从而显示出DWDN系统中氯浓度随时间的减少。在这项研究中,还通过绘制多项式、对数和指数模型来评估拟合优度。从图中可以看出,在对数和指数模型中,测量(实际)和预测(模型)的氯浓度之间存在较大偏差。然而,多项式模型似乎具有近乎完美的拟合,误差幅度接近零,因为RMSE值也接近零。我们注意到,这里的拟合是使用平均实验值进行的,而不是单个数据点,这解释了这种近乎完美的拟合。此外,拟合结果仅涉及从瓶装实验获得的整体衰减常数,而不是从DWDN内部收集的后续数据,这些数据用于验证开发的模型。具体来说,为了模型验证,从DWDN沿线的14个不同站点获取了三重复样本。3.3. 基于线性回归的氯衰减模型从PFOM核心系数(即k1、k2和x参数)之间的关系确定了氯衰减模型的线性回归。使用图5中显示的相关性热图评估了PFOM核心系数与初始氯剂量之间的关系。下载:下载高分辨率图像(93KB)下载:下载全尺寸图像图5。相关性热图展示了氯衰减模型参数与初始氯浓度剂量之间的关系。如图5所示,系统中氯的剂量和需求以及k1和x参数之间存在强烈的正相关(即大约0.95 – 1)。然而,k2(衰减常数)的值为-0.9,显示出负相关。总体而言,这种高相关性可能表明参数之间存在冗余;因此,在氯衰减建模中应正确选择参数。线性上升关系证明,当氯剂量增加时,慢速氯衰减阶段的浓度也会增加。模型参数x与氯剂量浓度之间的R2值为0.98,表明存在强烈的线性依赖性。观察到的氯剂量(mg/L)(2.5 – 20)、参数(x)(0.98)、k1(分钟)(0.96)、k2(分钟)(0.97)和游离有效氯(FAC,mg/L)(0.95)。具体来说,氯衰减率遵循平行一级衰减率,PFOM参数是通过指数衰减的线性回归确定的。非常高的R2值证实了模型的输出能够准确表示所研究DWDN中的氯消耗和衰减情况。这也与图2中显示的结果一致,其中良好的拟合(特别是对于2.5和5 mg/L的氯剂量)表明时间和氯浓度之间的关系被准确处理和捕捉。因此,观察到在低氯浓度时k1和k2的值较高,在高氯浓度时较低。FAC与氯剂量的R2显示出0.95的线性依赖性。这表明在低初始氯剂量时氯的消耗率较高,因为系统中的氯有限,而在高浓度时氯较多,导致消耗率较低。使用图6中显示的相关性热图评估了氯浓度与氯衰减模型参数之间的关系。发现氯浓度与a和c之间存在强烈的正相关(即大约0.95 – 1),而b的值与这些参数之间存在强烈的负相关,其范围从-0.83到-0.87,从而表明可能对水系统中的氯浓度有影响。具体来说,b是数据驱动(ML)的氯衰减参数的类似物。总体而言,k2和b的值与DWDN中的氯剂量呈反比关系。
下载:下载高分辨率图像(98KB)
下载:下载全尺寸图像
图6. 相关性热图展示了氯浓度与氯衰减模型参数之间的关系。
3.4. 训练后的氯衰减模型验证
初始PFOM衰减模型与使用实验数据训练的k1和k2参数的ML训练模型之间的关系如图7所示。
下载:下载高分辨率图像(206KB)
下载:下载全尺寸图像
图7. a) PFOM模型的协方差,b) 训练后的氯衰减模型的RMSE,c) 在最佳氯剂量下的优化氯衰减模型。
如图7所示,评估了初始PFOM衰减模型与使用实验数据训练的k1和k2参数的PFOM模型之间的关系。当氯剂量为2.5 mg/L时,快速整体衰减率的协方差为k2=0.02,这一结果也在其他文献[31]中报道过,两个变量之间没有强烈关系。在5 mg/L的氯剂量下,k1和k2参数与氯剂量没有显示出任何协方差,除了参数x,其协方差为0.0004,可以忽略不计。相反,在10 mg/L的氯剂量下,反应尝试快速进行,k2=0.01;然而,随着反应的进行,由于NOM的存在[34],反应速度减慢,这也得到了参数x值(即0.08)的支持。当氯浓度为15 mg/L时,反应速度减慢(k1=0.015),参数x为0.09。另一方面,当使用20 mg/L的氯剂量时,氯衰减模型的行为不同,观察到快速反应(k2=0.06)和参数x为0.035。这可能表明有足够的氯与系统中的多种物质相互作用,导致在较长时间和距离内先快速后缓慢的反应,因此反应发生在两步模型中[35](图7a)。RMSE显示,在初始剂量为2.5和5 mg/L时,模型的准确性和精确度较高,RMSE为0.008 mg/L,表明PFOM衰减与实验数据相符。然而,对于初始氯剂量为10、15和20 mg/L的情况,RMSE值分别约为0.9、1.45和0.8 mg/L,这可能表明在高氯剂量下其他参数(如温度、pH值或流速)的干扰,以及与DWDN中有机物的反应[35b]。对于较低剂量,模型和实验数据在整个氯衰减时间内显示出完美拟合。在初始氯剂量为6.30 mg/L时,训练后的PFOM显示出指数衰减,在反应时间的最初200分钟内有一个快速的氯衰减阶段。预测的6.30 mg/L氯剂量预计能够满足系统的氯需求,并在反应时间结束时达到0.5 mg/L的FAC浓度,但不会导致大量DBPs的形成(图7c)。
PFOM还用于确定不同浓度下DWDN管道中氯浓度的变化。结果如图8所示。
下载:下载高分辨率图像(280KB)
下载:下载全尺寸图像
图8. PFOM展示了DWDN管道中不同初始剂量(a)5 mg/L、b)10 mg/L、c)15 mg/L和d)20 mg/L的氯浓度。
正如预期的那样,最终的残留氯水平不是恒定的,而是直接受到初始氯剂量的影响。具体来说,在入口处观察到高氯浓度(管道左侧的强烈红色),然后沿着管道向下分散,最终将衰减推向出口(管道右侧的蓝色部分)。对于初始氯浓度为5 mg/L(图8(a)),当浓度降低到大约1 mg/L时,氯完全衰减;而对于初始剂量为10 mg/L(图8(b)),当浓度降低到大约2 mg/L时,氯完全衰减。对于初始氯浓度为15 mg/L(图8(c))和20 mg/L(图8(d)),当浓度降低到大约3 mg/L时,观察到氯完全衰减。总体而言,这些终点氯衰减浓度的变化表明PFOM对DWDN中水流初始氯剂量的高度敏感性。
还评估了DWDN管道中水流速度的变化及其与氯衰减的关系,结果如图9所示。
下载:下载高分辨率图像(23KB)
下载:下载全尺寸图像
图9. DWDN管道中水流速度的分布和变化。
具体来说,在管道入口(管道左侧),水流速度非常高,但在由强烈红橙色表示的区域内,而墙壁(用绿蓝色表示)由于摩擦而承受最小压力。随着水流继续向下游流动,其速度减小并变得均匀,从而显示出稳定的混合模式(图9)。在本研究中,对饮用水分配系统的建模中,估计的管道壁和管道内部的模拟速度为0.6 – 0.7 m/s。这些模拟值与南非实际测量的理想DWDN中的水流速度相符,通常应在0.6到1.5 m/s之间[36]。总体而言,速度也影响了停留时间,从而促进了氯的衰减;因此,水流在管道末端变得均匀和稳定。
还评估了DWDN系统中的压力变化及其分布,结果如图10所示。
下载:下载高分辨率图像(76KB)
下载:下载全尺寸图像
图10. DWDN管道中压力的分布和变化。
如图10所示,评估了DWDN管道中压力的分布和变化及其对氯衰减过程的影响。在管道入口(管道左侧),由于水的进入,压力集中;因此观察到平滑的等压线,表示水的层流,随后沿着管道从中部向右侧逐渐减小。在管道的中间部分,压力等压线分散,这可能是由于氯与反应性物质之间的相互作用导致的干扰和湍流。然而,整体模拟的压力大约为5.5 ×10^4 Pa(入口)和5.36 ×10^4 Pa(出口)。此外,DWDN中压力的轻微变化也可能归因于观察到的均匀水流。因此,可以认为DWDN下游的速度和压力分布及变化是稳定和均匀的,这表明过程中的氯衰减调节是可管理的。稳定和均匀的速度和压力对于维持系统中的氯残留量很重要。
3.5. 实地验证结果
使用ANN模型数据对实验数据的验证结果如图11所示。
下载:下载高分辨率图像(137KB)
下载:下载全尺寸图像
图11. 使用ANN模型对实验结果的验证。
如图11所示,模型的训练使用了多线性回归来确定'a'、'b'和'C'之间的关系。对于训练结果,模型达到了99.88%的R2值,表明在预测氯浓度方面有完美的拟合。开发的线性关系可以用方程式(12)表示:
(12) Clt=0.7740*a+9.6184e?06*b+1.5715*c+0.3001
其中,Cl(t)表示时间(t)(分钟)时的氯浓度(mg/L),a是反应性氯(mg/L),b是整体氯衰减(1/min),c是氯残留(mg/L)。
3.6. 饮用水系统中氯需求和衰减建模方法的比较
用于家庭活动(如烹饪和饮用)的清洁水需求影响了模拟饮用水系统中消毒剂需求和衰减的模型的开发和应用。因此,表1提供了文献中研究的各种模型的比较。
表1. 饮用水系统中的氯需求和衰减候选模型。
模型 地理位置 初始氯剂量(mg/L) 残余氯浓度(mg/L) 管道参数 参考文献
一级模型结合EXPBIO和EPANET 葡萄牙 0.62 – 0.78 > 0.55 直径:1500至250 mm 长度:23 km [37]
EPANET 厄瓜多尔 0.87 0.3 直径:250至63 mm 长度:3.075至2.510 km [38]
WaterCAD 埃塞俄比亚 1 – 20.5 1-0.82 mg/L(第一周) 0.07-0.38 mg/L(第三周) 直径和长度未提供 [39]
遗传算法(GA) 韩国 20.2 直径:0.02 m 长度:125 m [40]
基于并行一级模型的AI驱动ML 南非 6.3 0.5 直径:500 mm 长度:45 km [40]
本研究
如表1所示,使用了各种模型来模拟饮用水系统中的氯需求和衰减。Monteiro等人(37)应用了一级模型结合EXPBIO和EPANET来模拟葡萄牙饮用水系统中的氯需求和衰减,其中初始氯浓度范围为0.62至0.78 mg/L。在直径为1500至250 mm、长度为23 km的管道中,经过13-20小时的停留时间后,残余氯浓度发现大于0.55 mg/L。作者建议深入分析分配网络的总体特征与模型参数之间的关系,以更好地理解其性能。另一项研究[38]报告称,当使用0.87 mg/L的氯剂量时,残余浓度为0.3 mg/L。该建模是在厄瓜多尔的一个水分配系统中使用EPANET进行的,管道直径为250-63 mm,长度为3.075-2.510 km。作者建议根据特定水分配网络的特征应用消毒剂的衰减系数。在埃塞俄比亚,水的年龄超过了WHO指南推荐的48-72小时范围,使用WaterCAD软件时,当初始氯剂量为1-2 mg/L时,残余氯浓度分别为0.51-0.82 mg/L(第一周)和0.07-0.38 mg/L(第三周)[39]。该研究还推断出网络中的氯分布不充分,这需要采取更好的管理措施来改善水质。最后,Kim等人(40)使用了GA软件对韩国的一个试点规模的水分配系统进行了研究,他们报告称,在直径为0.02米、长度为125米的管道系统中,当初始氯浓度为2毫克/升时,2分钟后剩余氯浓度为0.2毫克/升。研究还建议考虑不同的瞬态强度,并评估非稳态流动条件,以模拟实际水分配系统中氯的衰减过程。总体而言,这一比较显示了基于人工智能的模型在实时建模中的高效率,因为它们能够捕捉到非线性关系,而这些关系可能受到环境因素和基础设施变化的影响。另一方面,像EPANET这样的物理模型在处理输入参数的高变异性方面能力有限,因此相关研究将它们与其他人工智能工具结合使用,形成混合系统[41]。
4. 结论与建议
使用综合氯衰减模型对水分配系统或网络中的氯衰减过程进行建模至关重要且复杂。使用Python和机器学习算法大大简化了建模过程并节省了时间。平行一级氯衰减模型(PFOM)在所有剂量下都能较好地符合实验数据。然而,在氯剂量超过5毫克/升时,由于复杂的反应动力学(例如氯与天然有机物之间的反应),出现了一些偏差,这也导致了有害消毒副产物(DBPs)的形成。氯剂量的增加使得系统中的游离有效氯(FAC)过量,因此需要采用脱氯方法并去除DBPs,以降低氯浓度,达到规定的FAC浓度。PFOM参数之间的相关性较弱,而线性回归方法揭示了与之相关的线性关系。系统的氯需求与初始氯剂量呈线性相关,建议的氯剂量能够在使用点保持规定的氯浓度。开发的PFOM应作为溶质传输模型来模拟实际的水分配系统网络;因此,第四次工业革命(4IR)和人工智能(AI)简化了氯衰减模型的复杂性,并免费节省了建模时间。
**作者贡献声明**
Spyros Foteinis:撰写——审阅与编辑、撰写——初稿、方法论、调查、形式分析、数据管理、概念化。
Donald Maphanga:撰写——审阅与编辑、撰写——初稿、方法论、调查、形式分析、数据管理、概念化。
Mapula Lucey Mavhungu:撰写——审阅与编辑、撰写——初稿、方法论、调查、形式分析、数据管理、概念化。
Kathutshelo Lilith Muedi:撰写——审阅与编辑、撰写——初稿、方法论、调查、形式分析、数据管理、概念化。
Vhahangwele Masindi:撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、软件、资源、项目管理、方法论、资金获取、形式分析、数据管理、概念化。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号