用于动态风险阈值确定的饮用水处理厂与供水网络之间的协调框架
《Journal of Environmental Chemical Engineering》:A coordination framework between drinking water treatment plants and water distribution networks for dynamic risk threshold identification
【字体:
大
中
小
】
时间:2026年08月04日
来源:Journal of Environmental Chemical Engineering 7.5
编辑推荐:
摘要在由多个饮用水处理厂供水的水分配网络中,水质受处理后水输入、混合过程以及输送过程的影响。然而,目前通常分别研究处理后水的质量与网络中的水质,而对于多处理厂供水情况下二者之间的关联则关注不足。本研究构建了一个框架,将处理后水输入与水分配网络的响应相结合,以确定关键指标的动态风险
摘要在由多个饮用水处理厂供水的水分配网络中,水质受处理后水输入、混合过程以及输送过程的影响。然而,目前通常分别研究处理后水的质量与网络中的水质,而对于多处理厂供水情况下二者之间的关联则关注不足。本研究构建了一个框架,将处理后水输入与水分配网络的响应相结合,以确定关键指标的动态风险阈值。在由三个饮用水处理厂供水的苏州水分配网络中,通过水力源追踪方法确定了各节点对应的等效处理后水输入值。研究结合递归特征消除交叉验证法、Light梯度提升机以及SHapley加性解释方法,用于特征选择、响应预测和结果解释。在可接受的风险概率α=0.10的前提下,针对总硬度、高锰酸盐指数和硝酸盐制定了相应的不良响应约束,其中总硬度、高锰酸盐指数采用Q90值,而余氯的低浓度风险则采用Q10值。LightGBM模型对这四个指标的预测效果均较为理想。等效处理后水中的总硬度和高锰酸盐指数与水分配网络的相应响应具有实际意义,硝酸盐则与等效处理后水中的硝酸盐含量直接相关;总硬度还可作为评估硝酸盐响应风险的辅助水化学背景指标。对于余氯而言,水温及等效处理后水中的余氯浓度是影响预测的主要因素。研究提出的等效处理后水总硬度、高锰酸盐指数、硝酸盐和余氯的推荐阈值分别为152毫克/升、1.504毫克/升、0.699毫克/升和0.711毫克/升。该框架将水分配网络的响应与处理厂的操作目标相联系,有助于在多处理厂供水系统中实现协调的水质风险管理。
引言饮用水安全关乎城市公共卫生以及供水系统的稳定运行。随着水分配网络的不断扩展,多个饮用水处理厂联合供水的模式日益普遍。因此,水质管理不仅需要确保各处理厂输出的水质达标,还需考虑水在输送过程中的水质变化及风险控制。以往的研究强调通过监测、污染物传输建模以及传感器布设等多种手段来保障饮用水安全[1]、[2]。水分配系统还可能面临污染事件及其他干扰风险,此时建模与风险分析工具可帮助识别风险并制定应对策略[3]。但在多水源供水的情况下,监测点的水质会受到处理后水质量以及不同处理厂通过水力混合和输送过程带来的影响。因此,建立处理后水输入与水分配网络水质响应之间的定量关系,对于实现处理厂与水分配网络之间的协同水质管理而言是一项重要任务[4]。
基于过程的模拟与以风险为导向的评估方法已被广泛用于分析水分配网络中的水质变化。水力模型与水质模型被用于研究污染物的传输、消毒剂的衰减、水龄以及污染事件的扩散规律。研究表明,网络简化会影响到建模的准确性,因此水力表征对于理解水分配网络的水质响应至关重要[5]。基于风险的研究则将EPANET模拟与管道故障概率、受影响人群数量以及加氯位置等因素相结合,以优化余氯管理方案[6];同时,风险评估方法与遗传算法也被用于改进水质传感器的布设方式以及污染事件的检测能力[7]。时空统计分析与网络追踪方法也被用于识别污染事件的发生群落及受影响区域[8],此外还有针对水分配网络污染源识别方法的系统性综述[9]。这些研究揭示了水分配网络水质的水力依赖性、空间传播特性以及风险特征,但主要聚焦于网络层面的事件、检测或应急响应问题。
随着监测数据的不断增加,机器学习已成为预测水质及其影响因素的重要方法。其在地下水质量建模和饮用水质量评估中的应用,证明了数据驱动方法能够有效描述水质变量与其影响因素之间的非线性关系[10]、[11]、[12]、[13]。在指标层面,机器学习模型已被用于分析硝酸盐的易感程度及关键影响因子[14]、[15],同时也可利用传统模型和新型模型预测饮用水质量指数[16]。关于安全饮用水供应的系统性研究进一步表明,机器学习可在物理、化学和微生物过程相互作用的场景下,为水质分析、监测、模拟、预测和控制提供支持[2]。在水分配网络研究中,机器学习也在朝着可解释的水质与风险分析方向发展。针对卤代乙酸的模型能够预测其浓度及相关健康风险指数,并指出温度、离子浓度、溶解有机碳和余氯是重要的影响因素[17]。同样,基于梯度提升的模型也被成功应用于预测双水源饮用水分配系统中的三卤甲烷生成情况[18]。一种基于XGBoost与SHAP的框架可用于识别三卤甲烷生成的相关因素,包括高锰酸盐指数、总溶解固体和游离余氯[19]。在数据有限的条件下,可结合可解释方法与虚拟数据增强技术,用于预测三卤甲烷的出现情况以及相关的癌症风险[20]。除了消毒副产物之外,随机森林与SHAP框架还被用于预测水分配网络中的时空pH值[21],而集成模型则被用于分析水分配网络中重金属浓度及其相关的健康风险[22]。总体而言,这些研究表明,可解释的机器学习方法能够将预测结果与重要的水质影响因素联系起来。
尽管取得了上述进展,但处理厂输出的水质与水分配网络中的水质响应往往被作为独立的问题进行研究。基于过程的研究和以风险为导向的研究主要关注水中的传输过程、污染事件或网络内的风险控制,而数据驱动的研究则多集中于单一污染物或特定的风险终点[23]、[24]。在多处理厂供水的情况下,监测点的水质会受到各处理厂水力贡献的影响。然而,目前很少有研究致力于量化经过水力加权后的各处理厂特定处理后水输入与常规监测指标在正常运行条件下的响应之间的关系,而且这类关系也很少被转化为基于网络响应的处理厂操作阈值。为弥补这一不足,本研究提出了一种基于网络响应的框架,用于确定多处理厂供水水分配网络中处理后水指标的动态控制阈值。该框架的核心在于将经过物理量化的水力源映射与数据驱动的水质响应建模相结合。通过源追踪方法可量化每个处理厂对各个监测点的平均贡献,再利用水力权重将各处理厂的具体处理后水数据转换为对应节点的等效输入值。这些等效输入值代表的是经水力映射得到的上游变量,而非监测节点处的实际水质浓度。首先通过RFECV方法筛选出有用的变量,随后用LightGBM建立水力映射后的输入值与实际监测到的水分配网络水质响应之间的经验非线性关系。接着借助SHAP方法识别出具有实际操作意义的因素,最后通过设定预测响应进入指标特定不良响应区域的概率上限,从而确定动态阈值。
本研究根据所分析系统的常规监测数据,选择了总硬度、硝酸盐、高锰酸盐指数和余氯作为目标指标。这四种指标代表了常规监测中的不同水质类别,且具有不同的响应特征。总硬度作为一种代表性的无机水质指标,主要反映处理后水中的钙、镁等与硬度相关的无机离子,这类离子常被用来表征饮用水的矿物质组成以及不同水源之间的差异[25]。硝酸盐则是饮用水中重要的无机氮指标[26]。与氨氮等活性氮物质相比,硝酸盐在输送过程中的稳定性较高,因此被广泛用于水源识别和传输分析,非常适合用于研究水源混合效应以及经过水力加权后的处理后水输入对水分配网络响应的影响[27]。而高锰酸盐指数则作为与有机物相关的指标,用于表示水中的可氧化有机物和还原性物质。已有研究表明,高锰酸盐指数可作为饮用水中可氧化有机物的替代指标[28]、[29]。它在水分配网络中的响应不仅受处理后水输入的影响,还会受到复杂的分配系统条件以及其他非线性背景因素的作用。余氯则被选为具有代表性的活性且不稳定的消毒剂指标,因为其在输送过程中浓度可能会发生较大变化。以往的现场规模建模已将余氯与总有机碳、水温、pH值以及水力停留时间联系起来[30],近期也有研究证明了数据驱动模型在预测全尺度水分配网络中余氯浓度方面的应用价值[31]。与其他三种指标不同,余氯主要与低浓度风险相关。因此,所选的这些指标可为评估所提出的框架是否能够将经过水力加权的处理后水输入与水分配网络响应联系起来,并进而确定受网络响应约束的操作阈值,提供具有代表性的案例。
本研究的目的是并非取代现有的饮用水标准,而是建立经过水力加权的处理后水输入、实际监测到的水分配网络水质响应以及动态控制阈值之间的定量关系。通过整合源追踪贡献分析、非线性响应建模、可解释因素识别以及基于风险约束的阈值确定方法,该框架能够基于监测数据来描述这些输入与响应之间的关系,而非从机理层面去模拟分配过程中发生的复杂水质变化过程。
材料与方法本研究构建了一个处理厂与水分配网络协同工作的框架,通过整合水力源追踪、数据驱动的水质响应建模以及基于响应约束的阈值确定方法,来识别水分配网络中的动态控制阈值。该框架的整体结构如图1所示。
水源贡献与等效处理后水输入在构建处理厂与水分配网络的响应模型之前,需先根据2.2节所述的水力源追踪结果,将各饮用水处理厂输出的处理后水指标转换为对应节点的等效处理后水输入值。由于研究区域是由多个饮用水处理厂共同供水的,因此监测节点的水质响应反映了不同处理厂的处理后水在水分配网络内经过水力分配和混合后的综合影响。每个处理厂的贡献……
结论本研究探讨了在多个饮用水处理厂共同供水的混合供水条件下,处理厂与水分配网络的水质响应情况。通过利用源追踪得到的供水贡献比例,构建了等效处理后水指标,以此代表各个监测节点接收到的来自各处理厂的综合水质输入。研究结合递归特征消除交叉验证法进行特征选择,运用LightGBM模型进行建模,通过SHAP方法进行结果解释,并基于风险约束来确定阈值,从而构建出一个动态阈值框架……
CRediT作者贡献说明程鹏远:项目管理、数据收集与分析。黄朝阳:文章撰写与修改、方法学研究。马荣兴:软件应用。马文成:初稿撰写。钟丹:资金筹集。
利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢本研究得到了中国国家重点研发计划(编号2023YFC3208203)、国家自然科学基金(编号52470103)以及哈尔滨工业大学城市水资源与环境国家重点实验室(编号2024TS05)的资助。
钟丹|黄朝阳|程鹏远|马文成|马荣兴
中国黑龙江省哈尔滨市150090,哈尔滨工业大学城乡水资源与环境国家重点实验室
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