CN111707792A - 基于人工智能的污染在线监测与溯源系统及方法 - Google Patents

基于人工智能的污染在线监测与溯源系统及方法 Download PDF

Info

Publication number
CN111707792A
CN111707792A CN202010436013.9A CN202010436013A CN111707792A CN 111707792 A CN111707792 A CN 111707792A CN 202010436013 A CN202010436013 A CN 202010436013A CN 111707792 A CN111707792 A CN 111707792A
Authority
CN
China
Prior art keywords
pollutant
sample
monitoring
pollutants
water area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010436013.9A
Other languages
English (en)
Inventor
程晓虎
曹莘慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Hanmingzhi Intelligent Technology Co Ltd
Original Assignee
Nanjing Hanmingzhi Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Hanmingzhi Intelligent Technology Co Ltd filed Critical Nanjing Hanmingzhi Intelligent Technology Co Ltd
Priority to CN202010436013.9A priority Critical patent/CN111707792A/zh
Publication of CN111707792A publication Critical patent/CN111707792A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

本发明公开了一种基于人工智能的污染在线监测与溯源系统及方法，属于环境保护领域。包括建立污染废水化学指纹库；在线监测、实时收集污染风险数据；事故风险定性和筛选；定量分析、对比数据确定事故发生可能地；开展事故发生可能地的现场调查、取证及验证五个步骤。本发明通过对目标水域内工厂的排污情况进行摸底调查，建立污水排放指纹库，然后通过反演法确定对监测数据与实际数据之间的不确定度，然后通过对比相似度和不确定度之间的大小，确定污染源发生地。解决了传统污染事故污染源溯源方法的主观性、滞后性、设备要求高、工作量大的问题，降低数据检测的难道，提高了溯源方法的可行性。

Description

基于人工智能的污染在线监测与溯源系统及方法
技术领域
本发明属于环境保护领域，尤其是一种基于人工智能的污染在线监测与溯源系统及方法。
背景技术
作为典型发展中国家，我国河流等水域一直受到化学品泄露事故的威胁，经常会有少部分工厂存在夜间偷排行为造成的水污染事件。其它发展中国家和发达国家也面临类似的困扰和挑战相同的河流污染事件的发生，因此，需要开发基于监测数据对污染源进行污染溯源，确定污染排放信息开展应急处置和风险防控的前提。
目前，较为有效的污染源溯源方法通常是利用同位素分析，红外光谱等高精密设备进行化学特征分析，以此实现风险源的排查的，但是此方法更多的适用于一类特征污染物。而对于小流域的水体污染，由于国内地方环保部门根本不具有同位素分析，红外光谱的能力，因此需要将样本送至三方检测机构进行定量检测，然进一步对数据进行分析和处理，不具有时效性，以至于及时获得相关证据，缺乏切实可行性。另外，对于事故化学品和风险源污染物之间的关联性更多的采用经验数据进行推断，尚未形成规范和标准。现阶段当前国内的地方外环保部门更多的依靠经验法逐一检查来排查事故涉嫌风险源，因此如何通过人工智能、大数据等方式科学、合理、可行的排查事故涉嫌风险源成为国内地方环保部门迫切需要解决的问题。
发明内容
发明目的：提供一种基于人工智能的污染在线监测与溯源系统及方法，以解决上述背景所涉及的问题。
技术方案：一种基于人工智能的污染在线监测与溯源系统及方法，包括如下步骤：
步骤一、建立污染废水化学指纹库；
步骤二、在线监测、实时收集污染风险数据；
步骤三、事故风险定性和筛选；
步骤四、定量分析、对比数据确定事故发生可能地；
步骤五、开展事故发生可能地的现场调查、取证及验证。
作为一个优选方案，所述建立风险化学指纹库包括如下步骤：
S11、基于人工智能记录监测水源内所有工厂排污口坐标和受纳水体样本；
S12、通过工厂定期上报、不定期现场检查获得、建立、更新受纳水体样本；
S13、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素在排出时占污染废水的平均浓度作为指标，形成一个18维向量
Figure DEST_PATH_IMAGE001
；
S14、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子污染物在排出时占污染废水的平均浓度作为指标，形成一个8维向量
Figure 597239DEST_PATH_IMAGE002
；
S15、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占污染废水的平均浓度作为指标，形成一个15维向量
Figure DEST_PATH_IMAGE003
；
S16、以S13～S15中的三个向量作为基本指标，建立污染废水的化学指纹库。
作为一个优选方案，所述在线监测、实时收集污染风险数据包括如下步骤：通过设置在间隔预定距离的固定监测点，以预定频率对水域内的污染物在线检测，当确定存在污染物后，采用移动式人工智能在线检测平台对预定位置的水域进行在线检测、实时收集。
作为一个优选方案，所述事故风险定性和筛选包括如下步骤：
S31、确定污染物事件的发生，在该水域中某个断层检测出污染物高出环境保护要求或多种污染物同时高出该水域的背景指标；
S32、若固定监测点检测的污染物浓度随时间变化曲线近似为正态分布，可视为污染物瞬时排放；若固定监测点检测的污染物浓度随时间变化曲线近似为直线，可视为连续化排放；
S33、对水域内污染物进行定量分析，以第一时间检测到污染物风险的监测点取样的水域样本作为第一样本，同时其上游的监测点取样的水域样本作为第二样本，并第一样本和第二样本的具体组分进行定量分析：
选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素占第一样本的平均浓度作为指标，形成一个18维向量
Figure 596419DEST_PATH_IMAGE004
；占第二样本的平均浓度作为指标，形成一个18维向量
Figure DEST_PATH_IMAGE005
选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子占第一样本的平均浓度作为指标，形成一个8维向量
Figure 615190DEST_PATH_IMAGE006
；占第二样本的平均浓度作为指标，形成一个8维向量
Figure DEST_PATH_IMAGE007
；
选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占第一样本的平均浓度作为指标，形成一个15维向量
Figure 686439DEST_PATH_IMAGE008
；占第二样本的平均浓度作为指标，形成一个15维向量
Figure DEST_PATH_IMAGE009
；
S34、计算不确定度，引入系统不确定度
Figure 183279DEST_PATH_IMAGE010
，其中，
Figure DEST_PATH_IMAGE011
为污染物在水域中扩散所引起的不确定度分量；
Figure 99283DEST_PATH_IMAGE012
为监测点取样所引起的不去确定度分量；
Figure DEST_PATH_IMAGE013
为实验误差所引起的不确定度分量，与实验方法有关；
Figure 741485DEST_PATH_IMAGE014
为工厂生产过程中所引起的不确定度分量；k为降解速率；
S35、对比监测点水域污染物组成与数据库组成的相似度测量，当满足如下条件时，
Figure DEST_PATH_IMAGE015
即可认为为可能风险点。
作为一个优选方案，所述污染物在水域中扩散所引起的不确定度分量
Figure 313412DEST_PATH_IMAGE011
的计算方法如下：
Figure DEST_PATH_IMAGE017
其中，
Figure 863211DEST_PATH_IMAGE018
为根据一维河道污染物扩散模型计算的理论污染物浓度数据，
Figure DEST_PATH_IMAGE019
为在第i个采样点处的污染物浓度检测数据；
Figure 571404DEST_PATH_IMAGE019
服从正态分布
Figure 666399DEST_PATH_IMAGE020
。
作为一个优选方案，所述监测点取样所引起的不去确定度分量
Figure 53518DEST_PATH_IMAGE012
的计算方法如下：对于同一监测点对水域不同断面取样得到污染物浓度差异主要为随机取样的不确定性导致，所以
Figure 141429DEST_PATH_IMAGE022
其中，
Figure 500866DEST_PATH_IMAGE019
为在第i个采样点处的污染物浓度检测数据；
Figure DEST_PATH_IMAGE023
为多次测量中污染物的平均浓度；同时，可以多次取样，扩大取样间隔，剔除部分不可信数据，以减小
Figure 32341DEST_PATH_IMAGE012
的取值，具体的，当取样间隔大于0.5米，样本数量大于12时，监测点取样所引起的不确定度分量
Figure 844440DEST_PATH_IMAGE012
小于1.0%。
作为一个优选方案，污染物瞬时排放一维河道污染物扩散模型：
Figure DEST_PATH_IMAGE025
其中，
Figure 738971DEST_PATH_IMAGE026
为污染物排放总量，可利用监测点间距反演得到；
Figure DEST_PATH_IMAGE027
、
Figure 218494DEST_PATH_IMAGE028
为污染物在水体中纵向、横向的扩散系数；
Figure DEST_PATH_IMAGE029
、
Figure 858554DEST_PATH_IMAGE030
为一维水域的在纵向的平均流速和横向水流的平均流速；
Figure DEST_PATH_IMAGE031
为污染物排放时到监测点所花时长；
Figure 938374DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
为监测点距离风险点的纵向距离和横向距离；k为降解速率；
作为一个优选方案，污染物连续化排放的一维河道污染物扩散模型：
Figure 322082DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
为污染物排放流量，可利用监测点间距反演得到；
Figure 187270DEST_PATH_IMAGE027
、
Figure 778657DEST_PATH_IMAGE028
为污染物在水体中纵向、横向的扩散系数；
Figure 362085DEST_PATH_IMAGE036
为水流纵向流速；
Figure 346221DEST_PATH_IMAGE032
、
Figure 534757DEST_PATH_IMAGE033
为监测点距离风险点的纵向距离和横向距离；k为降解速率。
本发明还提供一种基于人工智能的污染在线监测与溯源系统，其特征在于，包括：
第一模块，用于建立污染废水化学指纹库；
第二模块，用于在线监测、实时收集污染风险数据；
第三模块，用于事故风险定性和筛选；
第四模块，用于定量分析、对比数据确定事故发生可能地；
第五模块，用于开展事故发生可能地的现场调查、取证及验证。
作为一个优选方案，所述第一模块，通过
S11、基于人工智能记录监测水源内所有工厂排污口坐标和受纳水体样本；
S12、通过工厂定期上报、不定期现场检查获得、建立、更新受纳水体样本；
S13、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素在排出时占污染废水的平均浓度作为指标，形成一个18维向量
Figure 313357DEST_PATH_IMAGE001
；
S14、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子污染物在排出时占污染废水的平均浓度作为指标，形成一个8维向量
Figure 384082DEST_PATH_IMAGE002
；
S15、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占污染废水的平均浓度作为指标，形成一个15维向量
Figure 155597DEST_PATH_IMAGE003
；
S16、以S13～S15中的三个向量作为基本指标，建立污染废水的化学指纹库；
所述第二模块，通过设置在间隔预定距离的固定监测点，以预定频率对水域内的污染物在线检测，当确定存在污染物后，采用移动式人工智能在线检测平台对预定位置的水域进行在线检测、实时收集，实现在线监测、实时收集污染风险数据；
作为一个优选方案，所述第二模块，通过
S31、确定污染物事件的发生，在该水域中某个断层检测出污染物高出环境保护要求或多种污染物同时高出该水域的背景指标；
S32、若固定监测点检测的污染物浓度随时间变化曲线近似为正态分布，可视为污染物瞬时排放；若固定监测点检测的污染物浓度随时间变化曲线近似为直线，可视为连续化排放；
S33、对水域内污染物进行定量分析，以第一时间检测到污染物风险的监测点取样的水域样本作为第一样本，同时其上游的监测点取样的水域样本作为第二样本，并第一样本和第二样本的具体组分进行定量分析：
选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素占第一样本的平均浓度作为指标，形成一个18维向量
Figure 198640DEST_PATH_IMAGE004
；占第二样本的平均浓度作为指标，形成一个18维向量
Figure 944879DEST_PATH_IMAGE005
选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子占第一样本的平均浓度作为指标，形成一个8维向量
Figure 971741DEST_PATH_IMAGE006
；占第二样本的平均浓度作为指标，形成一个8维向量
Figure 766521DEST_PATH_IMAGE007
；
选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占第一样本的平均浓度作为指标，形成一个15维向量
Figure 991966DEST_PATH_IMAGE008
；占第二样本的平均浓度作为指标，形成一个15维向量
Figure 364566DEST_PATH_IMAGE009
；
S34、计算不确定度，引入系统不确定度
Figure 347566DEST_PATH_IMAGE010
，其中，
Figure 8354DEST_PATH_IMAGE011
为污染物在水域中扩散所引起的不确定度分量；
Figure 291568DEST_PATH_IMAGE012
为监测点取样所引起的不去确定度分量；
Figure 317293DEST_PATH_IMAGE013
为实验误差所引起的不确定度分量，与实验方法有关；
Figure 849906DEST_PATH_IMAGE014
为工厂生产过程中所引起的不确定度分量；k为降解速率；
S35、对比监测点水域污染物组成与数据库组成的相似度测量，当满足如下条件时，
Figure 766915DEST_PATH_IMAGE015
即可认为为可能风险点。
作为一个优选方案，所述污染物在水域中扩散所引起的不确定度分量
Figure 639056DEST_PATH_IMAGE011
的计算方法如下：
Figure 101261DEST_PATH_IMAGE017
其中，
Figure 121170DEST_PATH_IMAGE018
为根据一维河道污染物扩散模型计算的理论污染物浓度数据，
Figure 327023DEST_PATH_IMAGE019
为在第i个采样点处的污染物浓度检测数据；
Figure 568518DEST_PATH_IMAGE019
服从正态分布
Figure 998362DEST_PATH_IMAGE020
；
所述监测点取样所引起的不去确定度分量
Figure 443250DEST_PATH_IMAGE012
的计算方法如下：对于同一监测点对水域不同断面取样得到污染物浓度差异主要为随机取样的不确定性导致，所以
Figure 452794DEST_PATH_IMAGE022
其中，
Figure 96265DEST_PATH_IMAGE019
为在第i个采样点处的污染物浓度检测数据；
Figure 900273DEST_PATH_IMAGE023
为多次测量中污染物的平均浓度；同时，可以多次取样，扩大取样间隔，剔除部分不可信数据，以减小
Figure 81724DEST_PATH_IMAGE012
的取值，具体的，当取样间隔大于0.5米，样本数量大于12时，监测点取样所引起的不确定度分量
Figure 691697DEST_PATH_IMAGE012
小于1.0%。
有益效果：本发明涉及一种基于人工智能的污染在线监测与溯源系统及方法，通过对目标水域内工厂的排污情况进行摸底调查，建立污水排放指纹库，然后通过反演法确定对监测数据与真实值之间的不确定度，然后通过对比相似度和不确定度之间的大小，确定污染源发生地。解决了传统污染事故污染源溯源方法的主观性、滞后性、设备要求高、工作量大的问题，降低数据检测的难道，提高了溯源方法的可行性。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
一种基于人工智能的污染在线监测与溯源系统及方法，包括如下步骤：
步骤一、建立污染废水化学指纹库。
步骤二、在线监测、实时收集污染风险数据。
步骤三、事故风险定性和筛选。
步骤四、定量分析、对比数据确定事故发生可能地。
步骤五、开展事故发生可能地的现场调查、取证及验证。
在进一步实施例中，所述建立风险化学指纹库包括如下步骤：
S11、基于人工智能记录监测水源内所有工厂排污口坐标和受纳水体样本；
S12、通过工厂定期上报、不定期现场检查获得、建立、更新受纳水体样本；
S13、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素在排出时占污染废水的平均浓度作为指标，形成一个18维向量
Figure 127358DEST_PATH_IMAGE001
；
S14、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子污染物在排出时占污染废水的平均浓度作为指标，形成一个8维向量
Figure 367846DEST_PATH_IMAGE002
；
S15、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占污染废水的平均浓度作为指标，形成一个15维向量
Figure 584064DEST_PATH_IMAGE003
；
S16、以S13～S15中的三个向量作为基本指标，建立污染废水的化学指纹库。
在进一步实施例中，所述在线监测、实时收集污染风险数据包括如下步骤：通过设置在间隔预定距离的固定监测点，以预定频率对水域内的污染物在线监测，当确定存在污染物后，采用移动式人工智能在线检测平台对预定位置的水域进行在线监测、实时收集。
在进一步实施例中，所述事故风险定性和筛选包括如下步骤：
S31、确定污染物事件的发生，在该水域中某个断层检测出污染物高出环境保护要求或多种污染物同时高出该水域的背景指标；
S32、若固定监测点检测的污染物浓度随时间变化曲线近似为正态分布，可视为污染物瞬时排放；若固定监测点检测的污染物浓度随时间变化曲线近似为直线，可视为连续化排放。
S33、对水域内污染物进行定量分析，以第一时间检测到污染物风险的监测点取样的水域样本作为第一样本，同时其上游的监测点取样的水域样本作为第二样本，并第一样本和第二样本的具体组分进行定量分析：
选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素占第一样本的平均浓度作为指标，形成一个18维向量
Figure 669832DEST_PATH_IMAGE004
；占第二样本的平均浓度作为指标，形成一个18维向量
Figure 731636DEST_PATH_IMAGE005
；
选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子占第一样本的平均浓度作为指标，形成一个8维向量
Figure 939763DEST_PATH_IMAGE006
；占第二样本的平均浓度作为指标，形成一个8维向量
Figure 580960DEST_PATH_IMAGE007
；
选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占第一样本的平均浓度作为指标，形成一个15维向量
Figure 735998DEST_PATH_IMAGE008
；占第二样本的平均浓度作为指标，形成一个15维向量
Figure 208568DEST_PATH_IMAGE009
。
S34、计算不确定度，引入系统不确定度
Figure 525279DEST_PATH_IMAGE010
，其中，
Figure 168619DEST_PATH_IMAGE011
为污染物在水域中扩散所引起的不确定度分量；
Figure 658506DEST_PATH_IMAGE012
为监测点取样所引起的不去确定度分量；
Figure 454424DEST_PATH_IMAGE013
为实验误差所引起的不确定度分量，与实验方法有关，在此不做进一步计算；
Figure 676458DEST_PATH_IMAGE014
为工厂生产过程中所引起的不确定度分量；当工厂生产备案产品时，其副产物的所占比例相对稳定，而且只有当未处理废水的排放量较大时，才会构成污染事故，因此工厂生产过程中所引起的不确定度分量具有较高的稳定性，一般小于3%；k为降解速率。
在进一步实施例中，所述污染物在水域中扩散所引起的不确定度分量
Figure 557826DEST_PATH_IMAGE011
的计算方法如下：
Figure 851404DEST_PATH_IMAGE017
其中，
Figure 485517DEST_PATH_IMAGE018
为根据一维河道污染物扩散模型计算的理论污染物浓度数据，
Figure 409611DEST_PATH_IMAGE019
为在第i个采样点处的污染物浓度检测数据；
Figure 309434DEST_PATH_IMAGE019
服从正态分布
Figure 78806DEST_PATH_IMAGE020
。
其中，污染物瞬时排放一维河道污染物扩散模型：
Figure 849316DEST_PATH_IMAGE025
其中，
Figure 741049DEST_PATH_IMAGE026
为污染物排放总量，可利用监测点间距反演得到；
Figure 580698DEST_PATH_IMAGE027
、
Figure 153762DEST_PATH_IMAGE028
为污染物在水体中纵向、横向的扩散系数；
Figure 575516DEST_PATH_IMAGE029
、
Figure 841412DEST_PATH_IMAGE030
为一维水域的在纵向的平均流速和横向水流的平均流速；
Figure 653510DEST_PATH_IMAGE031
为污染物排放时到监测点所花时长；
Figure 282462DEST_PATH_IMAGE032
、
Figure 558723DEST_PATH_IMAGE033
为监测点距离风险点的纵向距离和横向距离；k为降解速率。
作为一个优选方案，污染物连续化排放的一维河道污染物扩散模型：
Figure 729941DEST_PATH_IMAGE034
其中，
Figure 294915DEST_PATH_IMAGE035
为污染物排放流量，可利用监测点间距反演得到；
Figure 272098DEST_PATH_IMAGE027
、
Figure 606127DEST_PATH_IMAGE028
为污染物在水体中纵向、横向的扩散系数；
Figure 197514DEST_PATH_IMAGE036
为水流纵向流速；
Figure 46522DEST_PATH_IMAGE032
、
Figure 30658DEST_PATH_IMAGE033
为监测点距离风险点的纵向距离和横向距离；k为降解速率。
在进一步实施例中，所述监测点取样所引起的不去确定度分量
Figure 953615DEST_PATH_IMAGE012
的计算方法如下：对于同一监测点对水域不同断面取样得到污染物浓度差异主要为随机取样的不确定性导致，所以
Figure 732215DEST_PATH_IMAGE022
其中，
Figure 68518DEST_PATH_IMAGE019
为在第i个采样点处的污染物浓度检测数据；
Figure 574455DEST_PATH_IMAGE023
为多次测量中污染物的平均浓度；同时，可以多次取样，扩大取样间隔，剔除部分不可信数据，以减小
Figure 679814DEST_PATH_IMAGE012
的取值，具体的，当取样间隔大于0.5米，样本数量大于12时，监测点取样所引起的不确定度分量
Figure 629316DEST_PATH_IMAGE012
小于1.0%。
S35、对比监测点水域污染物组成与数据库组成的相似度测量，当满足如下条件时，
Figure 390598DEST_PATH_IMAGE015
即可认为为可能风险点。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (10)

1.一种基于人工智能的污染在线监测与溯源方法，其特征在于，包括如下步骤：
步骤一、建立污染废水化学指纹库；
步骤二、在线监测、实时收集污染风险数据；
步骤三、事故风险定性和筛选；
步骤四、定量分析、对比数据确定事故发生可能地；
步骤五、开展事故发生可能地的现场调查、取证及验证。
2.根据权利要求1所述的基于人工智能的污染在线监测与溯源方法，其特征在于，所述建立风险化学指纹库包括如下步骤：
S11、基于人工智能记录监测水源内所有工厂排污口坐标和受纳水体样本；
S12、通过工厂定期上报、不定期现场检查获得、建立、更新受纳水体样本；
S13、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素在排出时占污染废水的平均浓度作为指标，形成一个18维向量
Figure 183609DEST_PATH_IMAGE001
；
S14、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子污染物在排出时占污染废水的平均浓度作为指标，形成一个8维向量
Figure 81158DEST_PATH_IMAGE002
；
S15、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占污染废水的平均浓度作为指标，形成一个15维向量
Figure 263878DEST_PATH_IMAGE003
；
S16、以S13～S15中的三个向量作为基本指标，建立污染废水的化学指纹库。
3.根据权利要求1所述的基于人工智能的污染在线监测与溯源系统及方法，其特征在于，所述在线监测、实时收集污染风险数据包括如下步骤：通过设置在间隔预定距离的固定监测点，以预定频率对水域内的污染物在线检测，当确定存在污染物后，采用移动式人工智能在线检测平台对预定位置的水域进行在线检测、实时收集。
4.根据权利要求1所述的基于人工智能的污染在线监测与溯源方法，其特征在于，所述事故风险定性和筛选包括如下步骤：
S31、确定污染物事件的发生，在该水域中某个断层检测出污染物高出环境保护要求或多种污染物同时高出该水域的背景指标；
S32、若固定监测点检测的污染物浓度随时间变化曲线近似为正态分布，可视为污染物瞬时排放；若固定监测点检测的污染物浓度随时间变化曲线近似为直线，可视为连续化排放；
S33、对水域内污染物进行定量分析，以第一时间检测到污染物风险的监测点取样的水域样本作为第一样本，同时其上游的监测点取样的水域样本作为第二样本，并第一样本和第二样本的具体组分进行定量分析：
选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素占第一样本的平均浓度作为指标，形成一个18维向量
Figure 496145DEST_PATH_IMAGE004
；占第二样本的平均浓度作为指标，形成一个18维向量
Figure 156933DEST_PATH_IMAGE005
选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子占第一样本的平均浓度作为指标，形成一个8维向量
Figure 174568DEST_PATH_IMAGE006
；占第二样本的平均浓度作为指标，形成一个8维向量
Figure 465872DEST_PATH_IMAGE007
；
选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占第一样本的平均浓度作为指标，形成一个15维向量
Figure 998484DEST_PATH_IMAGE008
；占第二样本的平均浓度作为指标，形成一个15维向量
Figure 400647DEST_PATH_IMAGE009
；
S34、计算不确定度，引入系统不确定度
Figure 335105DEST_PATH_IMAGE010
，其中，
Figure 780998DEST_PATH_IMAGE011
为污染物在水域中扩散所引起的不确定度分量；
Figure 800907DEST_PATH_IMAGE012
为监测点取样所引起的不去确定度分量；
Figure 741181DEST_PATH_IMAGE013
为实验误差所引起的不确定度分量，与实验方法有关；
Figure 530146DEST_PATH_IMAGE014
为工厂生产过程中所引起的不确定度分量；k为降解速率；
S35、对比监测点水域污染物组成与数据库组成的相似度测量，当满足如下条件时，
Figure 428831DEST_PATH_IMAGE015
即可认为为可能风险点。
5.根据权利要求4所述的基于人工智能的污染在线监测与溯源方法，其特征在于，所述污染物在水域中扩散所引起的不确定度分量
Figure 873719DEST_PATH_IMAGE011
的计算方法如下：
Figure 414422DEST_PATH_IMAGE016
其中，
Figure 513353DEST_PATH_IMAGE017
为根据一维河道污染物扩散模型计算的理论污染物浓度数据，
Figure 114098DEST_PATH_IMAGE018
为在第i个采样点处的污染物浓度检测数据；
Figure 46282DEST_PATH_IMAGE018
服从正态分布
Figure 390676DEST_PATH_IMAGE019
。
6.根据权利要求4所述的基于人工智能的污染在线监测与溯源方法，其特征在于，所述监测点取样所引起的不去确定度分量
Figure 357495DEST_PATH_IMAGE012
的计算方法如下：对于同一监测点对水域不同断面取样得到污染物浓度差异主要为随机取样的不确定性导致，所以
Figure 332404DEST_PATH_IMAGE020
其中，
Figure 548622DEST_PATH_IMAGE018
为在第i个采样点处的污染物浓度检测数据；
Figure DEST_PATH_IMAGE021
为多次测量中污染物的平均浓度；同时，可以多次取样，扩大取样间隔，剔除部分不可信数据，以减小
Figure 149236DEST_PATH_IMAGE012
的取值，具体的，当取样间隔大于0.5米，样本数量大于12时，监测点取样所引起的不确定度分量
Figure 704982DEST_PATH_IMAGE012
小于1.0%。
7.根据权利要求5所述的基于人工智能的污染在线监测与溯源方法，其特征在于，所述
污染物瞬时排放一维河道污染物扩散模型：
Figure 913110DEST_PATH_IMAGE022
其中，
Figure 819886DEST_PATH_IMAGE023
为污染物排放总量，可利用监测点间距反演得到；
Figure 443765DEST_PATH_IMAGE024
、
Figure 181914DEST_PATH_IMAGE025
为污染物在水体中纵向、横向的扩散系数；
Figure 747894DEST_PATH_IMAGE026
、
Figure 938704DEST_PATH_IMAGE027
为一维水域的在纵向的平均流速和横向水流的平均流速；
Figure 366274DEST_PATH_IMAGE028
为污染物排放时到监测点所花时长；
Figure 693350DEST_PATH_IMAGE029
、
Figure 180963DEST_PATH_IMAGE030
为监测点距离风险点的纵向距离和横向距离；k为降解速率；
污染物连续化排放的一维河道污染物扩散模型：
Figure 62331DEST_PATH_IMAGE031
其中，
Figure 355910DEST_PATH_IMAGE032
为污染物排放流量，可利用监测点间距反演得到；
Figure 990022DEST_PATH_IMAGE024
、
Figure 445274DEST_PATH_IMAGE025
为污染物在水体中纵向、横向的扩散系数；
Figure 548359DEST_PATH_IMAGE033
为水流纵向流速；
Figure 380049DEST_PATH_IMAGE029
、
Figure 884980DEST_PATH_IMAGE030
为监测点距离风险点的纵向距离和横向距离；k为降解速率。
8.一种基于人工智能的污染在线监测与溯源系统，其特征在于，包括：
第一模块，用于建立污染废水化学指纹库；
第二模块，用于在线监测、实时收集污染风险数据；
第三模块，用于事故风险定性和筛选；
第四模块，用于定量分析、对比数据确定事故发生可能地；
第五模块，用于开展事故发生可能地的现场调查、取证及验证。
9.根据权利要求8所述的基于人工智能的污染在线监测与溯源系统，其特征在于：所述第一模块，通过
S11、基于人工智能记录监测水源内所有工厂排污口坐标和受纳水体样本；
S12、通过工厂定期上报、不定期现场检查获得、建立、更新受纳水体样本；
S13、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素在排出时占污染废水的平均浓度作为指标，形成一个18维向量
Figure 714396DEST_PATH_IMAGE001
；
S14、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子污染物在排出时占污染废水的平均浓度作为指标，形成一个8维向量
Figure 367094DEST_PATH_IMAGE002
；
S15、将工厂每个生产线所产生、排出的污染废水进行定量分析，选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占污染废水的平均浓度作为指标，形成一个15维向量
Figure 192355DEST_PATH_IMAGE003
；
S16、以S13～S15中的三个向量作为基本指标，建立污染废水的化学指纹库；
所述第二模块，通过设置在间隔预定距离的固定监测点，以预定频率对水域内的污染物在线检测，当确定存在污染物后，采用移动式人工智能在线检测平台对预定位置的水域进行在线检测、实时收集，实现在线监测、实时收集污染风险数据；
所述第二模块，通过
S31、确定污染物事件的发生，在该水域中某个断层检测出污染物高出环境保护要求或多种污染物同时高出该水域的背景指标；
S32、若固定监测点检测的污染物浓度随时间变化曲线近似为正态分布，可视为污染物瞬时排放；若固定监测点检测的污染物浓度随时间变化曲线近似为直线，可视为连续化排放；
S33、对水域内污染物进行定量分析，以第一时间检测到污染物风险的监测点取样的水域样本作为第一样本，同时其上游的监测点取样的水域样本作为第二样本，并第一样本和第二样本的具体组分进行定量分析：
选取铝、钒、铬、锰、铁、钴、镍、铜、锌、铌、钼、银、镉、锑、锡、钡、汞、铅18种重金属污染物元素占第一样本的平均浓度作为指标，形成一个18维向量
Figure 348530DEST_PATH_IMAGE004
；占第二样本的平均浓度作为指标，形成一个18维向量
Figure 348847DEST_PATH_IMAGE005
选取氟离子、氯离子、溴离子、氯酸根离子、溴酸根离子、硝酸根离子、磷酸根离子、硫酸根离子8种稳定的阴离子占第一样本的平均浓度作为指标，形成一个8维向量
Figure 426524DEST_PATH_IMAGE006
；占第二样本的平均浓度作为指标，形成一个8维向量
Figure 865596DEST_PATH_IMAGE007
；
选取阴离子表面活性剂、氰化物、硫化物、苯胺类、有机磷、三氯甲烷、四氯化碳、苯、二甲苯、乙苯、氯苯、二氯苯、对硝基氯苯、苯酚、脂类15种稳定的有机物污染物在排出时占第一样本的平均浓度作为指标，形成一个15维向量
Figure 79539DEST_PATH_IMAGE008
；占第二样本的平均浓度作为指标，形成一个15维向量
Figure 313075DEST_PATH_IMAGE009
；
S34、计算不确定度，引入系统不确定度
Figure 861737DEST_PATH_IMAGE010
，其中，
Figure 838920DEST_PATH_IMAGE011
为污染物在水域中扩散所引起的不确定度分量；
Figure 907370DEST_PATH_IMAGE012
为监测点取样所引起的不去确定度分量；
Figure 515069DEST_PATH_IMAGE013
为实验误差所引起的不确定度分量，与实验方法有关；
Figure 364076DEST_PATH_IMAGE014
为工厂生产过程中所引起的不确定度分量；k为降解速率；
S35、对比监测点水域污染物组成与数据库组成的相似度测量，当满足如下条件时，
Figure 817054DEST_PATH_IMAGE015
即可认为为可能风险点。
10.根据权利要求9所述的基于人工智能的污染在线监测与溯源系统，其特征在于，所述污染物在水域中扩散所引起的不确定度分量
Figure 67907DEST_PATH_IMAGE011
的计算方法如下：
Figure 830196DEST_PATH_IMAGE016
其中，
Figure 166499DEST_PATH_IMAGE017
为根据一维河道污染物扩散模型计算的理论污染物浓度数据，
Figure 688747DEST_PATH_IMAGE018
为在第i个采样点处的污染物浓度检测数据；
Figure 731790DEST_PATH_IMAGE018
服从正态分布
Figure 478029DEST_PATH_IMAGE019
；
所述监测点取样所引起的不去确定度分量
Figure 973732DEST_PATH_IMAGE012
的计算方法如下：对于同一监测点对水域不同断面取样得到污染物浓度差异主要为随机取样的不确定性导致，所以
Figure 96409DEST_PATH_IMAGE020
其中，
Figure 243225DEST_PATH_IMAGE018
为在第i个采样点处的污染物浓度检测数据；
Figure 160366DEST_PATH_IMAGE021
为多次测量中污染物的平均浓度；同时，可以多次取样，扩大取样间隔，剔除部分不可信数据，以减小
Figure 674524DEST_PATH_IMAGE012
的取值，具体的，当取样间隔大于0.5米，样本数量大于12时，监测点取样所引起的不确定度分量
Figure 272995DEST_PATH_IMAGE012
小于1.0%。
CN202010436013.9A 2020-05-21 2020-05-21 基于人工智能的污染在线监测与溯源系统及方法 Withdrawn CN111707792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010436013.9A CN111707792A (zh) 2020-05-21 2020-05-21 基于人工智能的污染在线监测与溯源系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010436013.9A CN111707792A (zh) 2020-05-21 2020-05-21 基于人工智能的污染在线监测与溯源系统及方法

Publications (1)

Publication Number Publication Date
CN111707792A true CN111707792A (zh) 2020-09-25

Family

ID=72538000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010436013.9A Withdrawn CN111707792A (zh) 2020-05-21 2020-05-21 基于人工智能的污染在线监测与溯源系统及方法

Country Status (1)

Country Link
CN (1) CN111707792A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112520793A (zh) * 2020-09-29 2021-03-19 广州市天驰测绘技术有限公司 一种黑臭水体电性溯源方法
CN112685522A (zh) * 2020-12-25 2021-04-20 广东奥博信息产业股份有限公司 一种河涌健康管理方法及系统
CN115114352A (zh) * 2022-08-25 2022-09-27 深圳市华云中盛科技股份有限公司 一种用于典型污染物快速分析管理系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112520793A (zh) * 2020-09-29 2021-03-19 广州市天驰测绘技术有限公司 一种黑臭水体电性溯源方法
CN112685522A (zh) * 2020-12-25 2021-04-20 广东奥博信息产业股份有限公司 一种河涌健康管理方法及系统
CN115114352A (zh) * 2022-08-25 2022-09-27 深圳市华云中盛科技股份有限公司 一种用于典型污染物快速分析管理系统
CN115114352B (zh) * 2022-08-25 2023-01-31 深圳市华云中盛科技股份有限公司 一种用于典型污染物快速分析管理系统

Similar Documents

Publication Publication Date Title
CN111707792A (zh) 基于人工智能的污染在线监测与溯源系统及方法
Prasad et al. Evaluation of the heavy metal pollution index for surface and spring water near a limestone mining area of the lower Himalayas
CN107677614B (zh) 一种水中重金属污染风险在线预警系统及方法
Liu et al. Concentrations, distribution, sources, and ecological risk assessment of heavy metals in agricultural topsoil of the Three Gorges Dam region, China
CN112505189A (zh) 一种基于地下水特征污染物的自动溯源方法
CN210895538U (zh) 水质智能监管装置和设备
Li et al. Heavy metals in soil of an urban industrial zone in a metropolis: risk assessment and source apportionment
CN108108336A (zh) 一种面向工业园区的大气污染物溯源方法
CN112198144B (zh) 一种快速污水溯源的方法及系统
CN106600509A (zh) 一种基于基础数据分析判断企业兑水排污行为的方法
Poshtegal et al. The heavy metals pollution index and water quality monitoring of the Zarrineh river, Iran
Fan et al. Water quality characteristics, sources, and assessment of surface water in an industrial mining city, southwest of China
CN207516235U (zh) 一种水中重金属污染风险在线预警系统
Andarani et al. Study of zinc pollution in river water: Average mass balance based on irrigation schedule
Chen et al. A hybrid methodology to quantitatively identify inorganic aerosol of PM2. 5 source contribution
RU2413220C1 (ru) Способ экологического мониторинга опасных производственных объектов
CN117151557A (zh) 一种基于工业废水监测数据的质量监控方法及系统
CN112309506A (zh) 一种基于排序和概率的层次化生态风险评价方法
de Castro Barcellos et al. The role of the Arroio Pavuna river in the transport of particulate heavy metals to Jacarepagua lagoon, Brazil
CN113516288A (zh) 河流水质巡查监督方法、装置、设备及存储介质
Shivkumar et al. Statistical approach for the assessment of water pollution around industrial areas: A case study from Patancheru, Medak district, India
CN116662919B (zh) 水体逆流识别方法及装置、电子设备和存储介质
CN117151471B (zh) 一种矿井水处理检测方法及系统
CN117037448A (zh) 一种用于地下水污染防控的污染预警方法及系统
CN114266404B (zh) 一种化工园区场地污染预警系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20200925

WW01 Invention patent application withdrawn after publication