CN115330153A - 一种重金属污染土壤治理修复决策方法 - Google Patents
一种重金属污染土壤治理修复决策方法 Download PDFInfo
- Publication number
- CN115330153A CN115330153A CN202210916512.7A CN202210916512A CN115330153A CN 115330153 A CN115330153 A CN 115330153A CN 202210916512 A CN202210916512 A CN 202210916512A CN 115330153 A CN115330153 A CN 115330153A
- Authority
- CN
- China
- Prior art keywords
- risk
- heavy metal
- pollution
- data
- human health
- 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.)
- Pending
Links
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000002689 soil Substances 0.000 title claims abstract description 69
- 238000011282 treatment Methods 0.000 title claims abstract description 45
- 238000005067 remediation Methods 0.000 title claims abstract description 28
- 230000036541 health Effects 0.000 claims abstract description 62
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 66
- 230000008439 repair process Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 239000003344 environmental pollutant Substances 0.000 claims description 20
- 231100000719 pollutant Toxicity 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000011109 contamination Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 45
- 238000012216 screening Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000011066 ex-situ storage Methods 0.000 description 9
- 238000002386 leaching Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- 238000011065 in-situ storage Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000001988 toxicity Effects 0.000 description 3
- 231100000419 toxicity Toxicity 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 238000003900 soil pollution Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- ZODDGFAZWTZOSI-UHFFFAOYSA-N nitric acid;sulfuric acid Chemical compound O[N+]([O-])=O.OS(O)(=O)=O ZODDGFAZWTZOSI-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000003802 soil pollutant Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种重金属污染土壤治理修复决策方法,该方法首先采集重金属污染土壤的基础数据,所述基础数据包括人体健康风险数据、污染风险数据和生态风险数据;然后将人体健康风险数据、污染风险数据和生态风险数据进行综合评估确定不同风险等级,并将风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,输出推荐技术方案;最后根据推荐技术方案和不同风险等级的修复方量进行成本精准测算得到治理修复决策方案,建立了基于神经网络模型的土壤修复范围及方量估算和土壤修复决策系统,实现了土壤治理方案的智能化和精准化决策推荐,为高效开展重金属污染土壤治理修复提供技术支持。
Description
技术领域
本发明涉及环境保护领域,尤其涉及一种重金属污染土壤治理修复决策方法。
背景技术
重金属污染土壤主要是指土壤中含有的重金属元素浓度超过土壤自身的自净能力,导致其功能或结构受到破坏的现象。金属冶炼行业企业在生产过程中易对土壤造成重金属污染,此类土壤污染场地通常具有污染物浓度高、污染深度大、污染成分复杂、治理修复困难等特点。
现有技术中的一种土壤重金属污染的修复方法(申请号:CN202010281107.3)根据土壤重金属含量及空间分布特征分级、分区选择修复方法,修复过程中动态监测土壤中重金属浓度及土壤肥力情况,提高了修复效率。但该技术仅根据污染物总量浓度进行污染分级,没有考虑重金属在不同土壤类型、不同理化环境、不同污染深度条件下可能存在的生态风险、污染风险及人体健康风险的差异,其选择的修复方法仍是以总量去除为目的,存在过度修复的可能性,修复成本未得到有效控制。
发明内容
本发明的目的在于提供重金属污染土壤治理修复决策方法,以实现基于前馈神经网络技术土壤修复面积范围及方量规划估算和土壤污染物的修复技术方案制定的精准化和智能化,为高效开展重金属污染土壤治理修复提供技术支持。基于上述目的,本发明采用技术方案如下:
一种重金属污染土壤治理修复决策方法,包括以下步骤:
S1:采集重金属污染土壤的基础数据,所述基础数据包括人体健康风险数据、污染风险数据和生态风险数据;
S2:将人体健康风险数据、污染风险数据和生态风险数据进行综合评估确定不同风险等级,并将人体健康风险数据、污染风险数据和生态风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,输出推荐技术方案;
S3:根据推荐技术方案和不同风险等级的修复方量进行成本精准测算得到治理修复决策方案。
根据人体健康风险数据、污染风险数据和生态风险数据进行综合评估确定不同风险等级,并将人体健康风险数据、污染风险数据和生态风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,精确分析土壤的重金属污染,对土壤进行风险分析和修复方案分级,实现土壤重金属的精准治理修复。
作为进一步的方式,所述S2中确定不同风险等级的过程包括如下步骤:
S2.1对人体健康风险数据处理得到人体健康风险指标,对污染风险数据处理得到污染风险指标,对生态风险数据处理得到生态风险指标;并设定人体健康风险指标权重、污染风险指标权重及生态风险指标权重,所述人体健康风险指标权重、污染风险指标权重和生态风险指标权重之和为1;
S2.1.1:获得人体健康风险指标包括步骤如下:
S2.1.1.1:调用人体健康风险评价标准数据库作为安全、低风险、中风险和高风险的评价标准;
S2.1.1.2:隶属度计算
使用如下公式计算第i种重金属对第j级人体健康风险的隶属度Ur i,j:
此处Si,j为第i种重金属对第j级人体健康风险的参考值,Xi r为第i种重金属的人体健康风险;
S2.1.1.3:计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中安全等级对应的评估值;
S2.1.1.4:评价结果
将权重向量和隶属度矩阵相乘得到人体健康风险指标b1j:
S2.1.2:获取污染风险指标包括步骤如下:
S2.1.2.1:调用污染风险评价标准数据库;
S2.1.2.2:隶属度计算
使用如下公式计算第i种重金属对第j级污染风险的隶属度Uw i,j:
此处Si,j为第i种重金属对第j级污染风险的参考值,Xi w为第i种重金属的污染风险;
S2.1.2.3:计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中安全等级对应的评估值;
S2.1.2.4:评价结果
将权重向量和隶属度矩阵相乘得到污染风险指标b2j:
S2.1.3:获取生态风险指标包括步骤如下:
S2.1.3.1:调用生态风险评价标准数据库;
S2.1.3.2:隶属度计算
使用如下公式计算第i种重金属对第j级生态风险的隶属度Us i,j:
此处Si,j为第i种重金属对第j级污染风险的参考值,Xi s为第i种重金属的生态风险;
S2.1.3.3:计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中安全等级对应的评估值;
S2.1.3.4:评价结果
将权重向量和隶属度矩阵相乘得到生态风险指标b3j:
S2.2将人体健康风险指标权重、污染风险指标权重和生态风险指标权重列为权重向量A,将人体健康风险指标b1j、污染风险指标b2j及生态风险指标b3j列为风险指标向量B,将权重向量A、风险指标向量B和区间向量C相乘,得到综合评估结果S,
S=A×B×C;
其中区间向量C=[0 0.33 0.67 1]。
综合污染风险、生态风险和人体健康风险3个因素,经综合加权计算后得到不同的风险等级。
作为进一步的方式,综合污染风险、生态风险和人体健康风险3个因素,经综合加权计算后得到不同的风险等级,也就是根据综合评估结果S确定风险等级:
当S=0时,土壤的重金属污染风险等级为安全;
当0<S<40时,土壤的重金属污染风险等级为低风险;
当40≤S<70时,土壤的重金属污染风险等级为中风险;
当70≤S<100时,土壤的重金属污染风险等级为高风险。
得到不同的风险等级,根据不同的风险等级采取不同的治理修复措施。
作为进一步的方式,所述前馈神经网络模型的建立过程如下:
(1)确定网络的输入单元和输出单元数目,输入单元数是已有的示范工程项目信息,已有的示范工程项目信息包括项目名称、所在省市、用地规划、主要污染物、最大污染浓度、污染浓度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入,所述输出单元数目是治理修复决策类型,包括经济型、快速型、高效型及综合型;
(2)确定隐含层的神经元网络,所述神经元网络节点包括用地规划、主要污染物、最大污染浓度、污染深度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入;
(3)根据网络输入层、隐含层和输出层节点数,搭建前馈神经网络的拓扑结构;
(4)进行网络训练和学习,继续录入已有的示范工程项目信息数据代入神经网络,对神经网络进行训练和学习,使神经网络达到稳定状态;
(5)神经网络建造成功后,用实例来测试网络,使其迭代完善。
作为进一步的方式,所述输出层包括经济型、快速型、高效型及综合型4个输出节点,所述综合型为经济型、快速型和高效型的结合,可以是三者的结合,也可以是三者中的两者结合。
前馈神经网络是感知器的集合,其中有三种基本类型的层:输入层、隐藏层和输出层,在每个连接过程中,来自前一层的信号被乘以一个权重,增加一个偏置,然后通过一个激活函数,前馈网络使用反向传播迭代更新参数,直到达到理想的性能,具体包括:
(1)输入层(数据训练集准备)
输入层设置10~20个特征参数,即录入已有的示范工程项目信息;
表格如下,表格录入示范工程项目信息
(2)隐含层(神经网络训练)
选取现有的一种神经网络库,进行训练,具体是隐含层设置10~15个隐层节点,包括用地规划、主要污染物、最大污染浓度、污染深度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入等;其中各节点可以设置影响权重,并通过设置学习率、收敛率等,完成神经网络构建,形成拟合结果。
(3)输出层
输出层输出节点数暂定为4个:
1)经济型,经济型包括原位生物和风险管控处理;
2)快速型,快速型包括异位物理和化学处理;
3)高效型,高效型包括异位淋洗和工业炉窑处置方式;
4)综合型,综合型是经济型、快速型和高效型的结合,可以是三者的结合,也可以是三者中的两者结合。使用者可根据输出的类型进行成本测算,并结合风险分级评估结论确定修复决策方案。
本发明所实现的有益效果:
本发明根据人体健康风险数据、污染风险数据和生态风险数据进行综合评估确定不同风险等级,并将人体健康风险数据、污染风险数据和生态风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,精确分析土壤的重金属污染,对土壤进行风险分级和修复方案筛选,实现土壤重金属的精准治理修复。
附图说明
图1为本发明实施例的系统架构图;
图2为本发明实施例的重金属污染土壤治理修复决策流程;
图3为本发明实施例的决策输入输出流程;
图4为本发明实施例的神经网络的拓扑结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,下面结合附图和实施例对本发明作进一步说明。
如图1所示,本发明的系统构架包括基础设备层、数据层、数据处理和决策层、展示层,其中基础设备层包括服务器、存储设备、网络设备;数据层包括重金属污染物筛选值和管制值数据库、风险分级评价标准数据库、土壤环境背景值数据库、血铅模型数据库、污染物理化学性质及毒性参数数据库、风险评估模型及推荐值数据库;数据处理和决策层包括场地调查模块、风险评估与分级模块、修复技术决策模块;展示层包括屏幕/计算机,移动终端。
如图2所示,重金属污染土壤治理修复决策系统由决策系统基本模块、指标评价体系模块、风险评估与分级模块、修复技术决策模块组成,处理流程是先输入决策基本信息,再根据指标评价体系进行风险评估和分级,最后进行修复技术决策。
如图2所示,决策系统基本模块包括:
基本信息模块:标准数据库、风险评价模型、污染物数据库、修复技术筛选矩阵数据库、毒性数据库、专家评价模块;
地块特征模块:地质水文地质、污染特征数据库、地理信息;
社会经济模块:未来用地规划、土地开发价值、用户其他需求。
如图2所示,风险评估与分级模块包括:
基本信息输入:污染特征、地块特征、社会经济特征;
风险因子及指标确定:人体健康风险、生态风险、污染风险;
确定修复目标:总量目标、有效态目标、浸出目标;
二级因素模糊评估矩阵建立:隶属度函数选择、权量向量选择;
一级因素综合评价矩阵建立:未来场地用途、权重向量选择;
评价矩阵建立:模糊评估矩阵、综合风险评价矩阵;
评级结果输出:相关参数表单、风险分级结果、可视化分析。
确定不同风险等级的过程包括对人体健康风险数据处理得到人体健康风险指标,对污染风险数据处理得到污染风险指标,对生态风险数据处理得到生态风险指标;并设定人体健康风险指标权重、污染风险指标权重及生态风险指标权重,所述人体健康风险指标权重、污染风险指标权重和生态风险指标权重之和为1;具体包括:
1.分别获得人体健康风险指标、污染风险指标、生态风险指标
(1)获得人体健康风险指标,所述人体健康风险指标是基于中华人民共和国国家环境保护标准中的建设用地土壤污染风险评估技术导则(HJ25.3)中的风险评估方法及美国国家环境保护署开发的综合暴露吸收生物动力学模型(IEUBK)和成人血铅模型(ALM) 进行获得,包括如下步骤:
调用人体健康风险评价标准数据库作为安全、低风险、中风险和高风险的评价标准;隶属度计算
使用如下公式计算第i种重金属对第j级人体健康风险的隶属度Ur i,j:
此处Si,j为第i种重金属对第j级人体健康风险的参考值,Xi r为第i种重金属的人体健康风险;
S2.1.1.3:计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中1级风险对应的安全值;
评价结果
将权重向量和隶属度矩阵相乘得到人体健康风险指标b1j:
(2)获取污染风险指标,所述污染风险指标的获得是基于“HJ/T299固体废物浸出毒性浸出方法硫酸硝酸法”获得的,包括步骤如下:
调用污染风险评价标准数据库;
隶属度计算
使用如下公式计算第i种重金属对第j级污染风险的隶属度Uw i,j:
此处Si,j为第i种重金属对第j级污染风险的参考值,Xi w为第i种重金属的污染风险;
计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中1级风险对应的安全值;
评价结果
将权重向量和隶属度矩阵相乘得到污染风险指标b2j:
(3)获取生态风险指标,所述生态风险指标的获得通过设计模拟植物吸收土壤重金属的实验测定重金属元素有效态获得的,包括步骤如下:
调用生态风险评价标准数据库;
隶属度计算
使用如下公式计算第i种重金属对第j级生态风险的隶属度Us i,j:
此处Si,j为第i种重金属对第j级污染风险的参考值,Xi s为第i种重金属的生态风险;
计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中1级风险对应的安全值;
评价结果
将权重向量和隶属度矩阵相乘得到生态风险指标b3j:
2.将人体健康风险指标权重、污染风险指标权重和生态风险指标权重列为权重向量 A,将人体健康风险指标b1j、污染风险指标b2j及生态风险指标b3j列为风险指标向量B,将权重向量A、风险指标向量B和区间向量C相乘,得到综合评估结果S,
S=A×B×C;
其中区间向量C=[0 0.33 0.67 1]。
综合污染风险、生态风险和人体健康风险3个因素,经综合加权计算后得到不同的风险等级。
3.综合污染风险、生态风险和人体健康风险3个因素,经综合加权计算后得到不同的风险等级,也就是根据综合评估结果S确定风险等级:
当S=0时,土壤的重金属污染风险等级为安全;
当0<S<40时,土壤的重金属污染风险等级为低风险;
当40≤S<70时,土壤的重金属污染风险等级为中风险;
当70≤S<100时,土壤的重金属污染风险等级为高风险。当0≤S<25时,重金属污染土壤的风险等级为安全;
得到不同的风险等级,根据不同的风险等级采取不同的治理修复措施。
如图2所示,修复技术决策模块包括项目特征条件输入、修复模式选择、修复技术初筛及推荐技术排序及选取,先输入项目特征条件,接着根据项目特征条件选择修复模式,再根据修复模式进行修复技术初筛,最后进行技术模式集成与优化。其中项目特征条件输入包括修复目标、场地条件、修复介质需求、修复成本预算、修复周期要求,修复模式选择包括经济型修复技术模式、快速型修复技术模式、高效型修复技术模式、综合型修复技术模式,修复技术初筛包括建立指标体系、确定指标权重、专家调研问卷,推荐技术排序及选取包括原位生物处理、原位物理化学处理、异位物理化学处理、异位热处理与其他的方式,原位生物处理是指生物或植物修复等方式,原位物理化学处理是指原位固化或稳定化、化学氧化或还原、淋洗等方式,异位物理化学处理是指异位固化或稳定化、化学氧化或还原、淋洗等方式,异位热处理是指异位热脱附、水泥窑处置及综合利用烧结制砖等方式,其他的方式是指阻隔填埋或电动力学修复等方式。
如图3所示:一种重金属污染土壤治理修复决策方法包括步骤:
1.数据输入及分析:项目基本信息、地块特征信息(污染特征信息、地块基本信息)、总量数据、浸出数据、有效态数据、采样深度分段;
同时采集重金属污染土壤的基础数据,所述基础数据包括人体健康风险数据、污染风险数据和生态风险数据;
数据输入过程包括场地调查,场地调查由场地调查模块实现:
(1)包含污染情况分析组件:按污染物种类列出各污染物送检数量、检出数量、检出率、检出浓度统计分析数据、超标情况统计分析数据,并结合项目地块情况分区、分层分类统计。
(2)超标数据统计分析:
包含超筛选值倍数分析:列出各采样点位的编号、坐标、污染物种类、最大超筛选值倍数。并结合项目地块情况分区、分层分类统计;
包含超管制值倍数分析:列出各采样点位的编号、坐标、污染物种类、最大超管制值倍数。并结合项目地块情况分区、分层分类统计;
包含超筛选值深度分析:列出各采样点位的编号、坐标、污染物种类、超筛选值最大深度。并结合项目地块情况分区分类统计。
(3)制图分析
用于超标点位平面分布图和浓度垂直分布图绘制,其中超筛选值点位分布图和超管制值点位分布图,使用点位超筛选值/管制值结果作为GIS平面图数据,按照污染物种类、分区和分层情况分别绘制。浓度垂直分布图用于描述单一污染物垂向分布。
2.风险评估并输出:
将人体健康风险数据、污染风险数据和生态风险数据进行综合评估确定不同风险等级,并将人体健康风险数据、污染风险数据和生态风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,输出推荐技术方案。
首先对输入的数据进行分析,确认是否超筛选值,如果超出筛选值,表示需要进行数据分析,这里的数据分析方法包括污染物分析、超筛选值分析、超管制值分析、污染深度分析。
然后对数据进行风险评估,对风险评估方法进行选择,方法一包括现有的风险评估方法,如中华人民共和国国家环境保护标准中的建设用地土壤污染风险评估技术导则(HJ25.3)及美国国家环境保护署开发的综合暴露吸收生物动力学模型(IEUBK)和成人血铅模型(ALM)中的风险评估方法,方法二在方法一的基础上,还包括将方法一的人体健康风险数据,以及污染风险数据和生态风险数据进行综合评估确定不同风险等级。根据评估方法选择的不同,确定修复目标,并就选择的评估方法进一步开展修复范围及方量的估算,也可同时选择两种方法分别进行评估,最终将方法二的评估结果与方法一的评估结果进行对照,以确定最终评估结论。
最后将人体健康风险数据、污染风险数据和生态风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,输出推荐技术方案。实现了对重金属污染场地进行分级治理修复,为精准场地治理修复提供决策支持。
图4为前馈神经网络模型,结合前馈神经网络模型对重金属污染土壤治理修复进行辅助决策的具体方法如下:
1.建立前馈神经网络模型
(1)确定网络的输入单元和输出单元数目,输入单元数是已有的示范工程项目信息,已有的示范工程项目信息包括项目名称、所在省市、用地规划、主要污染物、最大污染浓度、污染浓度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入,所述输出单元数目是治理修复决策类型,包括经济型、快速型、高效型及综合型;
(2)确定隐含层的神经元网络,所述神经元网络节点包括用地规划、主要污染物、最大污染浓度、污染深度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入;
(3)根据网络输入层、隐含层和输出层节点数,搭建前馈神经网络的拓扑结构;
(4)进行网络训练和学习,继续录入已有的示范工程项目信息数据代入神经网络,对神经网络进行训练和学习,使神经网络达到稳定状态;
(5)神经网络建造成功后,用实例来测试网络,使其迭代更新模型采纳数。
其中,输出层包括经济型、快速型、高效型及综合型4个输出节点,所述综合型为经济型、快速型和高效型的结合,可以是三者的结合,也可以是三者中的两者结合。
前馈神经网络是感知器的集合,其中有三种基本类型的层:输入层、隐藏层和输出层,在每个连接过程中,来自前一层的信号被乘以一个权重,增加一个偏置,然后通过一个激活函数,前馈网络使用反向传播迭代更新参数,直到达到理想的性能,具体包括:
(1)输入层(数据训练集准备)
输入层设置10~20个特征参数,即录入已有的示范工程项目信息;
表格如下,表格录入示范工程项目信息
(2)隐含层(神经网络训练)
选取现有的一种神经网络库,进行训练,具体是隐含层设置10~15个隐层节点,包括用地规划、主要污染物、最大污染浓度、污染深度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入等;其中各节点可以设置影响权重,并通过设置学习率、收敛率等,完成神经网络构建,形成拟合结果。
(3)输出层
本实施例中,输出层输出节点数为4个:
1)经济型,经济型包括原位生物和风险管控处理;
2)快速型,快速型包括异位物理和化学处理;
3)高效型,高效型包括异位淋洗和工业炉窑处置方式;
4)综合型,综合型是经济型、快速型和高效型的结合,可以是三者的结合,也可以是三者中的两者结合。
2.基于建立的前馈神经网络模型进行项目决策
(1)输入层
录入项目信息,包括项目名称、所在省市、用地规划、主要污染物、最大污染浓度、污染浓度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入等。
(2)模型计算及输出
通过运行前馈神经网络模型,输出层输出节点数为4个:
1)经济型,经济型包括原位生物和风险管控处理;
2)快速型,快速型包括异位物理和化学处理;
3)高效型,高效型包括异位淋洗和工业炉窑处置方式;
4)综合型,综合型是经济型、快速型和高效型的结合,可以是三者的结合,也可以是三者中的两者结合。使用者可根据输出的类型进行成本测算,并结合风险分级评估结论确定修复决策方案。
(3)在线训练及模型更新
根据使用者项目案例信息持续更新学习模型,提高修复技术决策精度。
最后,本发明中的重金属污染土壤治理修复决策系统还连接GIS服务器,可实现GIS 可视化。GIS是地理信息系统(Geographic Information System或Geo-Informationsystem,GIS)有时又称为“地学信息系统”,是在计算机硬、软件系统支持下,对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。
本发明根据人体健康风险数据、污染风险数据和生态风险数据进行综合评估确定不同风险等级,并将人体健康风险数据、污染风险数据和生态风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,精确分析土壤的重金属污染,对土壤进行风险分级和修复方案筛选,实现土壤重金属的精准治理修复。
最后需要说明的是,上述实施例阐明的内容应当理解为这些实施例仅用于更清楚地说明本发明,而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
Claims (5)
1.一种重金属污染土壤治理修复决策方法,其特征在于,包括以下步骤:
S1:采集重金属污染土壤的基础数据,所述基础数据包括人体健康风险数据、污染风险数据和生态风险数据;
S2:将人体健康风险数据、污染风险数据和生态风险数据进行综合评估确定不同风险等级,并将人体健康风险数据、污染风险数据和生态风险数据代入预先训练的前馈神经网络模型,对重金属污染土壤治理修复进行辅助决策,输出推荐技术方案;
S3:根据推荐技术方案和不同风险等级的修复方量进行成本精准测算得到治理修复决策方案。
2.根据权利要求1所述的重金属污染土壤治理修复决策方法,其特征在于,所述S2中确定不同风险等级的过程包括如下步骤:
S2.1对人体健康风险数据处理得到人体健康风险指标,对污染风险数据处理得到污染风险指标,对生态风险数据处理得到生态风险指标;并设定人体健康风险指标权重、污染风险指标权重及生态风险指标权重,所述人体健康风险指标权重、污染风险指标权重和生态风险指标权重之和为1;
S2.1.1:获得人体健康风险指标包括步骤如下:
S2.1.1.1:调用人体健康风险评价标准数据库作为安全、低风险、中风险和高风险的评价标准;
S2.1.1.2:隶属度计算
使用如下公式计算第i种重金属对第j级人体健康风险的隶属度Ur i,j:
此处Si,j为第i种重金属对第j级人体健康风险的参考值,Xi r为第i种重金属的人体健康风险;
S2.1.1.3:计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中安全等级对应的评估值;
S2.1.1.4:评价结果
将权重向量和隶属度矩阵相乘得到人体健康风险指标b1j:
S2.1.2:获取污染风险指标包括步骤如下:
S2.1.2.1:调用污染风险评价标准数据库;
S2.1.2.2:隶属度计算
使用如下公式计算第i种重金属对第j级污染风险的隶属度Uw j,j:
此处Si,j为第i种重金属对第j级污染风险的参考值,Xi w为第i种重金属的污染风险;
S2.1.2.3:计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中安全等级对应的评估值;
S2.1.2.4:评价结果
将权重向量和隶属度矩阵相乘得到污染风险指标b2j:
S2.1.3:获取生态风险指标包括步骤如下:
S2.1.3.1:调用生态风险评价标准数据库;
S2.1.3.2:隶属度计算
使用如下公式计算第i种重金属对第j级生态风险的隶属度Us i,j:
此处Si,j为第i种重金属对第j级污染风险的参考值,Xi s为第i种重金属的生态风险;
S2.1.3.3:计算重金属权重
采用浓度超标法计算重金属权重wi:
Xi为第i种重金属的实测值;Si为第i种重金属在评估标准中安全等级对应的评估值;
S2.1.3.4:评价结果
将权重向量和隶属度矩阵相乘得到生态风险指标b3j:
S2.2将人体健康风险指标权重、污染风险指标权重和生态风险指标权重列为权重向量A,将人体健康风险指标b1j、污染风险指标b2j及生态风险指标b3j列为风险指标向量B,将权重向量A、风险指标向量B和区间向量C相乘,得到综合评估结果S,
S=A×B×C;
其中区间向量C=[0 0.33 0.67 1]。
3.根据权利要求2所述的重金属污染土壤治理修复决策方法,其特征在于,还包括根据综合评估结果S确定风险等级:
当S=0时,土壤的重金属污染风险等级为安全;
当0<S<40时,土壤的重金属污染风险等级为低风险;
当40≤S<70时,土壤的重金属污染风险等级为中风险;
当70≤S<100时,土壤的重金属污染风险等级为高风险。
4.根据权利要求1~3任一项所述的重金属污染土壤治理修复决策方法,其特征在于,所述前馈神经网络模型的建立过程如下:
(1)确定网络的输入单元和输出单元数目,输入单元数是已有的示范工程项目信息,已有的示范工程项目信息包括项目名称、所在省市、用地规划、主要污染物、最大污染浓度、污染浓度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入,所述输出单元数目是治理修复决策类型,包括经济型、快速型、高效型及综合型;
(2)确定隐含层的神经元网络,所述神经元网络节点包括用地规划、主要污染物、最大污染浓度、污染深度、污染风险等级、修复目标、工程规模、工艺路线、施工时间、资金投入;
(3)根据网络输入层、隐含层和输出层节点数,搭建前馈神经网络的拓扑结构;
(4)进行网络训练和学习,继续录入已有的示范工程项目信息数据代入神经网络,对神经网络进行训练和学习,使神经网络达到稳定状态;
(5)神经网络建造成功后,用实例来测试网络,使其迭代完善。
5.根据权利要求4所述的重金属污染土壤治理修复决策方法,其特征在于,所述输出层包括经济型、快速型、高效型及综合型4个输出节点,所述综合型为所述经济型、所述快速型和所述高效型中两者或三者的结合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916512.7A CN115330153A (zh) | 2022-08-01 | 2022-08-01 | 一种重金属污染土壤治理修复决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916512.7A CN115330153A (zh) | 2022-08-01 | 2022-08-01 | 一种重金属污染土壤治理修复决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330153A true CN115330153A (zh) | 2022-11-11 |
Family
ID=83920395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210916512.7A Pending CN115330153A (zh) | 2022-08-01 | 2022-08-01 | 一种重金属污染土壤治理修复决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330153A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796702A (zh) * | 2022-12-27 | 2023-03-14 | 重庆地质矿产研究院 | 一种红壤土地综合治理生态修复成效的评估方法及系统 |
CN116596308A (zh) * | 2023-05-15 | 2023-08-15 | 生态环境部南京环境科学研究所 | 河流、湖泊沉积物重金属生态毒性风险的综合评价方法 |
CN117171677A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于决策树模型的微生物修复效果评价方法、系统及介质 |
CN117408495A (zh) * | 2023-12-12 | 2024-01-16 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
-
2022
- 2022-08-01 CN CN202210916512.7A patent/CN115330153A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796702A (zh) * | 2022-12-27 | 2023-03-14 | 重庆地质矿产研究院 | 一种红壤土地综合治理生态修复成效的评估方法及系统 |
CN116596308A (zh) * | 2023-05-15 | 2023-08-15 | 生态环境部南京环境科学研究所 | 河流、湖泊沉积物重金属生态毒性风险的综合评价方法 |
CN116596308B (zh) * | 2023-05-15 | 2023-11-17 | 生态环境部南京环境科学研究所 | 河流、湖泊沉积物重金属生态毒性风险的综合评价方法 |
CN117171677A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于决策树模型的微生物修复效果评价方法、系统及介质 |
CN117171677B (zh) * | 2023-11-02 | 2024-02-02 | 北京建工环境修复股份有限公司 | 基于决策树模型的微生物修复效果评价方法、系统及介质 |
CN117408495A (zh) * | 2023-12-12 | 2024-01-16 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
CN117408495B (zh) * | 2023-12-12 | 2024-03-29 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330153A (zh) | 一种重金属污染土壤治理修复决策方法 | |
Qiu et al. | Atmospheric dispersion prediction and source estimation of hazardous gas using artificial neural network, particle swarm optimization and expectation maximization | |
Reed et al. | Cost‐effective long‐term groundwater monitoring design using a genetic algorithm and global mass interpolation | |
CN111368401A (zh) | 污染源的溯源方法、装置和存储介质 | |
CN110457829B (zh) | 一种基于集成大气扩散模型的源项释放反演和扩散预测方法 | |
Gui et al. | Spatial distribution, contamination characteristics and ecological-health risk assessment of toxic heavy metals in soils near a smelting area | |
Praveena et al. | Status, source identification, and health risks of potentially toxic element concentrations in road dust in a medium-sized city in a developing country | |
Konda et al. | Uncertainty propagation in puff-based dispersion models using polynomial chaos | |
CN112307602A (zh) | 一种地下水污染源信息和水力渗透系数场联合反演的方法 | |
Christakos et al. | Sampling design for classifying contaminant level using annealing search algorithms | |
Li et al. | Prioritization of potentially contaminated sites: a comparison between the application of a solute transport model and a risk-screening method in China | |
Huang et al. | Source area identification with observation from limited monitor sites for air pollution episodes in industrial parks | |
Furtaw Jr | An overview of human exposure modeling activities at the USEPA’s National Exposure Research Laboratory | |
Zhang et al. | Bioavailability (BA)-based risk assessment of soil heavy metals in provinces of China through the predictive BA-models | |
Lei et al. | Development of a new method framework to estimate the nonlinear and interaction relationship between environmental factors and soil heavy metals | |
Zheng et al. | Addressing the uncertainty in modeling watershed nonpoint source pollution | |
Oralbekova et al. | Information system for monitoring of urban air pollution by heavy metals | |
CN112309506A (zh) | 一种基于排序和概率的层次化生态风险评价方法 | |
Dunker | The response of an atmospheric reaction-transport model to changes in input functions | |
Zhu et al. | A data-driven approach for optimal design of integrated air quality monitoring network in a chemical cluster | |
Lilburne et al. | Sensitivity analysis on spatial models: new approach | |
Christakos et al. | Stochastic indicators for waste site characterization | |
Zheng et al. | Uncertainty analysis of human health risk assessment of soils contaminated with high concentrations of arsenic in a coal chemical industry area in northwest China | |
Emerson et al. | Measuring toxic emissions from landfills using sequential screening | |
Ahlfeld et al. | The sensitivity of remedial strategies to design criteria |
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 |