基于神经网络的电动淋洗修复底泥预测优化方法及系统

本发明涉及铅镉污染底泥修复，更具体的说是涉及基于神经网络的电动淋洗修复底泥预测优化方法及系统。

背景技术：

1、电动修复技术常应用于低渗透的粘土和淤泥土的修复工作中，通过在重金属污染土壤两侧施加直流电场，使土壤中的重金属离子在电场的作用下通过电迁移、电渗流或电泳的方式向两级迁移，从而实现将重金属从土壤中去除的目的。

2、化学淋洗是修复底泥沉积物或土壤中重金属的常见方法之一 ，该技术可以快速的将重金属从底泥沉积物或土壤中去除、可在短时间内完成修复工作。

3、然而，在电动淋洗联合修复底泥重金属（铅铬）的过程中，药剂的种类、组合比例、组合浓度、修复时间多种影响因素都对最终的重金属去除率产生影响。

4、因此，如何提供一种对多种不同影响因素下的重金属去除率进行预测，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于神经网络的电动淋洗修复底泥预测优化方法及系统，用于至少解决背景技术中存在的部分技术问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明首先公开了一种基于神经网络的电动淋洗修复底泥预测优化方法，该方法包括以下步骤：

4、样本数据获取：

5、对铅镉污染底泥进行多种不同影响因素下的电动淋洗修复实验，得到铅镉污染底泥在不同影响因素下的实际铅去除率和实际镉去除率；

6、构建并训练bp神经网络：

7、构建bp神经网络模型，以所述多种不同影响因素作为bp神经网络模型的输入参数，以得到的所述实际铅去除率和实际镉去除率作为bp神经网络模型的输出参数，训练所述bp神经网络模型；

8、重金属去除率预测：

9、利用训练好的bp神经网络模型对待修复污染底泥的铅去除率和镉去除率进行预测。

10、进一步地，上述方法还包括，利用遗传算法求解铅铬去除率的最优值，得到最高铅去除率和/或镉去除率下对应的影响因素。

11、进一步地，样本数据获取步骤中，所述铅镉污染底泥通过以下方法获取：

12、实地采集铅镉污染的河道底泥，并将采集的河道底泥依次经过风干、研磨及过筛处理后，加水制备成铅镉污染底泥。

13、进一步地，样本数据获取步骤中，所述多种不同影响因素包括淋洗药剂的成分、淋洗药剂的不同成分浓度、淋洗药剂的不同成分比例、以及淋洗修复时间。

14、进一步地，所述淋洗药剂的成分包括，谷氨酸二乙酸四钠和氯化钠的混合成分，柠檬酸和氯化钠的混合成分，以及谷氨酸二乙酸四钠、柠檬酸和氯化钠的混合成分。

15、进一步地，构建并训练bp神经网络步骤中，所述bp神经网络模型包括：依次连接的输入层、中间隐含层以及输出层，其中所述输入层的节点数为四个，所述中间隐含层的节点数为十个，所述输出层的节点数为两个；所述中间隐含层的激活函数包括relu函数；所述输出层的激活函数包括sigmoid函数。

16、进一步地，构建并训练bp神经网络步骤中，训练所述bp神经网络模型，具体包括以下步骤：

17、将bp神经网络模型的输入参数进行归一化处理；

18、将归一化处理后的输入参数作为bp神经网络模型的数据集；

19、采用十折交叉验证法将所述数据集分成十份，轮流将其中九份作为训练数据，一份作为测试数据，进行训练验证。

20、进一步地，将bp神经网络模型的输入参数进行归一化处理，具体包括以下步骤：

21、计算每个输入参数的平均值；

22、根据输入参数的平均值计算所述输入参数对应的标准差；

23、根据输入参数的平均值和标准差得到输入参数的归一化处理结果。

24、进一步地，根据输入参数的平均值和标准差得到输入参数的归一化处理结果，具体包括以下公式：

25、。

26、式中，表示第n个影响因素中第i个影响值的归一化处理结果；表示第n个影响因素中第i个影响值；表示第i个影响值的平均值，表示第i个影响值的标准差。

27、本发明还公开了一种基于神经网络的电动淋洗修复底泥预测优化系统，包括计算机系统，所述计算机系统运行时能够实现本发明任意一种基于神经网络的电动淋洗修复底泥预测优化方法。

28、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于神经网络的电动淋洗修复底泥预测优化方法及系统，具有以下有益效果：

29、本发明利用bp神经网络对污染底泥的铅铬去除率预测中，考虑了电动淋洗多种不同影响因素，从而提高了实际应用过程中电动淋洗铅、镉的去除率预测的准确性。

30、本发明利用遗传算法求解影响铅铬去除率的影响因素的最优值，可以有效提高实际应用过程中电动淋洗铅、镉的去除率预测的稳定性和准确性。

技术特征：

1.一种基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，还包括，利用遗传算法求解铅铬去除率的最优值，得到最高铅去除率和/或镉去除率下对应的影响因素。

3.根据权利要求1所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，样本数据获取步骤中，所述铅镉污染底泥通过以下方法获取：

4.根据权利要求1所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，样本数据获取步骤中，所述多种不同影响因素包括淋洗药剂的成分、淋洗药剂的不同成分浓度、淋洗药剂的不同成分比例、以及淋洗修复时间。

5.根据权利要求4所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，所述淋洗药剂的成分包括，谷氨酸二乙酸四钠、柠檬酸中的任意一种或两种混合成分，谷氨酸二乙酸四钠和氯化钠的混合成分，柠檬酸和氯化钠的混合成分，以及谷氨酸二乙酸四钠、柠檬酸和氯化钠的混合成分。

6.根据权利要求1所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，所述bp神经网络模型包括：依次连接的输入层、中间隐含层以及输出层，其中所述输入层的节点数为四个，所述中间隐含层的节点数为十个，所述输出层的节点数为两个；所述中间隐含层的激活函数包括relu函数；所述输出层的激活函数包括sigmoid函数。

7.根据权利要求1所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，构建并训练bp神经网络步骤中，训练所述bp神经网络模型，具体包括以下步骤：

8.根据权利要求7所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，将bp神经网络模型的输入参数进行归一化处理，具体包括以下步骤：

9.根据权利要求8所述的基于神经网络的电动淋洗修复底泥预测优化方法，其特征在于，根据输入参数的平均值和标准差得到输入参数的归一化处理结果，具体包括以下公式：

10.一种基于神经网络的电动淋洗修复底泥预测优化系统，其特征在于，包括计算机系统，所述计算机系统运行时能够实现权利要求1-9任意一种所述的基于神经网络的电动淋洗修复底泥预测优化方法。

技术总结
本发明公开了一种基于神经网络的电动淋洗修复底泥预测优化方法及系统，属于铅镉污染底泥修复技术领域。其方法包括以下步骤：对铅镉污染底泥进行多种不同影响因素下的电动淋洗修复实验，得到不同影响因素下的实际铅去除率和实际镉去除率；构建BP神经网络模型，以多种不同影响因素作为BP神经网络模型的输入参数，以得到的实际铅去除率和实际镉去除率作为BP神经网络模型的输出参数，训练BP神经网络模型；利用训练好的BP神经网络模型对待修复污染底泥的铅去除率和镉去除率进行预测。通过本发明能够得到多种影响因素下的电动淋洗修复底泥预测结果。

技术研发人员：袁冬海,高晓宇,王旻昊,熊思宇,王辉,申宇洋,李雷,寇莹莹
受保护的技术使用者：北京建筑大学
技术研发日：
技术公布日：2024/1/15