多种废水制备水煤浆智能化专家系统的设计及应用

时间：2024-07-06

刘建忠，王双妮，李得第，王金乾

（浙江大学能源清洁利用国家重点实验室，浙江杭州310027）

煤转化过程中产生的高浓度有机废水属于成分复杂、危害大、处理困难的废水[1-2]，传统的废水处理手段一般具有高成本、低效率的弊端，无法资源化利用高浓度有机废水中含有的热值[3-4]。水煤浆技术在我国已是研究多年应用广泛的成熟技术，因而可以利用有机废水制备水煤浆，对有机废水实现低成本资源化利用[5]。

目前国内外利用废水制浆已有一些研究，闵凡飞等[6]用3 种焦化厂工业废水可以制备出性能较好的水煤浆，并且部分废水水煤浆稳定性优于自来水水煤浆；郑福尔等[7]用印染废水制备的水煤浆流动性较好，具有剪切变稀性能；Shao 等[8]用玉米和木薯酒精发酵废水制备水煤浆，浆体表观黏度较高，剪切变稀性能较强，且具有较好的降解性能。汪逸等[9]利用煤气化废水制备水煤浆，相比于去离子水煤浆能提高浆体的成浆浓度，具有较好的工业应用前景。

同时也有一些研究针对废水中某种具体成分对成浆性能的影响，Zhang 等[10]研究了工业废水中微量含氧有机分子对水煤浆流变性能的影响，发现水煤浆的黏度和屈服应力随有机小分子的存在而增大，对水煤浆制备有负面影响。Wang 等[11]研究了氨氮和挥发酚对料浆黏度的影响，得到氨氮的作用与溶液的酸碱度有关，而挥发酚对废水有机物含量范围的影响有限。Makarov 等[12]利用酸性和碱性废水以及含有酒精的液体废物与自来水进行对比，得到废水水煤浆的pH 向中性区转移，并且可以制出性能符合要求的水煤浆，废水中的有机成分还可以提高燃料的热值。Liu 等[13]研究了污泥水热处理产生的废液制备水煤浆对成浆性的影响，发现有机化合物（烷烃、胺类、酚类、杂环类等）溶解在废液中，其中一些起到了添加剂的作用，提高了浆体的流动性。

目前的研究主要为单一废水，由于不同废水对成浆的影响不一，而实际工业应用中往往存在多种废水，因此，需要开展多种废水制浆研究。针对来源不同的多种有机废水，通过大量的人工配比实验，进行了广泛深入的多种废水成浆性实验研究。由于废水来源广泛，对水煤浆成浆性的影响各异，如能根据废水的成分组成预测废水水煤浆浓度，将有效提高废水水煤浆的清洁高效生产。

为此，本文介绍了一款用于指导多种工业有机废水制备水煤浆的智能化软件系统。该软件在专家经验知识的支持下，运用神经网络技术，将计算机软件应用于复杂的多种废水制浆，实现废水成浆效果的最优化，从而更加有效利用废水资源，降低制浆成本，提高废水煤浆的成浆性能。

1 核心算法

1.1 废水煤浆成浆浓度预测模型

工业废水种类繁多、成分复杂，各种因素相互影响，相互制约，若仅采用简单的线性关系来推断多种废水水煤浆的成浆浓度，误差较大。以表1中的几种废水为例，废水中的氨氮、化学需氧量、金属离子和盐类化合物等含量较高，这些成分是很多废水中存在并较难处理的污染物，且这几种类型的物质往往对水煤浆性质影响较大。根据相关研究结果，氨氮使得水煤浆中的添加剂呈双层吸附，水化膜变厚，不利于提高成浆浓度，对成浆性起到负面影响；化学需氧量代表的有机物有利于提高添加剂吸附量，对成浆性起到正面影响；不同的金属离子作用机理不同，主要表现为与添加剂的相互作用，从而有着不同的影响效果[14-15]，所以将这些因素建立为有效因子，运用神经网络的方法发掘这些因子和成浆浓度之间的非线性关系，从而建立废水水煤浆成浆浓度预测模型。

表1 废水中的主要成分含量单位：mg·L-1

BP 神经网络是一种在数据统计领域经典的神经网络建模算法，是最为广泛使用的神经网络模型之一，常应用于非线性函数的预测。BP 神经网络算法可以通过输入大量数据样本进行训练，将样本进行分类，快速总结输入样本与输出结果之间的映射关系[16]。

图1 水煤浆浓度预测模型的基本构建流程

本系统建立的模型是根据制浆过程中多种废水的组成成分和废水的混合比例，预测废水水煤浆的成浆浓度。也就是将通过大量实验得到的掺混不同比例废水的废水水煤浆成浆浓度设定为样本数据，从而构建出废水水煤浆成浆浓度的预测模型。在模型的构建过程中，采用了80 组不同工况下一系列成浆数据进行训练，这80 组数据包括单种废水及各种废水按不同比例混合的黏浓特性数据，其中各种废水混合数据包括两种废水混合、3 种废水混合、4 种废水混合，每组数据包含5 个点。预测模型的基本构建流程如图1所示。

第一步：初始样本数据预处理。未经预处理的初始输入数据（废水组分数据）过大可能会导致神经网络收敛慢并影响计算的准确性。本文采用归一化处理将数据进行修正，便于后续程序处理。

第二步：确定网格结构和初始参数。神经初始参数的设定参考了之前的相关研究[17]，首先引入相关关系最密切的3 个因子，设置输入层为COD、Na、NH3-N 这3个节点，输出层为1个节点，即废水水煤浆成浆浓度，设定隐层神经元个数为13。

第三步：神经网络训练。按照上述的预测模型及参数设置，对预处理后的废水组分样本数据以及输出值即不同掺混比例的多种废水水煤浆的成浆浓度数据进行训练，直至误差达到要求。

第四步：模型评估与修改。通过第三步不断进行神经网络训练，结果满足相关要求后，还要对模型的精度进行评估。若评估结果不合格，则重复第二步调整网络结构及参数，再次随机选取预处理后的样本数据进行训练，并得到新模型。

第五步：训练结果满足要求后，则保存预测模型，结束训练过程。

1.2 废水优化配比模型

最优废水混合模型本质上是一个线性规划问题，即根据各种废水的成分数据、设定的废水混合比例范围和计算最优配比的目标函数，构建出多种废水优化配比模型。由于废水成分与水煤浆成浆浓度的对应关系复杂，为非线性关系，故本系统采用穷举法求解废水优化配比问题，穷举法由于其工作量较大，所以精确度也较高。废水优化配比模型的建立具体步骤如图2，其流程与水煤浆浓度预测模型的建立类似。

图2 废水优化配比模型基本构建流程

2 专家系统功能架构

此款专家系统能够通过数据库中录入的添加剂的信息、煤种数据和多种废水的成分数据，预测废水水煤浆的成浆浓度；亦可以根据多种废水的成分信息，确定多种废水混合的最佳配比，同时得到适配性最好的添加剂，为废水水煤浆的实际工业生产提供技术指导，提高废水利用效率。

这种功能强大且易于操作的智能化专家系统能够指导多种废水混合制浆的最佳配比，最大限度地提高废水水煤浆的浓度，提高燃烧热值和水煤浆气化的利用效率，降低水煤浆制备及泵送过程的耗能。

2.1 数据管理

专家系统中储存有数据库，如图3所示，包括废水主要成分数据库和煤种数据库，因为这二者为制浆过程中最大的影响因素。后期可根据需要导入不同的废水和煤种数据。数据库中还存有不同种添加剂，在输出预测成浆浓度的同时，还会得出最适合本次制浆的添加剂。

2.2 计算废水最佳配比

专家系统中的程序可以根据废水水煤浆成浆浓度预测模型中的不同废水成分与成浆浓度的对应关系，通过反复计算，得到废水水煤浆最佳的废水配比，并根据对应混合废水的成分组成，匹配出适配性最好的添加剂。图4 为最佳配比计算结果界面。得出最佳的废水配比后，可以根据筛选得到的添加剂和此废水配比计算出预测的废水水煤浆浓度，预测成浆浓度计算结果界面如图5所示。

3 专家系统的应用

为了验证专家系统预测成浆浓度的准确性，进行了14 组不同废水比例的成浆性实验，并将实际实验结果与预测结果进行对比。实验所用煤种为神华煤，其工业分析及元素分析数据见表2。实验所用废水主要为工业废水、洗气水、碳化水和硫磺水，见表1。工业废水为该厂从周边工厂收集并通过制备水煤浆进行处理的废水，洗气水、碳化水和硫磺水为该厂煤气化及合成氨生产过程产生的废水。废水主要成分已在表1中列出。

图3 废水数据库及煤种数据库

图4 最佳配比计算结果界面

图5 预测成浆浓度计算结果界面

实验所用神华煤煤粉粒度分布见图6，煤粉平均粒度为22.47μm，在比较合理的范围。

图6 煤粉粒度分布

5 种废水单独成浆的成浆浓度如图7 所示，可以看出在5种废水中，碳化水的成浆浓度最低，低于去离子水水煤浆，而由表1可知碳化水中的氨氮含量最高，COD 含量最低，说明废水中的氨氮对成浆性能有负面作用[14]。其余4种废水的成浆浓度均比去离子水水煤浆高，由表1可知它们的COD含量均处于较高水平，因此废水中的COD 对成浆性能起到正面作用。在单种废水制浆中，可看出成分含量与成浆特性的相关性比较强，但是多种废水混合制浆则需要专家系统来进行判断。

图7 不同废水成浆的成浆特性曲线

14 组不同废水比例制得的废水水煤浆成浆性如图8所示，14组混合废水的具体掺混比如表3所示，由图8及表3中编号6、8、9和13 可看出，将成浆浓度最高的洗气水比例增加时促进作用增强，废水水煤浆成浆性提高。由编号1、2、3、4 和10可看出，增加同样具有促进作用的工业废水比例，成浆性并没有变好，因此配比废水成浆性不能根据单种废水的作用情况判断，是多因子间相互作用相互影响的结果。

将实验所得的废水水煤浆实际浓度，与专家系统计算出成浆浓度进行对比，得到预测值与测试值的误差均小于10%，对比结果如图8所示，综上所述，该专家系统在实际应用中准确性较高，误差值较小，能够满足企业生产的要求。

表2 煤种的工业分析及元素分析

表3 不同废水比例

图8 专家系统预测成浆浓度与实际成浆浓度对比