区域污水处理规划的综合途径——Chang-Gui Wang.docVIP

区域污水处理规划的综合途径 CHANG-GUI WANG 摘要 本文描述了对区域范围内的河流进行污染控制规划的一种最新的决策模型，而这样的区域范围也是必须并入整个水域考虑的。 目前已经有数学模式求解与固定排放标准或者河流水质目标相适应的污水处理厂的最佳配置。当然，可以看到后一种情况明显地更复杂些，因为它不仅包括地址的选择，还有污染负荷的定额。对于污染负荷的定额而言，很有必要使用基于过程的河流水质模拟模型来预测不同出流标准组合的影响。考虑计算效率，采用人工神经网络复制这个模拟模型，连接遗传算法以决定最佳地址和出流标准，以满足所必须的河流水质要求。结果表明遗传算法对于固定出流标准和河流水质目标的情况都表现良好，因而提供了一个有效的方法规划区域范围的废水处理。 介绍 地区污水处理计划的目的是得到污水处理厂的最优位置以及可能的污水出流标准，从而通过规模的缩减来实现可能的费用节约。这与建造一般的污水处理厂相比显然要困难得多，因为前者需要对许多可选择的配置方案进行评估。所以，大量的研究工作被花在应用不同的数学规划技术确定地区范围的最优解决方案。这些技术包括混合整数规划、极值点排列、几何规划、组合规划和启发式规划。但是，公正地说由于其复杂性和必须作出的假设的有效性有待认可，这些技术没有一项被广泛接受。 本论文的目的是阐述基于综合了遗传算法（GA）和人工神经网络（ANN）的一种方法。人工神经网络被用于复制复杂的、基于过程的模拟模型，而该模拟模型是用于确定不同污水出流标准的组合对河流水质的影响。目标函数是在达到固定出流标准或满足河流水质要求条件下，使污水处理和运输的总费用（建设和运行时的）最小化。这两者的区别在于当假定了固定出流标准（也就是说所有选择的废水处理厂采取同样的指定的标准），解决方案将只限于选择最优地址，但是如果还必须满足特定河流水质条件（要求工厂有各自的污水出流标准），那么问题就还要包括排放废物的定额。不管怎样，本文所提方法提供了一个基于自然选择动力学的强大的研究程序，而且在最近与水资源工程相关的优化应用中表现良好。 2．优化模型 设整个网络有N个污水源和N个可能的处理厂。如果每个污水源都可以用一个污水管道与其它任意一个污水源相连，那么每个污水源就有N种对废水处理的方式（运往其它N－1个污水源或者自建一个污水处理厂）。因此，N个污水源每个都可有N个选择，即使不考虑每处不同的处理标准，那么可能的组合总数也将是NN。 基于固定出流标准，目标函数是： N 最小化 ∑ f ? (Q ?, x ?, y ?) ? = 1 其中f ? (Q ?, x ?, y ?)为污水源 i 处废水处理费用，是相应于不同的条件的排污流量Q ? 、清除率x ? 和处理选择y ?的函数。如果目的还有要达到特定的河流水质目标（必须考虑废物分配在内），那么就得增加一项附加约束条件： PQk (Q, X, Y) ≤ WQk 其中PQk (Q, X, Y)是受上流废水排放影响的河段k处的预测水质；WQk是河段k的水质目标；Q, X, Y为相应的排污流量、清除率和排污选择。 在提出了能评估不同的处理厂和相连管道配置的模型之后，下一阶段便是确定使包括建设和运行的总费用最小化的最经济的组合。在这里，遗传算法将适者生存的法则与遗传操作（比如繁殖、交叉和突变）联系起来。对于每个继承的代，采用适应度最大的旧代的遗传物质，创造出一系列新的人工后代，当然也伴随着偶然的突变。遗传算法采用可能性的而不是确定性的寻找程序，其效率来自于用决策变量的代码工作而非决策变量本身。每套决策变量以固定长度的代码串出现，在这里假定为二进制代码。最优化问题总是根据必须满足的约束条件来构建的。显然，受限优化不可避免地包括一些情况，那就是一部分研究范围内包含着不可能的解。为避免这些困难，遗传算法对在研究范围内有任意一个约束没有得到满足的情况做惩罚处理。通常情况下，有两种不同的方法可以采用，即修正遗传操作或者惩罚未满足所有约束条件的代码串。在这里，我们采用第二种方法来对未被接受的代码串的进行惩罚。建立惩罚函数的方法在很多优化文献里都可以找到。 当不但包括选择地址还包括废物定额时，因为目的是为了获得特定的河流水质目标（RQO），那就需要一些预测不同出流标准组合下的河流水质的方法。这意味着需要一个基于过程的模型来预测考虑河流的同化能力，包括内流稀释、扩散和复氧在内的因果关系。然而，运行复杂的模拟模型来确定最优解决方案的计算负担，即使是对于现代化的计算机来说也是过重的。因此，如果要实行优化，就需要一个更加有计算效率的模拟模型。然而，因为没有可替代的方法来评估修正决策变量的后果，包含在基于过程的模型中的流场信息还需要保留。最终我们选用了人工神经网络复制这个基于过程