基于深度学习的藻类混凝去除率预测方法

针对目前水厂应对藻类爆发时混凝剂投加量难以确定的问题,提出一种基于深度学习的藻类混凝去除率预测方法,利用DenseNet卷积神经网络和絮体图像对藻类混凝去除率进行预测,从而对投药量进行调整 . 具体做法是,在实验室条件下对高藻水进行混凝处理,记录混凝处理后的絮体图像和对应的去除率 . 以去除率区间为标签构建絮体图像数据集,利用此数据集对 DenseNet-121模型进行训练 . 结果显示,训练后的模型对测试集的预测准确度达到了 89.5%,与 VGG 和 ResNet模型相比,利用 DenseNet模型对本文建立的数据集进行识别的精确度更高,且在识别去除率在 60%~90% 区间的絮体图像相较于其他两种模型具有明显优势. 同时通过对数据集外的铜绿微囊藻絮体图像进行识别,验证了模型具有良好的泛化性.     

丙氨酸在紫外/氯工艺中生成挥发性DBPs的潜能

采用紫外/氯(UV/chlorine)组合工艺对原水中代表性氨基酸-丙氨酸(Ala)进行处理,并对该过程中产生的挥发性消毒副产物(三卤甲烷和卤乙腈)进行测定和分析.研究了不同投氯量、pH、紫外照射时间、溴离子和氨氮浓度对消毒副产物(DBPs)生成潜能的影响.结果表明,丙氨酸经紫外/氯工艺处理后会产生三氯甲烷(TCM)和二氯乙腈(DCAN)两种消毒副产物,且TCM、DCAN的质量浓度在处理15 min时达到最高的20.37μg/L和34.17μg/L,在较低的[Ala]/[Cl2]、较长的紫外照射时间以及中性的pH条件下有利于减少TCM和DCAN的产生,本试验得出的最佳工况为[Ala]/[Cl2]=1∶2,紫外照射2 h,溶液pH=7.此外,水中存在的溴离子使得UV/chlorine消毒后产生了溴氯乙腈(BCAN),增加了消毒副产物的种类和毒性;而氨氮的存在则会减少相应的消毒副产物的产生.还对不同工艺进行了对比,单独紫外照射时没有产生消毒副产物,单独使用氯时TCM产率小于UV/chlorine的产率,但DCAN的产率大于UV/chlorine的产率.最后,提出了UV/chlorine处理丙氨酸生成消毒副产物的可能途径:先是进攻丙氨酸氮原子上的氢,接着是脱羧基和脱氨基作用,生成乙醛和乙腈,再经过一系列取代和水解反应生成二氯乙腈和三氯甲烷.以上试验结果可以为紫外/氯组合工艺的应用和推广提供理论依据.