受HDPE膜影响下的垃圾填埋场渗滤液水位探测方法研究

2023-02-07能昌信张弦刘景财徐亚

环境工程技术学报 2023年1期

能昌信，张弦，刘景财，徐亚

1.山东工商学院信息与电子工程学院

2.中国环境科学研究院固体废物污染控制技术研究所

目前我国城市固体废物的处理方式仍以填埋为主，填埋场的堆体高度随着城市垃圾清运量的增长而不断增加，堆体稳定性问题也随之暴露。填埋场一旦出现失稳破坏，会引起渗滤液外流、废气排放等环境污染问题，甚至还会造成人员伤亡[1-2]。渗滤液水位过高会对堆体稳定性造成很大影响。我国多数填埋场运行数年后，渗滤液导排系统会出现淤堵失效等问题，在一些南方地区由于天气湿润多雨，加上填埋场雨污分流系统不完善，导致这些地区填埋场渗滤液水位普遍较高，容易发生堆体失稳事故[3]。而且我国填埋场设计标准规定填埋场底部渗滤液水位应低于30 cm。因此，对填埋场渗滤液水位进行探测和管控至关重要。

高密度电法作为中浅层工程勘察的一种勘探方法，具有无损、快速、时空高分辨率等优点，目前在工程地质、工业场地污染和固废堆场渗漏监测等方面得到广泛研究和应用[4-6]。付士根等[7]利用高密度电法对填埋场渗滤液进行探测，根据低阻区域分布特征，识别了渗滤液空间分布和液位高度等信息；张健智[8]采用高密度电法并结合钻孔验证，证实了电阻率剖面图上的低电阻率区域与渗滤液的堆积有关。传统的高密度电法装置，如温纳装置[9]的视电阻率剖面图呈倒梯形，随着测量深度的加深，剖面图所能反映的信息越少，分辨率也随之降低。因此当渗滤液堆积在填埋场底部时，传统的高密度电法装置获取到的数据中包含渗滤液的信息较少，分辨率也低。基于此，笔者在传统的高密度电法装置上加以改进，提出了川形探测装置，使得采集的数据中包含更多的渗滤液信息。

另一方面，填埋场底部往往铺有HDPE（High Density Polyethylene, 高密度聚乙烯）膜，当渗滤液堆积在填埋场底部时，若采用传统的最小二乘（LS）法进行反演，反演结果会受到HDPE膜高阻特性的影响，无法准确识别出HDPE膜上的渗滤液区域。目前人工神经网络[10]因其在输入与输出间具有优良的非线性映射能力，许多学者将其用在电阻率反演问题上，并取得了大量的研究成果[11-15]。BP神经网络作为人工神经网络中最具代表性的网络之一，在电阻率反演领域也得到了广泛的应用。本研究表明，使用BP神经网络的方法代替LS法进行反演，可以有效地消除HDPE膜边界效应的影响，提高渗滤液水位探测的分辨率。

综上所述，针对填埋场环境下传统高密度电法探测装置及其反演方法存在的不足，本文构建了川形探测装置，并采用BP神经网络模型算法对采集信息进行反演，实现填埋场堆体内渗滤液不同水位高度的电势数据到真实电阻率数据间的非线性反演。将川形装置采集的电势作为BP神经网络的输入，将真实电阻率数据作为输出进行训练，由此得到采集数据和电阻率数据间的非线性映射关系。通过仿真数据和实例数据,对BP神经网络和LS法的反演结果进行对比[16]，验证了基于川形装置的BP神经网络可以较准确地找出渗滤液的位置与水位高度，而LS法由于受到HDPE膜边界效应的影响，无法得出渗滤液的位置与水位高度等信息。

1 模型和方法

1.1 基本框架和流程

人工神经网络的非线性反演是通过对样本数据的训练，得到一个能正确解释采集数据的网络模型。传统的神经网络电阻率反演方法，是利用神经网络在视电阻率与真实电阻率之间形成非线性映射，但由于川形装置的特殊结构，无法获取到测线下方视电阻率与其位置的一一对应关系。因此笔者采用的基于川形装置的电阻率反演方法，是将电势数据经过数据预处理后作为神经网络的输入，测线下方真实的电阻率数据作为输出，即是在采集的电势数据和真实电阻率数据间形成非线性的映射关系。

使用神经网络对电势数据进行反演时，首先需要获得堆体内渗滤液在不同高度的电势数据，其次利用BP神经网络学习电势数据与渗滤液信息（渗滤液所处位置与水位高度等）间的关系。利用COMSOL Multiphysics仿真软件(版本5.5)模拟获得川形装置采集的电势数据样本，以模拟数据为基础训练神经网络。为验证BP神经网络方法应用于垃圾填埋场渗滤液水位反演问题的可行性和有效性，分别利用COMSOL模型获得的仿真测试集和现场采集的数据对BP神经网络的渗滤液水位识别结果进行验证。川形装置数据神经网络的框架和流程如图1所示。

图1 川形装置数据神经网络反演框架和流程Fig.1 Framework and process of neural network inversion of data of C-ERT

1.2 填埋场数据采集装置与方法

高密度电法装置是通过对创建的地下稳定电流场进行观察和研究，达到勘探目的。若要采用高密度电法获得堆体底部的渗滤液的水位信息，测线上供电电极建立起的电流场必须流经大部分渗滤液堆积的区域。传统的高密度电法装置是在一条测线上布有等间距排列的电极，电极间距的设置对探测深度有很大影响。当极间距过小时，绝大部分电流将无法流经渗滤液区域，不能获得包含渗滤液水位信息的数据；当增大极间距时，虽然探测深度会增加，但在深处的分辨率会降低，而且经常受到场地规模限制，电极间距无法设置得太大。因此传统的高密度电法装置获得的渗滤液信息有限，并且反映的只是一根测线上的情况，无法获得整个场地的渗滤液信息。针对传统高密度电法装置在探测堆体底部渗滤液问题上存在的不足，笔者提出了基于高密度电法的川形测量装置（图2）。

图2 川形装置结构示意Fig.2 Schematic diagram of C-ERT structure

川形装置主要由3条布有电极的平行测线、工控机、信号源、采集单元等构成，因为3条测线等间距布设，近似为“川”字，因此称为川形装置。川形装置利用外侧的2条测线(测线1和测线3)上的电极做供电电极，中间测线(测线2)上的电极做测量电极，供电电极的极间距是测量电极极间距的2倍，其中测线1与测线3的线间距布置为堆体高度的4～6倍为宜。供电电极A在测线1上，供电电极B在测线3上，由于供电电极在不同的测线上，且相距较远，电流从供电电极A到达供电电极B，大多数电流会流经堆体底部的渗滤液区域，电流流线如图3所示。因此川形装置建立的电流场中，电流中可以携带大量的渗滤液水位信息，提高垃圾填埋场渗滤液水位的分辨率。

图3 电流流线示意Fig.3 Schematic diagram of current flow lines

川形装置由128个电极组成，其中32个电极作为供电电极A在测线1上，32个电极作为供电电极B在测线3上，64个电极作为测量电极M在测线2上。采集方式为：供电电极A1供正电，供电电极B1～B32依次供负电，测量电极为2个供电电极连线与测线2交点的左右侧的2个电极；然后A2供正电，B1～B32依次供负电，直至正负电极排列组合完全结束。具体电极采集方式如表1所示，共可采集2 048 个电势。

表1 川形装置电极采集方式Table 1 Electrode collection mode of C-ERT

1.3 填埋场样本数据获取

神经网络模型的建立需要大量数据样本参与训练，选取合适的训练样本会大大提高模型反演结果的可靠性。一般来说，可以将现场采集的数据当作训练样本，但要求获取的数据中要包含观测目标的各种特征信息，因此获取大量可以支撑模型训练的现场数据十分困难。而仿真模拟软件的快速发展，为解决样本数据难以获取的问题提供了新的思路，已有学者通过试验对仿真模型数据的真实性和可靠性进行了验证[17]。笔者采用仿真模拟模型获得渗滤液水位在不同高度条件下的电势数据，为后续的神经网络学习奠定数据基础。

1.3.1 渗滤液模型构建

填埋场内部通常含有生活垃圾、重金属、渗滤液等介质，其中渗滤液与其他介质的电阻率差异性较大[18-19]。本研究的数据采集位置是在填埋场库底，此处的渗滤液极易堆积在堆体下方，由于堆体与渗滤液堆积的电阻率差异较大，因此二者会出现明显的分层结构。通过COMSOL仿真软件建立了渗滤液模型，模拟渗滤液在堆体中的堆积情况，以研究渗滤液与堆体的介质、渗滤液堆积高度等差异在电法探测中的数据体现，并在模型中铺设测线，采集渗滤液与堆体在不同介质差异下的电势，作为反演算法的训练集和测试集。仿真模型的尺寸和设定的边界条件均参考了实际场地的先验信息，建立模型的过程如下：1）建立一个长方体用来模拟堆体；2）在模拟堆体底部放置1个与堆体底面积相同的长方体来模拟渗滤液，渗滤液和堆体存在电阻率差异，并设定堆体的下表面为HDPE膜，将其电阻率值设定为1个高阻值；3）在堆体上表面铺设3条测线，模拟川形装置进行电势数据采集，另外将川形装置的测线2再使用温纳方式进行采集，用于作为与LS法结果的对比分析。渗滤液模型如图4所示。

图4 填埋场渗滤液仿真模型示意Fig.4 Schematic diagram of landfill leachate simulation model

1.3.2 电场控制方程

上述填埋场渗滤液仿真模型在进行探测时的电场分布需要服从以下控制方程[20]：

式中：J为电流密度， A /m2；Q为电场中电荷总量，C；E为电场强度， V /m；Je为位移电流密度， A /m2；σ为电导率， S /m；v为电势， V 。

1.3.3 边界和场源设定

由于填埋场四周与底部铺有HDPE膜，因此将仿真模型的所有外边界(除上表面)均设置为绝缘体，使电流无法流出HDPE膜，以模拟边界效应带来的影响。一般高密度电法在探测时需要足够的电流强度，才能使采集的数据经过反演后较准确地反映出地下情况，故将电流源强度设为1 A，又因模型模拟的是直流电法的勘探过程，所以将模型的相对介电常数设置为1。按照上述条件设置模型参数，模拟川形装置采集测线上的电势数据[16]。

1.3.4 训练数据获取

渗滤液模型中堆体高度分别为6、7和8 m，渗滤液高度为0.1～3 m，每次增加0.1 m。其中堆体电阻率设为20～50 Ω·m，渗滤液电阻率设为2～10 Ω·m。使用川形装置采集电势数据，通过改变模型中堆体和渗滤液的高度与电阻率，获得180组电势数据作为BP神经网络的数据集。

渗滤液仿真模型是在理想的条件下获得数据，而在现场采集数据时，由于现场环境、人为操作等因素，采集的数据中经常会存在噪声干扰，影响数据的准确性。因此通过现场试验，确定了噪声值范围，然后在仿真数据中加入均值为0，方差为0.05的高斯噪声，使得仿真数据更加贴近真实值。

1.4 电阻率非线性反演模型

1.4.1 BP神经网络

BP神经网络是一种根据误差反向传播算法进行训练的多层前馈神经网络，由输入层、隐藏层和输出层3部分组成，以3层BP神经网络为例，网络结构如图5所示。相邻的各层神经元之间由权重系数连接，信号从输入层输入，经过激活函数的作用后将信号向下层传递，最后由输出层输出结果[21-22]。

图5 BP神经网络结构示意Fig.5 Schematic diagram of BP neural network structure

BP神经网络的基本思想采用梯度下降法，使得网络的实际输出值和目标值的误差均方差（Ek）达到最小，公式为：

式中：tj为第j个神经元的期望输出；yj为第j个神经元的实际输出；n为输出层神经元个数。

1.4.2 训练样本与测试样本

1.5 方法验证

采用以下2种方式进行网络模型验证：用1.4节中仿真模型获取的测试数据集Dtest和现场实测数据分别进行模型验证。

实测数据来源于江西的2座生活垃圾填埋场的川形装置探测数据。填埋场1的底面积为450 m×122 m。填埋场采用重力流直通管进行渗滤液导流，由于该地区降水量大，导致填埋场库底位置堆存了大量的渗滤液，容易出现填埋场滑坡，造成安全事故，因此需对此位置进行检测。库底位置位于填埋场靠近渗滤液调节池的部分，在库底位置地面布置3条平行的测线，分别为测线1、测线2、测线3，测线间距为20 m，测线1距填埋区域最西侧4 m左右，填埋场1的现场测线布置示意如图6所示。填埋场2的底面积为430 m×110 m，测线同样布置在渗滤液调节池旁，相邻的测线间距为25 m，测线1距填埋区域最西侧10 m左右。

图6 填埋场1现场测线布置示意Fig.6 Schematic diagram of on-site survey line layout in landfill 1

川形装置按1.2节描述的方式进行供电采集，并对测线2使用温纳装置进行1次采集，使用美国AGI公司研发的反演软件（软件的反演方法为LS法）进行反演。将川形装置采集到的数据用BP神经网络反演，并与LS法结果进行比较，以检验本方法的有效性和精度。

2 结果与讨论

2.1 理论模型结果分析

为了评估BP神经网络模型的性能，对川形装置在渗滤液不同水位高度下采集到的电势数据用BP神经网络反演，然后与传统的LS法反演结果进行比较。采用均方误差(MSE)对2种反演算法的性能进行评价，定义如下:

式中：zˆi为第i个训练样本的预测值；zi为第i个训练样本的真实值。 M SE描述的是算法的预测值与真实值的误差，其值越小，说明算法的反演误差越小。

挑选出2个仿真模型用于比较BP神经网络和LS法的结果，定义模型的识别准确率（acc）为：

式中：So为预测的渗滤液区域与实际渗滤液区域重叠部分的面积；Sp为预测的渗滤液面积；St为实际渗滤液的面积。

根据BP神经网络与LS法的识别准确率及渗滤液水位信息，对2种算法进行分析比较，2个理想模型的示意及对应的2种算法的反演结果如图7所示。需要说明的是，为了突显出反演结果中的渗滤液区域，特将显示色阶值最大值设置为背景值(堆体平均电阻率值)的3倍，反演图中底部的红色区域为受HDPE膜的影响的高阻区域。

从图7可以看出，对于仿真模型1，BP神经网络的堆体高度预测值(红色区域以上部分)为6.7 m，比真实值减少了0.3 m，渗滤液高度预测值为0.8 m，比真实值减少了0.2 m，识别准确率为78.3%；LS法反演得到堆体高度约为6.3 m，比真实值减少了0.7 m，但由于受到HDPE膜边界效应的影响，并不能看出渗滤液区域。对于仿真模型2，BP神经网络的堆体高度预测值为7.8 m，比真实值减少了0.2 m，渗滤液高度预测值为1.7 m，比真实值减少了0.3 m，识别准确率为92.2%；LS法反演得到堆体高度约为7.4 m，比真实值减少了0.6 m，但依旧看不出渗滤液区域。并且对于仿真模型测试的反演结果，BP神经网络的MSE值均小于LS法，表明BP神经网络的预测误差更小，预测结果优于LS法。

图7 渗滤液模型及BP神经网络和LS法的反演结果Fig.7 Leachate model 1-2 and inversion results of BP and LS

综上，基于川形装置的BP神经网络能有效消除由HDPE膜引起的边界效应的影响，可以较准确地识别出渗滤液所处位置及水位高度，而传统的LS法由于受到HDPE膜的影响并不能反映出渗滤液区域。

2.2 现场实测数据反演结果

对江西的2座生活垃圾填埋场进行勘探的区域均位于填埋场库底位置，此处由于靠近渗滤液调节池，容易造成渗滤液堆积。2座填埋场均采用重力流直通管进行渗滤液导流，由于年久失修加上多雨天气，以致堆体下方堆积了大量渗滤液。实测数据的BP神经网络与LS法的反演结果如图8所示。

从图8可以看出，对于填埋场1，BP神经网络反演结果识别出的堆体高度为6.1 m，渗滤液高度为1.8 m；LS 法反演结果识别出的堆体高度为 5 m，但并不能反映出渗滤液区域信息。后经现场验证，勘探区域的堆体高度为6.5 m，堆体下方堆积的渗滤液达到2 m，BP神经网络对于现场实测数据的识别准确率为84.3%。对于填埋场2，BP神经网络反演结果识别出的堆体高度为8.4 m，渗滤液高度为2.3 m；LS法反演结果识别出的堆体高度为7.9 m，但同样不能反映出渗滤液区域信息。后经现场验证，勘探区域的堆体高度为8.9 m，堆体下方堆积的渗滤液为2.6 m，BP神经网络对于现场实测数据的识别准确率为85.9%。综上，基于川形装置的BP神经网络能有效反演出堆体内的渗滤液信息，并得到较好的探测结果，而LS法并不能反映出渗滤液区域。