物质流分析与神经网络相结合,用于预测和减少二级行业的污染
1Institute of Circular Economy, Beijing University of Technology, Beijing, P. R. China.
概括
回收酸电池至关重要,但会造成污染. 这项研究确定了水废渣作为主要的释放途径,并使用GA-ANN模型进行准确的污染物预测.
科学领域:
- 环境科学 环境科学
- 化学工程是化学工程的重要组成部分.
- 材料科学 材料科学 材料科学
背景情况:
- 使用的酸电池回收对于供应至关重要,但会产生大量的污染物.
- 诸如尘,水废渣 (WQS) 和废水等污染物威胁土壤和地下水.
- 影响污染物排放的关键工艺包括粉碎,分离,炼,精炼和渣生产.
研究的目的:
- 在电池回收过程中量化 (Pb) 流量.
- 识别主要的污染物产生过程,特别是WQS的形成.
- 开发用于实时污染物估计和环境控制的预测模型.
主要方法:
- 分析物质流量以量化Pb流量.
- 使用遗传算法 (GA) 优化人工神经网络 (ANN) 模型.
- 开发GA-ANN模型,用于实时估计废渣生产中的污染物产生.
主要成果:
- 水废渣 (WQS) 被确定为Pb释放的主要途径.
- 该GA-ANN模型实现了高预测准确度 (MSE = 0.0003).
- 该模型可以使用关键输入参数来估计WQS中的Pb含量.
结论:
- 开发的GA-ANN模型为酸电池回收提供了准确的实时污染物估计.
- 数据驱动的对工艺参数的调整可以减轻污染.
- 这种方法为工业生产中加强环境控制提供了可操作的见解.
