[go: up one dir, main page]

CN118731300A - 基于实时在线监测井的多层次冗余式地下水污染预警系统 - Google Patents

基于实时在线监测井的多层次冗余式地下水污染预警系统 Download PDF

Info

Publication number
CN118731300A
CN118731300A CN202410723607.6A CN202410723607A CN118731300A CN 118731300 A CN118731300 A CN 118731300A CN 202410723607 A CN202410723607 A CN 202410723607A CN 118731300 A CN118731300 A CN 118731300A
Authority
CN
China
Prior art keywords
data
warning
level
groundwater
early warning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410723607.6A
Other languages
English (en)
Inventor
张波涛
杨皓琦
张钧超
胡立堂
王嘉毅
刘俊
翟远征
赵娟娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN202410723607.6A priority Critical patent/CN118731300A/zh
Publication of CN118731300A publication Critical patent/CN118731300A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明涉及一种基于实时在线监测井的多层次冗余式地下水污染预警系统。本发明还提供监测井系统，所述监测井系统包括：监测井和监测井中的水质传感器，按照采集数据分类，水质传感器在监测井中分为三层，从上往下依次为II类传感器、III类传感器、I类传感器。本发明可以有效解决地下水污染预警的延迟和滞后现象，进而实现对污染事件的快速响应，避免由于监测预警模式的片面性所导致的误报和漏报等问题，提高预警的准确度和及时性。

Description

基于实时在线监测井的多层次冗余式地下水污染预警系统
技术领域
本发明属于工矿用地污染防控领域，具体涉及一种基于实时在线监测井的多层次冗余式地下水污染预警系统，针对工矿企业污染跑冒滴漏所引起的地下水污染问题进行快速监测与准确预警。
背景技术
近年来，环境污染问题防治重心由末端治理转向前端预防，对地下水污染监测预警和监管能力提出了更加迅速和准确的要求。工矿用地污染具有多源性、隐蔽性、随机性和复杂性的特征，是地块污染防治的重点领域。工矿用地污染源头众多，可通过跑冒滴漏等多种释放形式进入地下水、土壤等环境介质，且场地条件较为复杂，导致场地内部及周边介质污染扩散过程存在较大的空间变异性。
据《地下水质量标准》(GB/T 14848-2017)所规定，潜水监测频率为每年两次，承压水监测频率为每年一次。然而，现有较低的监测频率会导致所监测地下水指标的时效性较差，无法满足获取工矿用地长时间的、动态的地下水水质数据的要求，进而无法分析地下水污染所发生的具体时刻及其发展变化规律。同时，常规监测流程中，主要依靠人工周期性的采集水体样品进行实验室分析，此过程中地下水体性状的改变会导致水质参数发生变化，例如pH值、溶解氧以及挥发性有机物浓度，导致检测结果的可靠性较低。
目前地下水预警主要分为基于周期性监测数据的水质现状预警和基于在线监测井的水质趋势预警，后者可以为工矿企业污染预警提供有效支撑。通过调研地下水在线监测设备的相关工作发现，现有的用于监测井的设备和方法在灵敏度、选择性和准确度等方面难以满足预警需求。例如，根据污染物浓度是否超过预警阈值进行判断的模式，在污染物排放浓度低于监测设备检出限时，会将其判定为未发生污染事件，存在漏报的隐患。为解决该问题，可以在监测模块增加水温、水位、pH值和电导率等辅助性传感器，根据传感器数值变化趋势进行识别，但是判断过程容易受到某些非污染事件的影响，例如，由极端天气因素所导致的水位和水温等指标的异常变化，以及由于地质等因素所导致的地下水理化性质的变化，这样影响会带来误报的问题。
发明内容
为改变现有技术的不足，本发明提供一种监测井系统，其中所述监测井系统包括监测井和监测井中的水质传感器；其中，按照采集数据分类，水质传感器在监测井中分为三层，从上往下依次为II类传感器、III类传感器、I类传感器；
其中：
II类传感器包括但不限于用于采集地下水水位(GWL)、地下水温度(GWT)等常用指标的传感器中的一种或多种；
III类传感器包括但不限于用于采集重金属浓度、场地特征污染物浓度的传感器(如Cd传感器、Pb传感器、Cu传感器、氨氮传感器、氟传感器、VOCs传感器、NAPLs传感器等)中的一种或多种；
I类传感器包括但不限于用于采集pH、电导率(EC)、氧化还原电位(ORP)、溶解氧(DO)等辅助参数的电极传感器中的一种或多种。
根据本发明的实施方案，所述监测井系统为工业上应用的监测井系统，其中所述监测井系统包括：
在工业聚集区(如工矿用地等)，对照监测点布设至少1个监测井，其设置在工业集聚区地下水流向上游的边界处，以获取对照监测井数据作为场地背景值；
在潜在污染扩散监测点布设至少5个监测井；
在垂直于地下水流向的方向，呈扇形布设至少3个监测井；
在工矿用地两侧沿地下水流的方向，各布设1个监测井；
在工矿用地内部，监测井为3～5个/10km2，若面积大于100km2时，每增加15km2监测点至少增加1个监测井；
监测井布设在污染源(如主要污染源)附近的地下水下游，同类型污染源布设1个监测井，工矿用地内部布设的监测点总数不少于3个，其中每个监测点设置1个监测井。
根据本发明的实施方案，所述监测井为环境监测井，其为一井(或一组井)一设计，一井一编码，所有环境监测井统一编码。
根据本发明的实施方案，所述监测井为地下水监测井，所述地下水监测井的井管采用无污染材质，例如选用PVC-U塑料管或不锈钢管。
根据本发明的实施方案，监测井的内壁可以选用PVC-U塑料管或无缝钢管(又称为“井管”)。
根据本发明的实施方案，深度小于或等于100m的监测井内壁可以选用PVC-U塑料管；深度大于100m的监测井内壁可以采用无缝钢管或不锈钢管。
根据本发明的实施方案，不锈钢管和/或无缝钢管的壁厚可以大于等于4.5mm。
根据本发明的实施方案，PVC-U塑料管的壁厚可以大于等于8.4mm。
根据本发明的实施方案，所述监测井系统还包括滤水管，其用于过滤流向监测井的水体。
根据本发明的实施方案，滤水管的具体布设位置，依据监测井的钻孔取芯情况而定。
根据本发明的实施方案，根据本发明的实施方案，所述监测井系统还包括沉淀管。所述沉淀管是滤水管下部的无孔管段。它的用途是聚集经过滤层流入滤水管内的细小砂粒和岩屑，防止滤水管被沉淀物堵塞。
根据本发明的实施方案，沉淀管长度依含水层岩性而定，松散层不小于5m，基岩不小于3m。
根据本发明的实施方案，所述监测井的滤料层从底部填至滤水管顶部以上20cm。优选地，使用导砂管将滤料缓慢填充至滤水管管壁与监测井钻孔的孔壁中的环形空隙内，沿着监测井内壁管的四周均匀填充，避免从单一方位填入，以防止滤料填充时形成架桥或卡锁现象。更优选地，滤料填充过程中还进行测量，确保滤料填充至设计高度。
根据本发明的实施方案，从滤料层往上填充密封止水材料，直至距离地面50cm。优选地，可以采用膨润土作为密封止水材料。更优选地，每填充10cm密封止水材料，向钻孔中均匀注入清洁水，优选少量的清洁水。更优选地，填充密封止水材料的过程中进行测量，确保密封止水材料(如膨润土)填充至设计高度。更优选地，在填充密封止水材料完成后，静置待膨润土充分膨胀、水化和凝结，然后回填混凝土浆层。
根据本发明的实施方案，所述监测井系统还包括监测井的井口保护装置。例如，地下水环境监测井井台构筑包括井口保护筒、井台或井盖、警示柱和井口标识等部分，且在井口保护装置周边区域(如周围半径1m的区域)内设立地下水环境监测井警示牌和警示柱。
根据本发明的实施方案，所述井口保护筒可以使用不锈钢材质；和/或，所述井盖中心部分可以采用高密度树脂材料。
根据本发明的实施方案，所述监测井的井盖可以加安全锁。
根据本发明的实施方案，依据所述监测井的井管直径，可采用内径为24cm～30cm、高为50cm的保护筒，保护筒下部应埋入水泥平台中10cm固定。
根据本发明的实施方案，水泥平台为厚15cm，边长50cm～100cm的正方形平台，水泥平台四角须磨圆。
根据本发明的实施方案，每个监测井中设置有水质传感器。
根据本发明的实施方案，按照采集数据分类，水质传感器在监测井中分为三层，从上往下依次为II类传感器、III类传感器、I类传感器，用于在线测量监测井内的各项指标。
其中：
II类传感器包括但不限于用于采集地下水水位(GWL)、地下水温度(GWT)等常用指标的传感器中的一种或多种；
III类传感器包括但不限于用于采集污染物浓度的传感器(如Cd传感器、Pb传感器、Cu传感器、氨氮传感器、氟传感器、VOCs传感器、NAPLs传感器等)中的一种或多种；
I类传感器包括但不限于用于采集pH、电导率(EC)、氧化还原电位(ORP)、溶解氧(DO)等辅助参数的电极传感器中的一种或多种。
根据本发明的实施方案，所述监测井系统还包括监测预警平台，如监测预警云平台。
根据本发明的实施方案，所述监测井系统还包括数据传输管路，其用于连接传感器与监测预警平台。
根据本发明的实施方案，所述监测井的下方还设置有水质传感器。
根据本发明的实施方案，所述水质传感器上方在监测井构筑井台下，与洗井装置管线一同向外延伸，并连接至监测井平台。
根据本发明的实施方案，可以根据现场情况选择合适的电缆进行连接。
根据本发明的实施方案，所述监测预警平台包括中控箱、报警装置、天线(例如为4G天线)和蓄电池太阳能板。例如，蓄电池太阳能板安装在中控箱的顶部，通过立柱与中控箱连接，其主要功能是为中控箱、报警装置、天线等设备提供电力，并且能够有效防止雨水侵入，确保设备正常运行。
根据本发明的实施方案，中控箱通过数据传输管路连接传感器并接受数据，中控箱内部设置有蓄电池与显示板，蓄电池用于提供电力，显示板用于显示数据。
根据本发明的实施方案，天线(例如4G天线)用于向云端接受与发送信号，报警装置用于在现场进行报警，报警级别根据污染的严重程度不同可以分为蓝色、黄色、橙色、红色四级。
根据本发明的实施方案，所述监测井系统还包括自动清洗装置和/或采样装置。
根据本发明的实施方案，地下水监测井建成后(待井内的填料得到充分养护、稳定后，如8h后)进行成井洗井，例如采用所述自动清洗装置进行洗井。
根据本发明的实施方案，可以采用超量抽水的方式洗井。例如，成井洗井至直观判断水质基本上达到水清砂净(即基本透明无色、无沉砂)，同时监测pH值、电导率、浊度、水温等参数值达到稳定(连续三次监测数值浮动在±10％以内)，或浊度小于50NTU时，可结束洗井。
根据本发明的实施方案，对于部分监测井因水文地质条件洗井无法做到水清砂净，洗井抽水量可以达到3-5倍井容。
根据本发明的实施方案，自动洗井装置和/或采样装置由自动化控制设备进行控制，洗井时利用洗井泵提供动力，通过输水管路由自动洗井装置和/或采样装置抽出井内地下水后，可置于蓄水池中暂存，等待后续集中处理。优选地，若收到平台的地下水污染预警，自动对地下水进行采样。
根据本发明的实施方案，所述监测井系统还包括用于存储水样的采样瓶。
根据本发明的实施方案，采样瓶可以采取陈列式排布。优选地，所述采样瓶可以带有阀门。例如，采样过程中，使用采样装置抽出井内地下水，地下水会进入蓄水池等待处理，开启采样瓶阀门，将抽出的地下水送入采样瓶，实现地下水采样。
本发明还提供一种基于实时在线监测井的多层次冗余式地下水污染预警系统，其中所述预警系统包括：
信息收集模块，其用于获取当前监测井中传感器监测的数据；
信息分类存储模块，其与信息收集模块连接，信息分类存储模块接受检测数据后，将监测数据进行分类，得到分类数据；
预警模块，其包含判断模块和提示模块；其中，所述判断模块与信息分类存储模块连接，信息分类存储模块将分类数据传递至判断模块，判断模块判断相应的分类数据是否低于对应的预警阈值；
所述提示模块与判断模块连接，当所述分类数据大于或等于相应的预警阈值时，判断模确定是否发生污染事件；
如果判断模块确定发生污染事件，则生成预警信息，由提示模块发出预警提示。
根据本发明的实施方案，所述分类数据包括三部分预警数据：
第一部分为第Ⅰ层次预警数据，包括重金属污染物浓度与场地特征污染物浓度；
第二部分为第Ⅱ层次预警数据，包括当地污染物浓度变化趋势、天气信息、季节特征、地下水温度数据与季节特征信息；
第三部分为第Ⅲ层次预警数据，包括当地污染物浓度变化趋势、地下水的pH、氧化还原电位(ORP)、溶解氧(DO)、电导率(EC)数据与污染物浓度变化趋势数据。
根据本发明的实施方案，所述重金属污染物包括Cd、Pb、Cu等重金属中的一种或多种，场地特征污染物包括氨氮、含氟化合物、VOCs、NAPLs等污染物中的一种或多种。
根据本发明的实施方案，所述判断模块包括第Ⅰ层次判断单元、第Ⅱ层次判断单元和第Ⅲ层次判断单元，所述第Ⅰ层次判断单元、第Ⅱ层次判断单元和第Ⅲ层次判断单元顺次连接；
其中，所述第Ⅰ层次判断单元用于将第Ⅰ层次预警数据与相应的预警阈值进行比对，当任一污染物浓度大于或等于预警阈值时，生成预警信息并发送至提示模块；
若第I层次判断单元未发出预警信号，则所述第Ⅱ层次判断单元用于将第Ⅱ层次预警数据输入第一模型识别模块进行运算，判断识别结果是否发生异常，当发生异常时：
(II-1)判断对照监测井的相应识别结果是否正常；
(II-2)若与对照监测井的数据有明显差异，识别结果为不正常，则发出预警信号与异常数据信息至提示模块；
若第Ⅱ层次判断单元未发出预警信号，则所述第Ⅲ层次判断单元用于将第Ⅲ层次预警数据输入第二模型识别模型进行运算，判断识别结果是否发生异常：
(III-1)当发生异常时，判断对照监测井的相应识别结果是否正常；
(III-2)若与对照监测井的数据有明显差异，识别结果为不正常，则发出预警信号与异常数据信息至提示模块。
根据本发明的实施方案，所述第一识别模型选自随机森林分类模型。
根据本发明的实施方案，所述第二识别模型选自循环神经网络模型。
根据本发明的实施方案，将第Ⅰ层次预警数据(又称“第Ⅰ类污染物浓度数据”)与预警阈值进行比较，预警阈值主要参考《地下水质量标准》和场地功能区划水质标准，如数值仍未明确，参考如下预警分类：
(S1)当某一污染物浓度数据大于或等于阈值的0.9倍而小于阈值的1倍时，表示10％提前预警，属于蓝色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类蓝色预警信号；
(S2)当某污染物浓度数据大于或等于阈值的1.0倍而小于阈值的1.1倍时，表示污染物浓度超标10％以内，属于黄色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类黄色预警信号；
(S3)当某污染物浓度数据大于或等于阈值的1.1倍而小于阈值的1.5倍时，表示污染物浓度超标10％-50％，属于橙色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类橙色预警信号；
(S4)当某污染物浓度数据大于或等于阈值的1.5倍时，表示污染物浓度超标50％以上，属于红色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类红色预警信号。
根据本发明的实施方案，所述第Ⅱ层次判断单元用于先将当前监测井、对照井和当地历史第Ⅱ层次预警数据输入随机森林分类模型进行训练，得到预警阈值，再根据预警阈值判断前监测井、对照井对应的数据是否异常。
根据本发明的实施方案，所述第Ⅲ层次判断单元用于先将实验室数据、中试数据输入训练循环神经网络模型进行训练，得到初始模型，然后将第Ⅲ层次预警数据输入初始模型进行训练，得到优化模型，根据循环神经网络优化模型中的预警阈值判断判断前监测井、对照井对应的数据是否异常。
本发明还提供一种基于实时在线监测井的多层次冗余式地下水污染的预警方法，包括以下步骤：
(W1)获取当前监测井和对照井中传感器监测的数据；
(W2)判断监测的数据中是否有达到或超过阈值的数据；
(W3)当步骤(W2)监测的数据中有达到或超过阈值的数据时，进一步判断是否发生污染事件；
(W4)当步骤(W3)中判断发生污染事件时，发出预警提示。
根据本发明的实施方案，步骤W1之后和S2之前，还包括如下步骤：将监测数据进行分类，得到分类数据三部分预警数据：
第一部分为第Ⅰ层次预警数据，即污染物数据，污染物数据包括重金属污染物浓度与场地特征污染物浓度；
第二部分为第Ⅱ层次预警数据，包括当地污染物浓度变化趋势、天气信息、季节特征、地下水温度数据与季节特征信息；
第三部分为第Ⅲ层次预警数据，包括当地污染物浓度变化趋势、pH，ORP、DO和EC等。
根据本发明的实施方案，所述基于实时在线监测井的多层次冗余式地下水污染的预警方法包括如下步骤：
先判断第Ⅰ层次预警数据是否大于相应的预警阈值，当任一污染物浓度大于等于预警阈值时，生成预警信息并发送至预警模块；否则，所述第Ⅱ层次判断单元用于将第Ⅱ层次预警数据输入第一模型识别模块进行运算，判断识别结果是否发生异常，当发生异常时，判断对照监测井的相应识别结果是否正常，若不正常，发出预警信号与异常数据信息至预警模块；若第Ⅱ层次判断单元未发出预警信号，所述第Ⅲ层次判断单元用于将第Ⅲ层次预警数据输入第二模型识别模型进行运算，判断识别结果是否发生异常，当发生异常时，判断对照监测井的相应识别结果是否正常，若不正常，发出预警信号与异常数据信息至预警模块。
根据本发明的实施方案，判断第Ⅱ层次预警数据是否大于相应的预警阈值包括如下步骤：先将当前监测井、对照井和当地历史第Ⅱ层次预警数据输入随机森林分类模型进行训练，得到预警阈值，再根据预警阈值判断前监测井、对照井对应的数据是否异常。
根据本发明的实施方案，判断第Ⅲ层次预警数据是否大于相应的预警阈值包括如下步骤：所述第Ⅲ层次判断单元用于先将实验室数据、中试数据输入训练循环神经网络模型进行训练，得到初始模型，然后将第Ⅲ层次预警数据输入初始模型进行训练，得到优化模型，根据循环神经网络优化模型中的预警阈值判断判断对照监测井对应的数据是否异常。
根据本发明的实施方案，所述监测井系统可以包括所述预警系统。
本发明还提供一种地下水水质的判断方法，包括使用所述监测井系统和/或所述预警系统监测地下水水质。
有益效果
1)本发明将相应的模型进行组合和场地适应性改进，通过模型训练和校验，可以有效解决地下水污染预警的延迟和滞后现象，进而实现对污染事件的快速响应。同时，借助机器学习模型和在线监测系统所提供的对预警信号的多层次、冗余式的判断能力，避免由于监测预警模式的片面性所导致的误报问题，提高预警的准确度。
2)本发明采用多层次判断单元，解决污染预警漏报的缺陷，借助机器学习模型，避免污染预警误报的问题。通过上述的多层次冗余式地下水污染快速预警系统，为工矿企业跑冒滴漏所引起的地下水污染问题进行快速监测与准确预警。
附图说明
图1为监测井的结构示意图；
其中，各附图标记的含义如下：1—第I类传感器(测定重金属和场地特征污染物)；2—第II类传感器(地下水温度，GWT；地下水水位，GWL)；3—第III类传感器(辅助参数电极：酸碱度，pH；电导率，EC；氧化还原电位，ORP；溶解氧，DO)；4—洗井/样品采集管路；5—水泵；6—进水阀；7—蓄水池；8—采样瓶；9—中控箱；10—显示板；11—4G天线；12—报警装置；13—太阳能板；14—监测井保护盖；15—混凝土井台；16—地面硬化平台；17—监测井隔水层；18—监测井透水层；19—风险源；
图2为第Ⅰ层次预警模块的预警结构框图；
图3为第Ⅰ层次预警模块的预警流程图；
图4为第Ⅱ层次预警模块中随机森林分类模型算法流程图；
图5为随机森林分类模型调参流程图；
图6为第Ⅲ层次预警模块中循环神经网络模型算法流程图；
图7为循环神经网络模型调参流程图；
图8为预警模块的预警流程图；
图9为测试例1的中试数据和第I层次预警示意图；
图10为测试例1的中试数据和第II层次预警示意图；
图11为测试例1的中试数据和第III层次预警示意图。
具体实施方式
下文将结合具体实施例对本发明的系统及其方法做更进一步的详细说明。应当理解，下列实施例仅为示例性地说明和解释本发明，而不应被解释为对本发明保护范围的限制。凡基于本发明上述内容所实现的技术均涵盖在本发明旨在保护的范围内。
实施例1监测井系统的设置
a)监测井点位布设方案
地下水环境监测井建设技术要求参照《地下水环境监测技术规范》(HJ164-2020)和《地下水监测井建设规范》(DZ/T0270-2014)。对于工业污染源，在工矿用地等工业聚集区，对照监测点布设至少1个，设置在工业集聚区地下水流向上游边界处，以获取对照监测井数据作为场地背景值；潜在污染扩散监测点至少布设5个，垂直于地下水流向呈扇形布设不少于3个，在工矿用地两侧沿地下水流方向各布设1个监测点；在工矿用地内部，监测点要求3～5个/10km2，若面积大于100km2时，每增加15km2监测点至少增加1个；监测点布设在主要污染源附近的地下水下游，同类型污染源布设1个监测点，工矿用地内部监测点布设总数不少于3个，每个监测点设置一相应的监测井。
b)监测井建设设计方案
参见图1所示，监测井包括：1—第I类传感器(测定重金属和场地特征污染物)；2—第II类传感器(地下水温度，GWT；地下水水位，GWL)；3—第III类传感器(辅助参数电极：酸碱度，pH；电导率，EC；氧化还原电位，ORP；溶解氧，DO)；4—洗井/样品采集管路；5—水泵；6—进水阀；7—蓄水池；8—采样瓶；9—中控箱；10—显示板；11—4G天线；12—报警装置；13—太阳能板；14—监测井保护盖；15—混凝土井台；16—地面硬化平台；17—监测井隔水层；18—监测井透水层；19—风险源。
环境监测井建设坚持一井(组)一设计，一井一编码，所有环境监测井统一编码的原则。在充分搜集掌握拟建监测井地区有关资料和现场踏勘基础上，因地制宜，科学设计。地下水监测井编码格式为：编码XX，XX代表水井编号，从01开始编号。监测井深度及监测目的层和动态要素需要根据现场实际踏勘、观测数据以及所研究的工矿用地的相关水文地质资料确定，监测井的设计深度应满足检测目标要求。除此之外，在进行地下水监测井设计时需要考虑的设计内容要素包括：井、孔结构、施工设备及施工工艺、物探测井、井壁管、滤水管、滤料、止水及封孔、洗井、抽水试验方法及设备、井口保护及仪器安装、安全及环保措施等。
监测井建设施工方案
地下水监测井建设过程包括钻孔、下管、填充滤料、密封止水、井台构筑、成井洗井等环节。施工过程中应采取安全保障措施，做到清洁生产文明施工，避免钻井过程中污染地下水；监测井采用的构筑材料不应改变地下水的化学成分，不能干扰监测过程中对地下水中化合物的分析。
地下水监测井的井管14应采用无污染材质，宜选用PVC-U塑料管或不锈钢管；水位监测井宜选用PVC-U塑料管或无缝钢管。监测井深度小于或等于100m的单井宜选PVC-U塑料管；大于100m的监测井宜采用无缝钢管或不锈钢管；不锈钢管和无缝钢管壁厚大于等于4.5mm。PVC-U塑料管壁厚大于等于8.4mm。
地下水监测井滤水管的建设需要依靠区域的水文地质资料，掌握含水层和隔水层的分布、埋深、厚度和渗透性等信息，结合污染物的特征，确定易遭受污染含水层的基础上，初步确定监测井深度。滤水管的具体布设位置，依据实际钻孔取芯情况而定。沉淀管长度依含水层岩性而定，松散层不小于5m，基岩不小于3m。
地下水监测井的滤料层从底部填制滤水管顶部以上20cm。使用导砂管将滤料缓慢填充至管壁与孔壁中的环形空隙内，沿着井管四周均匀填充，避免从单一方位填入，防止滤料填充时形成架桥或卡锁现象。滤料填充过程进行测量，确保滤料填充至设计高度。密封止水从滤料层往上填充，直至距离地面50cm。采用膨润土作为止水材料，每填充10cm向钻孔中均匀注入少量的清洁水，填充过程中进行测量，确保止水材料(膨润土)填充至设计高度，静置待膨润土充分膨胀、水化和凝结，然后回填混凝土浆层。
为保护监测井，应建设监测井井口保护装置，地下水环境监测井井台构筑包括井口保护筒、井台或井盖、警示柱和井口标识等部分，且在井口保护装置周边1m区域内设立地下水环境监测井警示牌和警示柱。监测井保护装置应坚固耐用、不易被破坏。井口保护筒宜使用不锈钢材质，井盖中心部分应采用高密度树脂材料，井盖需加安全锁。依据井管直径，可采用内径为24cm～30cm、高为50cm的保护筒，保护筒下部应埋入水泥平台中10cm固定；水泥平台为厚15cm，边长50cm～100cm的正方形平台，水泥平台四角须磨圆。
c)传感器及数据传输装置
每个监测井中设置若干相应的水质传感器，按照采集数据分类，水质传感器在监测井中分为三层，从上往下依次为II类传感器、I类传感器、III类传感器，用于在线测量监测井内的各项指标：II类传感器包括但不限于用于采集地下水水位(GWL)、地下水温度(GWT)等常用指标的传感器；I类传感器包括但不限于用于采集pH、电导率(EC)、氧化还原电位(ORP)、溶解氧(DO)等辅助参数的电极传感器；III类传感器包括但不限于用于场地特征污染的传感器(如Cd传感器、Pb传感器、Cu传感器、氨氮传感器、氟传感器、VOCs传感器、NAPLs传感器等)。
数据传输管路用于连接传感器与监测预警平台，监测井下方设置水质传感器，水质传感器上方在监测井构筑井台下与洗井装置管线一同向外延伸，并连接至监测预警平台，根据现场情况选择合适的电缆进行连接。
监测井平台包括中控箱、报警装置、天线(例如为4G天线)和蓄电池太阳能板，蓄电池太阳能板安装在中控箱的顶部，通过立柱与中控箱连接，其主要功能是为中控箱、报警装置、天线等设备提供电力，并且能够有效防止雨水侵入，确保设备正常运行。中控箱通过数据传输管路连接传感器并接受数据，中控箱内部设置有蓄电池与显示板，蓄电池用于提供电力，显示板用于显示数据。4G天线用于向云端接受与发送信号，报警装置用于在现场进行报警，报警级别根据污染程度的不同主要分为蓝色、黄色、橙色、红色四级。
d)自动洗净和采样装置
洗井是污染物监测重要的一环。洗井的主要目的包括去除监测井内地下水中的沉积物和污染物，如泥沙、有机物、重金属等，这些物质可能会堵塞监测井的孔隙或污染水样，从而影响水质监测的准确性。通过洗井可以清除监测井内的沉积物和污染物，确保地下水采样的准确性。洗井还能清洁井筒内壁，防止采样过程中受到外部污染的影响，有助于确保采样的水质能够代表地下水的实际情况，并减少因外部污染物的干扰而引起的偏差。定期进行洗井可以减少井筒内壁的磨损和腐蚀，从而延长监测井的使用寿命，降低维护和更换监测井的成本，并确保监测工作的持续进行。此外，洗井过程中，传感器可能会暂时暴露在清洗液或水中，这会清除传感器表面的污染物或沉积物，从而提升传感器的灵敏度和准确度。
地下水监测井建成8 h后(待井内的填料得到充分养护、稳定后)进行成井洗井。主要采用超量抽水的方式洗井，成井洗井达标直观判断水质基本上达到水清砂净(即基本透明无色、无沉砂)，同时监测pH值、电导率、浊度、水温等参数值达到稳定(连续三次监测数值浮动在±10％以内)，或浊度小于50 NTU可结束洗井。对于部分监测井因水文地质条件洗井无法做到水清砂净，洗井抽水量应达3-5倍井容。
由于传感器的特殊性，在在线监测过程中所需洗井次数较为频繁，因此设计了该自动洗井/采样系统，洗井频率根据现场地下水水质逐天变化情况确定洗井方案。自动洗井/采样装置由自动化控制设备进行控制，洗井时利用洗井泵提供动力，通过输水管路由自动洗井/采样装置抽出井内地下水置于蓄水池中暂存，等待后续集中处理。此外，若收到平台的地下水污染预警，自动对地下水进行采样。采样瓶采取陈列式排布，采样过程中，使用自动洗井/采样装置抽出井内地下水，地下水会进入蓄水池等待处理，此时开启采样瓶阀门即可实现地下水采样。
通过以上系统，实现实时监测井在线监测，同时通过云平台，为多层次冗余式地下水污染预警系统数据。在发生预警事件时候，实现自动采样，以便复核预警信息。
实施例2：基于MQTT传输协议的云平台数据收集系统
本实施例提供基于MQTT传输协议的云平台数据收集系统使用MQTT传输协议将监测井数据传到云平台的方案。
首先，在云平台后端代码中添加支持MQTT协议的必要依赖。
其次，在application.yml文件中要配置MQTT协议的主要参数信息，参数信息如下表：
表1：MQTT协议配置参数
MQTT协议的传输数据包小且通信负载低，适用于各种网络环境。此外，云平台对MQTT协议的集成实现也非常方便。使用MQTT协议连接监测井前端核心代码：
当云平台成功连接并订阅接收到监测井主题数据，将得到的数据分为三部分分别存放，第一部分为第Ⅰ层次预警数据，即污染物数据；第二部分为第Ⅱ层次预警数据，包括当地污染物浓度变化趋势，天气信息，季节特征，地下水温度数据与季节特征信息；第三部分为第Ⅲ层次预警数据，包括当地地下水的pH、ORP、EC、DO数据与污染物浓度变化趋势数据。
实施例3：基于云平台的多层次冗余式地下污染快速预警系统
3.1多层次冗余式预警流程(参见图2)
多层次冗余式预警算法共包含三类预警数据集(第Ⅰ层次预警数据集，第Ⅱ层次预警数据集，第Ⅲ层次预警数据集)的识别。本系统使用的多层次冗余式预警算法流程图如图2所示。当信息采集单元收集到监测井中传感器传输的数据后，通过MQTT协议将数据传输到多层次冗余式预警云平台。云平台接收到信息采集单元传输的数据后，将数据分为三类预警数据集，之后分别对三类预警数据集进行数据阈值识别与模型识别，当数据异常时发出对应等级的预警信息与信号。
3.2第Ⅰ层次预警系统(参见图3)
第Ⅰ层次预警系统指的是对污染物浓度是否超过阈值的预警，在本算法的代码中将预警系统平台获取到的污染物的数值与已设定的阈值进行比较，当某一污染物浓度达到地下水质量限值中的功能区划及其水质要求水平(例如Ⅴ类)时，立刻对平台发出第Ⅰ类预警信号与污染物与浓度信息。
第Ⅰ层次预警系统流程图如图3所示。在对第Ⅰ层次预警数据(又称“第Ⅰ类污染物浓度数据”)进行阈值范围识别时，预警阈值分类主要参考《地下水质量标准》和场地功能区划水质标准，如数值仍未明确，参考如下下预警分类：
(S1)当某一污染物浓度数据大于或等于阈值的0.9倍而小于阈值的1倍时，表示10％提前预警，属于蓝色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类蓝色预警信号；
(S2)当某污染物浓度数据大于或等于阈值的1.0倍而小于阈值的1.1倍时，表示污染物浓度超标10％以内，属于黄色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类黄色预警信号；
(S3)当某污染物浓度数据大于或等于阈值的1.1倍而小于阈值的1.5倍时，表示污染物浓度超标10％-50％，属于橙色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类橙色预警信号；
(S4)当某污染物浓度数据大于或等于阈值的1.5倍时，表示污染物浓度超标50％以上，属于红色预警范围，发出特定污染物与浓度数据信息与第Ⅰ类红色预警信号。
3.3第Ⅱ层次预警系统(参见图4)
第Ⅱ层次预警系统指的是在多层次冗余式预警云平台中对第Ⅱ层次数据集进行随机森林分类模型识别的预警算法系统。
第Ⅱ层次预警随机森林分类模型算法流程图如图4所示。第Ⅱ层次预警算法是基于耦合当地污染物浓度变化趋势，天气信息，季节特征，地下水温度，地下水水位数据与季节特征信息数据建立的随机森林分类模型预测出的结果给出预警信息与信号，其中污染物浓度变化趋势，天气信息，季节特征，地下水温度，地下水水位数据与季节特征信息作为模型的预测因子进行输入，预警信息集合作为预警标识进行输出，预测因子数据包括历史数据以及当地实测数据。在第Ⅱ层次预警算法中，当随机森林分类模型对某一监测井的数据集发出预警信号以及异常数据信息的结果时，云平台会同时对比次监测井对照监测井模型的识别结果，当其他模型识别的结果也出现异常时，会直接发出预警信号与异常数据信息；但当其他模型识别结果未出现异常时，云平台会避免出现虚预警或假预警的情况发生。
第Ⅱ类预警算法使用的随机森林分类模型核心代码如下，在代码中使用groundwater_level变量名存储地下水水位数据，使用groundwater_temperature变量名存储地下水水温数据，使用seasonal_features变量名存储季节特征数据，使用weather_data变量名存储天气数据，使用pollutant_trend变量名存储污染物浓度变化趋势数据，使用warnings_single存储预警信号数据。之后，将所有预测因子数据整合到DataFrame数据类型中，方便后期训练模型时使用。之后使用train_test_split函数将预测因子与预报对象分为训练集与测试集训练模型，最后输出模型结果。具体如下：
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
groundwater_level＝pd.read_csv(r"E:\地下水水位数据.csv")
groundwater_temperature＝pd.read_csv(r"E:\地下水水温数据.csv")
seasonal_features＝pd.read_csv(r"E:\季节特征数据.csv")
weather_data＝pd.read_csv(r"E:\天气数据.csv")
pollutant_trend＝pd.read_csv(r"E:\污染物浓度变化趋势数据.csv")
warnings_single＝pd.read_csv(r"E:\预警信号数据.csv")
X＝pd.concat([groundwater_level,groundwater_temperature,seasonal_features,weather_data,pollutant_trend],axis＝1)
y＝warnings single["预警"]
X_train,X_test,y_train,y_test＝train_test_split(X,y,test_size＝0.2,random_state＝42)
rf_classifier＝RandomForestClassifier(n_estimators＝100,random_state＝42)
rf_classifier.fit(X_train,y_train)
y_pred＝rf_classifier.predict(X_test)
3.4第Ⅲ层次预警系统
第Ⅲ层次预警循环神经网络模型识别是基于耦合当地地下水污染物浓度变化趋势，酸碱度(pH)数据、氧化还原电位(ORP)数据、电导率(EC)数据、溶解氧含量(DO)数据的循环神经网络模型预测出的结果做出的预警算法，其中污染物浓度变化趋势、pH、ORP、EC、DO作为模型的预测因子进行输入，预警信号与异常信息数据作为预警标识进行模型输出，预测因子数据均来自当地实测数据，实验数据以及中试数据。第Ⅲ层次预警循环神经网络模型算法流程图如图6所示。
在本系统使用的多层次冗余式预警算法第Ⅲ层次预警算法中，由于数据之间具有较强的季节变化特征以及时间变化趋势，因此选择循环神经网络模型作为第Ⅲ类预警算法的模型。循环神经网络是处理时间序列数据的理想选择，因其能够有效地捕捉数据的时序特征和趋势。通过具有记忆功能的结构，循环神经网络可以综合考虑季节特征和历史数据，从而更准确地预测未来的分类情况。在第Ⅲ层次预警算法中，当循环神经网络模型对某一监测井的数据集发出预警信号以及异常数据信息的结果时，云平台会同时对比次监测井对照监测井模型的识别结果，当其他模型识别的结果也出现异常时，会直接发出预警信号与异常数据信息；但当其他模型识别结果未出现异常时，云平台会避免出现虚预警或假预警的情况发生。
第Ⅲ类预警数据传输与处理过程与循环神经网络模型算法核心代码如下，在代码中使用ph_data变量名存储地下水pH数据，使用orp_data变量名存储地下水ORP数据，使用ec_data变量名存储地下水EC数据，使用do_data变量名存储地下水DO数据，使用trend_data变量名存储污染物浓度变化趋势数据，使用y_data存储预警信号数据。之后，将所有预测因子数据整合到DataFrame数据类型中，方便后期训练模型时使用。之后使用train_test_split函数将预测因子与预报对象分为训练集与测试集训练模型，最后训练模型并输出模型结果。具体如下：
在多层次冗余式预警算法中的第Ⅰ层次预警算法中，主要功能是指当系统识别出污染物的浓度超出阈值时，需要发出对应级别的预警信息与信号，因此无需训练模型。
在第Ⅱ层次数据预警算法中，首先需要基于大量数据集训练随机森林分类模型，进行模型参数的调整，最终得到最适合场地特征的随机森林分类模型。本系统在第Ⅱ类数据预警算法中使用的训练数据包括当地污染物浓度变化趋势，天气信息，季节特征，地下水温度，地下水水位数据与季节特征信息数据，上述数据包括现场历史数据与实时监测数据，这样能够训练出最符合场地特征的第Ⅱ类数据预警算法的随机森林分类模型。随机森林分类模型调参流程图如图6所示。
本系统在第Ⅲ层次数据预警算法中，首先需要基于大量数据集训练循环神经网络模型，进行模型参数的调整，最终得到最适合场地特征的循环神经网络模型。使用的训练数据包括酸碱度(pH)数据、氧化还原电位(ORP)数据、电导率(EC)数据、溶解氧含量(DO)数据，上述数据包括实验室(烧杯)数据与中试(现场)数据，这样能够训练出最符合场地特征的第Ⅲ层次数据预警算法的循环神经网络模型。将酸碱度(pH)数据、氧化还原电位(ORP)数据、电导率(EC)数据、溶解氧含量(DO)数据整合并放入循环神经网络模型中进行模型参数的调整。
在第Ⅲ层次预警循环神经网络模型识别算法中，首先要训练循环神经网络模型，本系统使用的训练数据是结合实验室数据，中试数据以及现场数据所取得的真实数据，这样能够训练出最符合第三层次预警算法的循环神经网络模型。将当地污染物浓度变化趋势数据，地下水的pH数据，地下水ORP数据，地下水EC数据，地下水DO数据输入进循环神经网络模型之后，循环神经网络会进行链式计算，将输入的预测因子数据与预警数据作为学习数据，进行学习，并不断优化模型参数，达到最优的模型效果。循环神经网络模型调参流程图如图7所示。
3.5预警及处理流程(参见图8)
当通过机器学习方法分析传感器数据判断存在泄露后，报警装置根据获得的预警等级进行报警。当接收到报警信号后，首先通过人工对报警信息进行判断，确定污染事件发生后，通过云平台发出自动采样命令，使自动洗井/采样装置抽出井内地下水，地下水会进入蓄水池等待处理，现场装置接收到采样命令后，开启采样瓶阀门实现地下水采样。
完成上述流程后，工作人员对所采集的存在污染的地下水样品进行现场快检，利用便携式质谱仪、便携式拉曼光谱仪、紫外分光光度计等检验设备对水样进行测试，初步判断所发生的污染类型、污染程度、污染范围等信息，为后续分析处理提供基础。
根据现场快检的数据和结果，对所采集的地下水样品进行后续的实验室层面的详细分析测试，明确污染物的种类、浓度以及污染事件发生的程度、范围。根据上述多层次的污染分析，可以在多阶段及时对现场的污染源头、污染区域采取相应的控制措施，最大程度上控制污染的扩散与发展，避免工矿用地存在的大范围、大剂量的污染问题，从而达到源头治理的控制预期。
测试例1
为验证本发明技术面向实际应用的运行情况，使用本发明的系统和方法，针对纯锌冶炼厂的实际情况进行了一系列的中试实验。在纯锌冶炼厂的生产过程中，常用的湿法炼锌技术会产生大量的含锌电解液，可通过多个环节经跑冒滴漏进入地下水环境中产生污染问题。除此之外，硫酸是纯锌冶炼厂的产品之一，同样存在较大的地下水污染风险。因此，现场中试针对硫酸污染物，研究生产过程中发生泄漏问题后地下水各项指标的变化情况，并依据所收集的相关数据，验证和优化后续算法预警阶段的响应关系。对数据的判断标准基于《地下水质量标准》(GB/T 14848-2017)，在其中水质等级划分的基础上进行一定的补充，确定相应的预警阈值，黄色预警的对应浓度为0.9μmol/L，橙色预警的对应浓度为1.8μmol/L，红色预警的对应浓度为2.7μmol/L。
第I层次预警系统指的是对污染物浓度是否超过阈值的预警，在本实施例的方法中，将预警系统平台获取到的污染物的数值与已设定的阈值进行比较，当某一污染物浓度达到地下水质量限值中的功能区划及其水质要求水平时，立刻对平台发出第I类预警信号与污染物与浓度信息。进行预警的依据来源于传感器所获取的不同水质指标，根据水质指标与污染物浓度变化之间的响应关系，判断实时数据所代表的地下水中污染物的浓度水平，进而确定是否进行相应层级的预警。
在中试实验过程中，第76小时10分钟污染物浓度达到黄色预警等级所设置的阈值，系统进行黄色预警；第100小时18分钟，污染物浓度达到橙色预警等级所设置的阈值，系统进行橙色预警；第106小时34分钟，污染物浓度达到红色预警等级所设置的阈值，系统进行红色预警。由于第I层次预警系统是根据污染物浓度进行判断预警，因此无法做到对污染的及时预警，只能在污染事件发生后，且污染物浓度达到一定值才会预警，出现漏报的情况，参见图9。
因此，进一步设置了第II层次的预警。
第II层次预警算法是基于耦合当地污染物浓度变化趋势，天气信息，季节特征，地下水温度，地下水水位数据与季节特征信息数据建立的随机森林分类模型预测出的结果给出预警信息与信号，其中污染物浓度变化趋势，天气信息，季节特征，地下水温度，地下水水位数据与季节特征信息作为模型的预测因子进行输入，预警信息集合作为预警标识进行输出，预测因子数据包括历史数据以及当地实测数据。
在现场中试过程中，前期进行了60小时内的地下水背景值测试，依据相关数据进行模型调试与训练，模型训练精度为95.87％。第60小时进行泄露中试实验。第60小时14分钟，预警系统监测到温度传感器数值发生了异常波动，变化幅度超过地下水自身正常的数据波动，因此发出蓝色预警，并给出异常指标为非天气和气候因素的温度异常波动根据数据变化情况，分析认为温度的突变原因是由于硫酸产品与地下水体间温度存在较大差异，且硫酸进入地下水会产生一定的溶解热，由此，算法模型判断该时刻存在出现污染物泄露的风险，系统进行第II层次蓝色预警。第76小时7分钟，综合污染物浓度和水体温度的变化情况，系统进行黄色预警，第100小时16分钟，根据污染物浓度水平和温度变化趋势，系统进行橙色预警，第106小时31分钟，系统进行红色预警，参见图10所示。
第II层次预警对预警系统进行了补充和完善，可以有效避免污染漏报的现象，及时反馈地下水污染发生的信息。虽然第II层次预警可有效避免污染漏报的问题，但是温度和水位指标除了受天气和气候因素影响，还有其他的影响因素，例如绿化带浇灌等，可能存在误报情况。
因此，进一步设置了第III类预警系统。
第III层次预警循环神经网络模型识别是基于耦合当地地下水污染物浓度变化趋势，酸碱度(pH)、氧化还原电位(ORP)、电导率(EC)等数据的循环神经网络模型预测出的结果做出的预警算法，其中污染物浓度变化趋势、pH、ORP、EC等数据作为模型的预测因子进行输入，预警信号与异常信息数据作为预警标识进行模型输出，综合考虑多项相互联系的指标之间的变化趋势和幅度，同时避免由于天气变化等因素产生的非正常数据所导致的误报问题。
在现场中试过程中，前期进行了60小时的地下水背景值测试，依据相关数据进行模型调试与训练，模型训练精度为96.94％。
第60小时进行泄露中试实验。第60小时7分钟，地下水的pH值发生了较大程度的降低，此变化已超过地下水pH值的正常波动范围，系统判断此时发生了污染物的泄露，系统进行第III层次蓝色预警并发出含有预警等级、污染物浓度及水质指标等信息的报警弹窗。第76小时6分钟，各项水质指标持续变化，且趋势呈现为不可逆的非震荡型变化，系统判断地下水体发生了进一步的恶化，进行黄色预警。第100小时15分钟，传感器数据表明地下水的水质已下降至更低的水平，系统进行橙色预警。第106小时30分钟，各项水质指标以稳定趋势变化，ORP及EC数据持续升高，且pH值不断下降，系统进行了红色预警，并发出含有预警等级、污染物浓度及水质指标等信息的报警弹窗，参见图11所示。
在第III层次的预警过程中，多项水质参数随着污染物的泄露，变化趋势相同，表现出较强的相关性。循环神经网络模型可依靠不同数据间变化趋势和幅度的关系，对污染事件进行更为准确的预警，由此避免误报的问题。在现场中试的过程中，依靠多参数水质传感器和多层次机器学习算法模型，对硫酸泄露事件进行了准确快速的响应和预警。三个层次的预警系统依次递进，相互结合，相互补充，进而实现本发明所开发的地下水污染多层次、冗余式的准确、快速预警系统。
以上通过实施例对本发明的具体实施方式进行了示例性的说明。但是，本发明的保护范围不拘囿于上述示例性的实施方式。凡在本发明的精神和原则之内，本领域技术人员所作出的任何修改、等同替换、改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种监测井系统，其中所述监测井系统包括：
监测井和监测井中的水质传感器，按照采集数据分类，水质传感器在监测井中分为三层，从上往下依次为II类传感器、III类传感器、I类传感器；
其中：
II类传感器包括但不限于用于采集地下水水位(GWL)、地下水温度(GWT)等常用指标的传感器中的一种或多种；
III类传感器包括但不限于用于采集重金属浓度、场地特征污染物浓度的传感器(如Cd传感器、Pb传感器、Cu传感器、氨氮传感器、氟传感器、VOCs传感器、NAPLs传感器等)中的一种或多种；
I类传感器包括但不限于用于采集pH、电导率(EC)、氧化还原电位(ORP)、溶解氧(DO)等辅助参数的电极传感器中的一种或多种。
2.如权利要求1所述的监测井系统，其还包括自动清洗装置和/或采样装置；
优选地，所述自动洗井装置和/或采样装置由自动化控制设备进行控制，洗井时利用洗井泵提供动力，通过输水管路由自动洗井装置和/或采样装置抽出井内地下水后，可置于蓄水池中暂存，等待后续集中处理；
优选地，若收到平台的地下水污染预警，自动对地下水进行采样；
优选地，所述监测井系统还包括用于存储水样的采样瓶。
3.一种基于实时在线监测井的多层次冗余式地下水污染预警系统，其中所述预警系统包括：
信息收集模块，其用于获取当前监测井中传感器监测的数据；
信息分类存储模块，其与信息收集模块连接，信息分类存储模块接受检测数据后，将监测数据进行分类，得到分类数据；
预警模块，其包含判断模块和提示模块；其中，所述判断模块与信息分类存储模块连接，信息分类存储模块将分类数据传递至判断模块，判断模块判断相应的分类数据是否低于对应的预警阈值；
所述提示模块与判断模块连接，当所述分类数据大于或等于相应的预警阈值时，判断模确定是否发生污染事件；
如果判断模块确定发生污染事件，则生成预警信息，由提示模块发出预警提示。
4.如权利要求3所述的预警系统，其中所述分类数据包括三部分预警数据：
第一部分为第Ⅰ层次预警数据，包括重金属污染物浓度与场地特征污染物浓度；
第二部分为第Ⅱ层次预警数据，包括当地污染物浓度变化趋势、天气信息、季节特征、地下水温度数据与季节特征信息；
第三部分为第Ⅲ层次预警数据，包括当地地下水的pH、氧化还原电位(ORP)、电导率(EC)、溶解氧(DO)数据与污染物浓度变化趋势数据；
优选地，所述重金属污染物包括Cd、Pb、Cu等重金属中的一种或多种，场地特征污染物包括氨氮、含氟化合物、VOCs、NAPLs等污染物中的一种或多种。
5.如权利要求3或4所述的预警系统，其中所述判断模块包括第Ⅰ层次判断单元、第Ⅱ层次判断单元和第Ⅲ层次判断单元，所述第Ⅰ层次判断单元、第Ⅱ层次判断单元和第Ⅲ层次判断单元顺次连接；
其中，所述第Ⅰ层次判断单元用于将第Ⅰ层次预警数据与相应的预警阈值进行比对，当任一污染物浓度大于或等于预警阈值时，生成预警信息并发送至提示模块；
若第I层次判断单元未发出预警信号，则所述第Ⅱ层次判断单元用于将第Ⅱ层次预警数据输入第一模型识别模块进行运算，判断识别结果是否发生异常，当发生异常时：
(II-1)判断对照监测井的相应识别结果是否正常；
(II-2)若与对照监测井的数据有明显差异，识别结果为不正常，则发出预警信号与异常数据信息至提示模块；
若第Ⅱ层次判断单元未发出预警信号，则所述第Ⅲ层次判断单元用于将第Ⅲ层次预警数据输入第二模型识别模型进行运算，判断识别结果是否发生异常：
(III-1)当发生异常时，判断对照监测井的相应识别结果是否正常；
(III-2)若与对照监测井的数据有明显差异，识别结果为不正常，则发出预警信号与异常数据信息至提示模块。
6.如权利要求5所述的预警系统，其中：
所述第一识别模型选自随机森林分类模型；和/或
所述第二识别模型选自循环神经网络模型。
7.一种基于实时在线监测井的多层次冗余式地下水污染的预警方法，包括以下步骤：
(W1)获取当前监测井和对照井中传感器监测的数据；
(W2)判断监测的数据中是否有达到或超过阈值的数据；
(W3)当步骤(W2)监测的数据中有达到或超过阈值的数据时，进一步判断是否发生污染事件；
(W4)当步骤(W3)中判断发生污染事件时，发出预警提示。
8.如权利要求7所述的预警方法，其中步骤W1之后和S2之前，还包括如下步骤：将监测数据进行分类，得到分类数据三部分预警数据：
第一部分为第Ⅰ层次预警数据，即污染物数据，污染物数据包括重金属污染物浓度与场地特征污染物浓度；
第二部分为第Ⅱ层次预警数据，包括当地污染物浓度变化趋势、天气信息、季节特征、地下水温度数据与季节特征信息；
第三部分为第Ⅲ层次预警数据，包括当地污染物浓度变化趋势以及地下水的pH、氧化还原电位、溶解氧和电导率；
优选地，所述的预警方法包括如下步骤：
先判断第Ⅰ层次预警数据是否大于相应的预警阈值，当任一污染物浓度大于等于预警阈值时，生成预警信息并发送至预警模块；否则，所述第Ⅱ层次判断单元用于将第Ⅱ层次预警数据输入第一模型识别模块进行运算，判断识别结果是否发生异常，当发生异常时，判断对照监测井的相应识别结果是否正常，若不正常，发出预警信号与异常数据信息至预警模块；若第Ⅱ层次判断单元未发出预警信号，所述第Ⅲ层次判断单元用于将第Ⅲ层次预警数据输入第二模型识别模型进行运算，判断识别结果是否发生异常。当发生异常时，判断对照监测井的相应识别结果是否正常，若不正常，发出预警信号与异常数据信息至预警模块。
9.如权利要求1或2所述的监测井系统，其中所述监测井系统包括所述预警系统。
10.一种地下水水质的判断方法，包括如权利要求1、2或9所述的监测井系统、如权利要求2-6任一项所述的预警系统或如权利要求7或8所述的预警方法监测地下水水质。
CN202410723607.6A 2024-06-05 2024-06-05 基于实时在线监测井的多层次冗余式地下水污染预警系统 Pending CN118731300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410723607.6A CN118731300A (zh) 2024-06-05 2024-06-05 基于实时在线监测井的多层次冗余式地下水污染预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410723607.6A CN118731300A (zh) 2024-06-05 2024-06-05 基于实时在线监测井的多层次冗余式地下水污染预警系统

Publications (1)

Publication Number Publication Date
CN118731300A true CN118731300A (zh) 2024-10-01

Family

ID=92852647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410723607.6A Pending CN118731300A (zh) 2024-06-05 2024-06-05 基于实时在线监测井的多层次冗余式地下水污染预警系统

Country Status (1)

Country Link
CN (1) CN118731300A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119513757A (zh) * 2024-10-28 2025-02-25 成都理工大学 一种地下水动态监测与预警系统
CN119555755A (zh) * 2024-11-20 2025-03-04 中国地质科学院岩溶地质研究所 一种基于地下水电导率实时监测预警压裂返排液成分泄露的方法及系统
CN119827591A (zh) * 2024-12-18 2025-04-15 清华大学 潜在污染地块的实时监测预警及数据采集系统及方法
CN120087281A (zh) * 2025-04-30 2025-06-03 天津市地质环境监测总站 用于地块多个微层组的地下水环境多参数监测井制作方法
CN120520273A (zh) * 2025-07-24 2025-08-22 陕西省水工环地质调查中心 基于物联网的监测井用施工方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119513757A (zh) * 2024-10-28 2025-02-25 成都理工大学 一种地下水动态监测与预警系统
CN119555755A (zh) * 2024-11-20 2025-03-04 中国地质科学院岩溶地质研究所 一种基于地下水电导率实时监测预警压裂返排液成分泄露的方法及系统
CN119827591A (zh) * 2024-12-18 2025-04-15 清华大学 潜在污染地块的实时监测预警及数据采集系统及方法
CN120087281A (zh) * 2025-04-30 2025-06-03 天津市地质环境监测总站 用于地块多个微层组的地下水环境多参数监测井制作方法
CN120520273A (zh) * 2025-07-24 2025-08-22 陕西省水工环地质调查中心 基于物联网的监测井用施工方法

Similar Documents

Publication Publication Date Title
CN118731300A (zh) 基于实时在线监测井的多层次冗余式地下水污染预警系统
CN114660254B (zh) 地下水污染物浓度预测方法
KR101328026B1 (ko) 수심별 프로파일링 기법을 활용한 수환경 모니터링 시스템 및 수환경 모니터링 방법
CN117688659B (zh) 水库大坝的深厚覆盖层坝基防渗墙的渗漏风险预测方法
CN103257644A (zh) 一种尾矿库安全状态在线监测方法
CN109902265B (zh) 一种基于隐马尔可夫模型的井下预警方法
CN201943686U (zh) 油井故障实时预警系统
CN111562143A (zh) 适用于污染场地的自动化多参数地下水环境分层监测井
CN105351007B (zh) 一种煤矿水质快速检测及水害预警系统
CN203101366U (zh) 用于供水网络的在线水质检测装置和在线水质监控系统
CN202454043U (zh) 一种地面塌陷灾害监测装置
CN114991870A (zh) 煤矿水情监测预警系统多指标双渠道综合预警方法
CN114594055B (zh) 一种基于光谱的雨水管道混接点位非开挖诊断方法
CN116777085B (zh) 基于数据分析和机器学习技术的煤矿水害预测系统
CN207081691U (zh) 一种农田重金属污染在线监测预警与实时处理系统
CN120026919B (zh) 深井开采装备智慧控制系统
CN112460492A (zh) 一种基于韧性评估的协同韧性增强燃气安全管控装置
CN109633118B (zh) 一种污染场地包气带和地下水污染预警方法
CN106382102A (zh) 一种基于聚类算法的溢流早期预警方法
Liu et al. City pipe network intelligent service based on GIS and internet of things
CN205225221U (zh) 一种油田注水井实时诊断预警系统
CN111553009A (zh) 一种基于声纳法的地铁工程地下连续墙渗透性评价方法
CN120706880A (zh) 市政管网溢流检测与智能修复方法
CN114636789A (zh) 一种用于选冶渣场重金属污染的预警应急系统
CN109166282B (zh) 一种石油泄漏污染环境的报警终端及其实现方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination