本研究由Sond Bunsan（泰国朱拉隆功大学国际环境管理研究生项目及环境与危险废物管理中心）、Wei-Yea Chen、Ho-Wen Chen（通讯作者，台湾东海大学环境科学与工程系）、Yen Hsun Chuang（台湾东海大学）及Nurak Grisdanurak（泰国法政大学化学工程系）合作完成，成果发表于2013年的《Chemosphere》期刊（第92卷，258-264页）。研究聚焦于城市固体废物焚烧过程中二噁英（dioxin）排放的预测模型开发，旨在通过人工智能技术优化环境污染物监控策略。

学术背景

焚烧技术因可大幅减少垃圾体积并回收能源，被土地资源稀缺的国家（如日本、德国及中国台湾地区）广泛采用。然而，焚烧过程中产生的二噁英（PCDDs）具有强毒性和生物累积性，其排放控制成为公共卫生与环保领域的核心问题。台湾地区现有27座大型焚烧厂，二噁英排放标准严苛（现有厂为1.0 ng-TEQ/Nm³，新建厂为0.1 ng-TEQ/Nm³）。传统监测方法成本高且时效性差，因此本研究提出基于人工神经网络（Artificial Neural Network, ANN）的预测模型，结合统计学方法筛选关键变量，以实现高效、低成本的排放监控。

研究流程

1. 数据收集与预处理

   • 研究对象：台湾中部某日处理900吨垃圾的焚烧厂，采集2005-2008年共63组数据，涵盖23项操作参数（如活性炭注入频率、烟气温度、HCl浓度等）及二噁英排放量。
     
   • 数据归一化：采用最小-最大标准化（Min-Max Normalization）消除量纲差异。
     

2. 变量筛选

   • 相关性分析：通过皮尔逊相关系数（Pearson’s r）剔除冗余变量（如x1、x6等10项低相关性参数）。
     
   • 主成分分析（PCA）：从剩余13项中提取5个主成分（累计方差贡献率75.78%），最终确定活性炭注入量（x3）、频率（x2）、HCl浓度（x4）、混合室温度（x20）及烟气出口温度（x23）为关键输入变量。
     

3. ANN模型构建

   • 网络结构：输入层（5节点）、隐藏层（8节点）、输出层（1节点），采用反向传播算法（Back-Propagation）训练，激活函数为Sigmoid。
     
   • 性能验证：数据按7:3分为训练集与测试集，训练集R²=0.99，测试集存在系统性高估误差（可通过平移修正）。
     

4. 敏感性分析

   • 权重法（Gevrey et al., 2003）显示，活性炭注入频率（kg/h）对二噁英排放影响最大（相对重要性最高），其次为HCl浓度和混合室温度。
     

主要结果

• 模型精度：ANN在训练与测试阶段均表现出色（R²=0.99），验证了非线性数据处理的优越性。
  
• 关键变量：活性炭注入频率与HCl浓度显著影响二噁英生成，与文献中氯源（chlorine source）促进二噁英合成的机制一致；高温（>900°C）可抑制二噁英形成的结论亦被证实。
  
• 操作优化：模型建议优先调控活性炭注入策略及燃烧温度以降低排放。
  

结论与价值

• 科学价值：首次将ANN与多变量统计结合，为复杂污染物排放建模提供新范式。
  
• 应用价值：简化监测流程，助力焚烧厂实时优化操作参数，符合环保法规要求。
  
• 政策意义：为发展中国家高密度焚烧设施的管理提供技术参考。
  

研究亮点

1. 方法创新：整合PCA与ANN，解决高维数据降维与非线性预测难题。
   
2. 工程指导性：明确活性炭注入频率为最敏感参数，直接指导污染控制实践。
   
3. 数据驱动：基于4年实际运行数据，结论具强实证基础。
   

其他发现

• 系统误差修正：测试集的预测值系统性偏高，建议后续研究引入偏差校正算法。
  
• 扩展应用：该方法可推广至其他持久性有机污染物（POPs）的排放预测。
  

本研究由台湾“国家科学委员会”资助（NSC 97-2221-E-029-029-MY3），为焚烧厂二噁英控制提供了高效、低成本的解决方案。