Processing math: 7%

我国水源污染事故风险点定量识别方法

张官兵, 李欣洁, 赵燊, 安伟. 我国水源污染事故风险点定量识别方法[J]. 环境工程学报, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159
引用本文: 张官兵, 李欣洁, 赵燊, 安伟. 我国水源污染事故风险点定量识别方法[J]. 环境工程学报, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159
ZHANG Guanbing, LI Xinjie, ZHAO Shen, AN Wei. Quantitative identification of causation points for water source pollution accident in China[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159
Citation: ZHANG Guanbing, LI Xinjie, ZHAO Shen, AN Wei. Quantitative identification of causation points for water source pollution accident in China[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159

我国水源污染事故风险点定量识别方法

    作者简介: 张官兵(1990—),男,硕士研究生。研究方向:环境风险评估。E-mail:1351167609@qq.com
    通讯作者: 安伟(1976—),男,博士,副研究员。研究方向:环境健康及生态风险评估。E-mail:anwei@rcees.ac.cn
  • 基金项目:
    国家水体污染控制与治理科技重大专项(2018ZX07502001)
  • 中图分类号: X507

Quantitative identification of causation points for water source pollution accident in China

    Corresponding author: AN Wei, anwei@rcees.ac.cn
  • 摘要: 水源事故的频发会对城市供水系统产生威胁,有必要针对供水系统风险进行评估和防控。针对水源事故频发及高发因素定量甄别研究,筛选统计了国内近20年来1 900多起水质突发事故案例,梳理了触发水源水质污染的多种因素,通过构建水源水质安全事故树和贝叶斯网络进行了相互验证分析。结果表明:我国水源污染事故主要因素贡献为依次突然排放(0.466)、污染长期累积(0.242)、交通事故(0.109)等;采用贝叶斯网络计算进行验证,其结果与事故树方法一致性较好。该方法有助于水源污染防控工作中风险点甄别和排序,可为我国饮用水安全保障水平的提升提供支撑。
  • 近年来,由于高级氧化技术可以产生大量活性氧组分(ROS,如•OH、SO41O2等),从而有效促进痕量微污染物的降解,故而该技术成为降解高风险微量有机物的重要手段,而且逐渐成为研究热点[1-2]。虽然单一的臭氧氧化法能有效去除不饱和芳香族和脂肪族化合物,但其对饱和有机化合物的去除率很低[3]。为了高效去除难降解的饱和的持久性有机污染物,本文通过选用一种高性能的催化剂催化臭氧产生更多的活性物质[4-6],以达到彻底去除污染物的目的。

    锰酸铜(CuMn2O4)尖晶石是一种密度较大的空心六面体,其晶体结构主要是由Mn4+与Cu2+搭建的,还有较少的Mn3+与Cu+增加了结构的缺陷程度。CuMn2O4可以催化臭氧产生具有氧化能力强、无选择性的·OH,从而有效提高臭氧对水体中难降解污染物的去除效果。有研究[7]指出,臭氧与CuMn2O4的结合对二苯甲酮-3的降解有明显的协同作用。然而,在实际使用过程中,CuMn2O4的密度大、容易团聚、不易分散的特性使其利用率很低。为了提高其利用率,需要选用另外一种催化剂进行耦合,弥补其在使用过程中的缺陷。研究表明,二维层状碳材料在催化臭氧氧化领域中有很好的效果[8]。因为二维层状碳材料不仅在平面内的热运输和电荷运输过程中具有突出的物理化学特性,而且与其他材料复合后可以产生良好的耦合效应[9-10]。石墨烯/还原氧化石墨烯(rGO)是其中一种极具吸引力的二维材料,具有卓越的化学稳定性、导电性和表面体积比[11-12]。此外,石墨相氮化碳(g-C3N4)是一种具有2.7 eV带隙的二维非金属聚合物半导体[13],在化学、热和光照射过程中具有较好的稳定性。同时,g-C3N4还是一种有效的催化剂载体[14-15],在其中掺杂选定的杂原子,通过电荷转移可以形成络合的复合材料[16-17]。因此,可以考虑将rGO和g-C3N4与CuMn2O4进行复合,应用于催化臭氧氧化过程中。与大多数亲脂性的有机防晒剂不同的是,二苯甲酮-4(BP-4)是一种亲水性的紫外线吸收剂,因其质地更轻、油性更少,被广泛应用于洗发水、剃须凝胶、止汗剂、化妆品和牙膏等日用品中[18]。但是,由于BP-4化学稳定性好、不易降解,因而被认为是一种伪持久性有机污染物,越来越受到人们的关注[19]。在目前的废水处理领域中常见的水处理方法并不能将其完全去除[20]。此外,由于rGO和g-C3N4在催化臭氧氧化过程中对臭氧氧化副产物溴酸盐有很好的抑制效果[8],因此本研究将rGO和g-C3N4与CuMn2O4复合,来探究他们在催化臭氧氧化过程中对BP-4的降解效果以及溴酸盐生成的影响。

    一水合硫酸锰(MnSO4·H2O,≥99.0%)、三水合硝酸铜(Cu(NO3)2·3H2O,≥99.0%)、碳酸钠(Na2CO3,≥99.8%)、尿素(CO(NH2)2,99%)、硝酸钠(NaNO3,≥99.0%)、高锰酸钾(KMnO4,≥99.0%)、二苯甲酮-4(C14H12O6S,98%)、硫酸(H2SO4,≥70%)、石墨粉、过氧化氢(H2O2,≥27.5%)和盐酸(HCl,38%)。

    X射线衍射仪(XRD-7000,日本岛津公司);比表面积测试仪(SSA-7000,北京博德电子科技公司);X射线光电子能谱仪(AXIS Ultra,日本岛津公司);高效液相色谱仪(Waters 2695,沃特世科技(上海)有限公司);智能箱式高温炉(DC-B06/02,北京独创科技有限公司);恒温水浴振荡器(SHA-B,常州市金坛友联仪器研究所);鼓风干燥箱(DGA-9073 B-2,上海福玛实验设备有限公司);电子天平(AL 104,梅特勒-托利多仪器有限公司);pH计(S210 Seven Compact,梅特勒-托利多仪器有限公司);离子色谱仪(ICS-3000,上海普迪生物技术有限公司);电化学工作站(CHI660E,上海辰华仪器有限公司);磁力搅拌器(RH Digita,德国艾卡IKA公司);电子扫描显微镜(S4800,日本Hitachi公司)。

    采用共沉淀法制备CuMn2O4。具体操作步骤如下:将3.561 7 g Cu(NO3)2·3H2O溶于120 mL去离子水中,得到溶液1;将4.969 2 g MnSO4·H2O溶于120 mL去离子水中,得到溶液2;将6.359 4 g Na2CO3溶于60 mL去离子水中,得到1 mol·L−1的Na2CO3溶液。磁力搅拌溶液2,使用塑料滴管将溶液1逐滴加入溶液2中(用时20 min)。溶液1加完后,使用pH计测定混合溶液的初始pH,此时的溶液显酸性。将溶液2使用水浴锅加热至80 ℃,磁力搅拌。将Na2CO3溶液逐滴加入溶液2中,每滴加一滴,停止滴加,搅拌均匀后,继续滴加,使用pH计测定溶液的pH,在pH=10时停止滴加(用时20 min),在水浴条件下继续搅拌20 min后停止搅拌,停止水浴加热,静置1 h。使用砂芯漏斗对沉淀进行真空抽滤,并使用去离子水洗涤,取滤液测定其pH,直到pH基本不变,再用无水乙醇洗涤5次。将沉淀转移到表面皿,将有残留样品的滤纸和表面皿在烘箱干燥,温度为120 ℃,时间为15 h。将干燥后的样品收集,置于马弗炉中900 ℃煅烧,升温速率为1 ℃·min−1,保温时间为6 h。

    热缩聚的方法制备g-C3N4。称量10 g尿素,研磨成粉末,置于马弗炉中350 ℃煅烧,升温速率为5 ℃·min−1,保温时间为1 h。使用Hummers法[21]制备氧化石墨烯(GO)。

    两步煅烧法制备CuMn2O4/rGO和CuMn2O4/g-C3N4。将共沉淀法制备的CuMn2O4和GO按照质量比例1∶1进行混合,研磨均匀,将粉末转移到坩埚中,置于马弗炉中煅烧,温度为350 ℃,升温速率为5 ℃·min−1,保温时间为1 h。在反应结束后,冷却至室温,得到复合的CuMn2O4/rGO粉末。将10 g尿素与0.2 g的CuMn2O4研磨均匀后,每次取定量研磨好的粉末置于马弗炉中,加热到350 ℃,加热时间为120 min,加热速率为10 ℃·min−1。在反应结束后,冷却至室温,得到复合的CuMn2O4/g-C3N4粉末。

    催化臭氧氧化BP-4的效能实验采用间歇反应模式进行。反应器为圆柱形的玻璃容器,直径为6.2 cm,高为26.5 cm,有效容积为300 mL。实验使用北京同林高科技有限责任公司生产的3S-A5型臭氧发生器(臭氧产量为0~1 g·h−1),以高纯氧气为气源,本实验所用的实验装置如图1所示。实验中每次处理的水样为300 mL,所有的溶液均用去离子水配制。臭氧进气浓度通过臭氧发生器的放电功率来调节。在每次实验开始之前,用纯氧进行吹扫,并预臭氧化处理。打开臭氧发生器,调节气流量为400 mL·min−1,臭氧发生器电流为0.025 A,预热时间为60 min,预臭氧时间为30 min。

    图 1  臭氧氧化反应装置示意图
    Figure 1.  Schematic diagram of ozone oxidation reactor

    在反应器中加入290 mL超纯水,O3曝气30 min,搅拌器的转速为800 r·min−1。加入10 mL BP-4母液(反应器中的浓度是0.084 mmol·L−1(25.91 mg·L−1));100 μL Br母液(母液浓度为300 mg·L−1,反应器中的浓度是100 μg·L−1),开始反应并计时。在反应时间为0、1、2、5、7、10、15、30 min时分别取样,并使用浓度为10 mmol·L−1的亚硫酸钠溶液还原残留臭氧;使用0.22 μm的水系滤膜过滤粉体催化剂后待分析。

    使用X-射线衍射仪(XRD)对制得的粉体催化剂的矿物组成与结晶结构进行分析;使用比表面积分析仪对制得的粉末催化剂的比表面积及表面孔结构进行表征;使用X射线光电子能谱仪(XPS)表征粉末状催化剂中各元素的价态;使用电化学工作站分析粉末催化剂的阻抗。使用扫描电镜(SEM)对制得的粉末催化剂进行表观形貌的分析。

    BP-4的浓度由高效液相色谱仪Waters 2695测定。使用的色谱柱为Symmetry C18,柱温为30 ℃。流动相为0.3%甲酸缓冲液和甲醇的混合溶液,其中0.3%甲酸缓冲液的体积分数为35%,流速为1 mL·min−1,检测波长为286 nm,进样量为10 μL,保留时间为8.5 min。

    BrBrO3的浓度由离子色谱仪ICS-3 000测定。样品先经过AG19保护柱,然后进入分析柱AS19进行分析。取样量为500 μL,流速为1 mL·min−1,柱温为35 ℃。淋洗条件为梯度淋洗(0~18.0 min:10.0 mmol·L−1 NaOH;18.1~26.0 min:35.0 mmol·L−1 NaOH;26.1~40.0 min:10.0 mmol·L−1 NaOH)。催化臭氧氧化过程中溴酸盐的生成速率可根据式(1)进行计算。

    v=(CBrO3)max (1)

    式中:v为生成速率,min−1;( C_{{\rm{BrO}}_3^ -} )max为整个催化臭氧氧化过程中的 {\rm{BrO}}_3^ - 的最大浓度,mol·L−1;(CBr-)0为溴离子的初始浓度,mol·L−1,本研究中该值为1.25 μmol·L−1t {\rm{BrO}}_3^ - 达到最大浓度时的反应时间,min。

    1)矿物组成与晶体结构。如图2所示,CuMn2O4、CuMn2O4/rGO和CuMn2O4/g-C3N4具有相似的XRD谱图。分别在2θ=18.4°、30.2°、35.6°、43.5°、54.1°、57.5°、63.3°和77.5°处出现的衍射峰与CuMn2O4的标准卡片(JCPDS#84-0543)中特征衍射峰的位置是一致的。这些衍射峰分别对应着CuMn2O4的(111)、(220)、(311)、(222)、(400)、(422)、(511)、(440)和(533)晶格面。此外,CuMn2O4/rGO的谱图中在2θ=25.4°处对应的是rGO的特征衍射峰;CuMn2O4/g-C3N4的谱图中在2θ=27.3°处对应的是g-C3N4的特征衍射峰。可见,通过两步煅烧的方法已经将CuMn2O4与g-C3N4和rGO成功复合在一起。值得注意的是,与CuMn2O4/rGO相比,CuMn2O4/g-C3N4中CuMn2O4的衍射峰强变弱。ZHU等[22]将NiFe2O4与g-C3N4复合后,通过XRD分析,同样发现NiFe2O4的峰强减弱。可见,rGO的掺入不会影响CuMn2O4的物相结构和结晶度;g-C3N4的掺入虽然不会影响CuMn2O4的物相结构,但会降低CuMn2O4的结晶度。

    图 2  CuMn2O4,CuMn2O4/rGO与CuMn2O4/g-C3N4的矿物组成与结晶情况
    Figure 2.  Mineral composition and crystal state of CuMn2O4, CuMn2O4/rGO and CuMn2O4/g-C3N4

    2)催化剂形貌分析。通过SEM对CuMn2O4、CuMn2O4/rGO和CuMn2O4/g-C3N4的形貌进行分析,结果如图3所示。如图3(a)所示,CuMn2O4是表面光滑的不规则立方体,平均粒径为2~3 μm。将其与rGO复合后,SEM表征结果如图3(b)所示,与CuMn2O4相比,催化剂颗粒的体积变小,这可能是因为rGO的存在阻碍了CuMn2O4的团聚。还可以发现,层状rGO基本全部包覆在CuMn2O4的外表面。将CuMn2O4与g-C3N4复合后,形貌如图3(c)所示。与CuMn2O4相比,催化剂颗粒的体积减小,这可能也是因为g-C3N4阻碍了CuMn2O4的团聚。此外,还可以发现,与CuMn2O4/rGO不同的是,在CuMn2O4/g-C3N4样品中,碎片状的g-C3N4一部分覆盖在CuMn2O4的外表面,另一部分独立分散在CuMn2O4颗粒之间。据此可以初步推测,与g-C3N4相比,rGO可能更容易与CuMn2O4结合,CuMn2O4/rGO的结构更稳定。

    图 3  CuMn2O4,CuMn2O4/rGO和CuMn2O4/g-C3N4的SEM表征结果
    Figure 3.  SEM images of CuMn2O4, CuMn2O4/rGO and CuMn2O4/g-C3N4

    3)比表面积分析。使用比表面积分析仪分析催化剂CuMn2O4、CuMn2O4/rGO和CuMn2O4/g-C3N4的孔隙结构特征,结果如图4所示。与CuMn2O4相比,CuMn2O4/rGO和CuMn2O4/g-C3N4的比表面积、总孔容积和平均孔半径均有所增加。与rGO和g-C3N4分别复合后,CuMn2O4的比表面积从2.058 m2·g−1分别增加到38.438 m2·g−1和12.553 m2·g−1;总孔容积从0.011 cm3·g−1分别提升到0.264 cm3·g−1和0.09 cm3·g−1;平均孔半径从10.47 nm分别增至13.74 nm和14.35 nm。DEVI等[23]将rGO与CoFe2O4复合到一起后,也得到了相似的结果:在掺入rGO后,催化剂的比表面积从6.202 m2·g−1增加到了25.18 m2·g−1,总孔容积从0.003 1 cm3·g−1增至0.022 cm3·g−1。他们认为,比表面积和总孔容积的增加是由于CoFe2O4在rGO片层中随意堆积导致的,这也极有可能是CuMn2O4/rGO和CuMn2O4/g-C3N4的比表面积和总孔容积的增加的原因。此外,CuMn2O4/rGO的比表面积是CuMn2O4/g-C3N4的3.06倍,总孔容积为2.93倍,平均孔径为0.98倍。由此可见,rGO的掺入对增大催化剂比表面积和总孔容积的效果更好。

    图 4  CuMn2O4,CuMn2O4/rGO与CuMn2O4/g-C3N4的BET表征结果
    Figure 4.  BET characterization results of CuMn2O4, CuMn2O4/rGO and CuMn2O4/g-C3N4

    4)表面元素价态分析。为了进一步确定CuMn2O4、CuMn2O4/rGO和CuMn2O4/g-C3N4中Cu、Mn与O元素的价态,对3种催化剂分别进行XPS表征,并对测试结果进行解卷积分析,结果如表1所示。Cu、Mn这两种元素在复合前后的价态分布有明显的变化。CuMn2O4中Cu2+的含量为12.89%,当其与层状碳材料复合后,Cu2+的含量分别增加到了70.92%(g-C3N4)和53.96%(rGO);CuMn2O4中Mn4+的含量为28.41%,当其与层状碳材料复合后,Mn4+的含量分别增至34.30%(rGO)和34.30%(g-C3N4)。这说明层状碳材料rGO和g-C3N4都可以氧化CuMn2O4中的Cu+与Mn3+,使他们失去电子导致其化合价升高,失去的电子通过层状碳材料表面的官能团(如羟基)进行转移。与rGO相比,当g-C3N4掺入CuMn2O4后催化剂中Cu2+的含量更高,可见g-C3N4对CuMn2O4中的Cu+有更强的氧化能力,这也意味着CuMn2O4/g-C3N4的表面会有更多的转移电子。

    表 1  CuMn2O4,CuMn2O4/rGO与CuMn2O4/g-C3N4的XPS表征结果
    Table 1.  XPS characteristics of CuMn2O4, CuMn2O4/rGO and CuMn2O4/g-C3N4 %
    催化剂Cu元素Mn元素O元素
    Cu+/CuCu2+/CuMn2+/MnMn3+/MnMn4+/MnOV/OOOH/OOlatt/O
    CuMn2O487.1112.8942.6507.413.661.425
    CuMn2O4/g-C3N429.0870.9228.836.934.350.847.41.8
    CuMn2O4/rGO46.2453.7623.142.634.347.748.24.1
     | Show Table
    DownLoad: CSV

    此外,在3种催化剂中均可以观察到晶格氧(Olatt)、表面羟基氧(OOH)和表面氧空位(OV)[24]。粉末催化剂中的氧空位是催化臭氧氧化重要的潜在催化位点[25],CuMn2O4中OV的含量为13.6%,CuMn2O4/rGO与CuMn2O4/g-C3N4中OV的含量分别增加至50.8%和47.7%。这一结果归因于层状碳材料rGO和g-C3N4与CuMn2O4晶格结合后,导致其晶格膨胀或畸变,产生了更多的缺陷位,从而形成更多氧空位[25]。与CuMn2O4/rGO相比,CuMn2O4/g-C3N4中OV的含量更多。

    5)阻抗分析。CuMn2O4,CuMn2O4/rGO和CuMn2O4/g-C3N4的Nyquist曲线如图5所示。与CuMn2O4相比,CuMn2O4/rGO和CuMn2O4/g-C3N4的半圆弧形半径增大。这说明,复合催化剂CuMn2O4/rGO和CuMn2O4/g-C3N4的电荷转移电阻变大。通过进一步使用模拟电路进行拟合计算,CuMn2O4、CuMn2O4/rGO和CuMn2O4/g-C3N4的阻抗值分别为105.9、125.7和155.6 Ω。这与LI等[26]的实验结果不一致,他们将石墨烯纳米片与CuMn2O4复合后,CuMn2O4/rGO的阻抗小于CuMn2O4。CHEN等[27]将LiMn2O4与rGO通过水热法和直接将2种物质混合的方法分别进行复合后,也得到了相似的结果:2种方法得到的LiMn2O4@rGO的阻抗分别为56.79 Ω和178.10 Ω,而复合前LiMn2O4的阻抗为287.0 Ω。CHEN等[27]认为,与LiMn2O4相比,复合催化剂阻抗的减小主要归因于rGO自身优越的导电性;与直接将2种材料混合的方法相比,水热法制备的复合催化剂阻抗更小则是因为借由水热反应,rGO与LiMn2O4之间的结合方式更有利于电荷转移。据此可以推测,本研究中复合材料CuMn2O4/rGO和CuMn2O4/g-C3N4的阻抗比CuMn2O4大的原因极有可能是,因为通过两步煅烧的方法制备的复合催化剂中CuMn2O4与rGO和g-C3N4之间的结合方式不利于电荷转移。此外,与CuMn2O4/rGO相比,CuMn2O4/g-C3N4的阻抗更大。可见,rGO掺入CuMn2O4后催化剂的导电能力增强。

    图 5  CuMn2O4,CuMn2O4/rGO与CuMn2O4/g-C3N4的EIS谱线
    Figure 5.  EIS characteristics CuMn2O4,CuMn2O4/rGO and CuMn2O4/g-C3N4

    1)rGO 和g-C3N4改性的CuMn2O4催化臭氧降解BP-4的速率对比。单独臭氧氧化、CuMn2O4、rGO、g-C3N4、CuMn2O4/rGO和CuMn2O4/g-C3N4催化臭氧氧化对BP-4的降解效果如图6所示。如图6(a)所示,单独臭氧氧化和CuMn2O4催化臭氧氧化降解BP-4时,反应30 min后BP-4才能被完全降解;g-C3N4、rGO、CuMn2O4/g-C3N4和CuMn2O4/rGO催化臭氧氧化则可以在10 min后将BP-4完全降解。对BP-4的降解进行拟一级动力学分析,结果如图6(b)所示,单独臭氧氧化、CuMn2O4、g-C3N4、rGO、CuMn2O4/g-C3N4和CuMn2O4/rGO催化臭氧氧化降解BP-4的动力学常数k分别为0.114、0.440、0.441、0.462、0.613和0.796 min−1,可以发现,与g-C3N4和rGO相比,CuMn2O4/g-C3N4和CuMn2O4/rGO催化臭氧氧化降解BP-4的速率得到进一步提升。AKHUNDI等[28]将g-C3N4纳米片(g-C3N4-NS)与CuCr2O4复合后,将其应用于光催化降解RhB、MB染料和苯酚,也得到了相似的结果,他们发现,复合催化剂g-C3N4-NS/CuCr2O4降解RhB的速率分别是块状g-C3N4和g-C3N4-NS单独光催化的11.8倍和4.8倍。此外,进一步对比可以发现,与CuMn2O4/g-C3N4相比,CuMn2O4/rGO催化臭氧氧化降解BP-4的速率更快。结合之前对于2种复合材料结构的分析与比较,可以推测导致以上结果的原因归为以下3点:其一,尽管CuMn2O4/g-C3N4表面有较多的转移电子和氧空位,但是CuMn2O4/rGO的结晶度更高、更稳定;其二,CuMn2O4/rGO的比表面积和总孔容积更大,与O3分子的接触面积更大;其三,CuMn2O4/rGO的导电性更好,更有利于反应过程中的电荷转移,故而催化臭氧氧化降解BP-4的速度更快。

    图 6  单独臭氧、CuMn2O4、rGO、g-C3N4、CuMn2O4/rGO和CuMn2O4/g-C3N4催化臭氧氧化对BP-4的降解效果及对BP-4降解的拟一级动力学分析
    Figure 6.  Degradation efficiency of BP-4 and the pseudo first order reaction kinetics of BP-4 degradation by the sole ozonation and CuMn2O4, rGO, g-C3N4, CuMn2O4/rGO and CuMn2O4/g-C3N4 catalytic ozonation

    2) rGO 和g-C3N4改性的CuMn2O4催化臭氧对溴酸盐的抑制效果的比较。单独臭氧氧化、CuMn2O4、rGO、g-C3N4、CuMn2O4/rGO和CuMn2O4/g-C3N4催化臭氧氧化过程中溴酸盐的生成情况如图7所示。如图7(a)所示,在单独臭氧氧化过程中,溴酸盐的含量随着反应时间延长显著增多;而在催化臭氧氧化过程中,溴酸盐的生成量得到有效控制。值得注意的是,不同催化臭氧氧化体系中溴酸盐含量的变化趋势存在差异:在CuMn2O4和CuMn2O4/g-C3N4这2种催化臭氧氧化体系中,溴酸盐的生成量随着反应的进行缓慢增加,与单独臭氧氧化相比,溴酸盐的生成量分别减少了86.30%和84.23%;而在g-C3N4、rGO和CuMn2O4/rGO这3种催化臭氧氧化体系中,溴酸盐的生成量迅速增加后又逐渐减少,具体变化过程如下:在反应前20 min溴酸盐的生成量迅速增加,在20 min时溴酸盐的含量最高;反应20 min后,溴酸盐的含量开始减少,反应120 min后溴酸盐的含量接近于0,与单独臭氧氧化相比,溴酸盐的生成量减少了100%。溴酸盐含量的第一种变化过程与之前大部分[29-31]的研究结果是一致的,在他们的实验过程中,溴酸盐的含量也是在不断增加并最终保持不变。这些研究中对于溴酸盐的消除机理有两种不同的解释,其中一种观点认为溴酸盐的减少得益于β-FeOOH/Al2O3和Fe-Al-LDH/Al2O3[29-30]表面上的Fe2+对溴酸盐的还原,另一种观点则认为催化剂加速了O3的分解,生成更多的•OH,减少了可用于氧化Br的O3[31]。溴酸盐生成量的第2种变化过程与ZHANG等[32-33]先后使用LaFeO3和LaCoO3与LaCoO3/g-C3N4催化臭氧氧化降解BZA过程中溴酸盐的变化趋势是一致的,溴酸盐的含量均是先增加后减少,他们认为溴酸盐的消除主要归因于H2O2对溴酸盐的还原。此前,SONG等[8]在rGO和g-C3N4催化臭氧氧化降解BZA及去除溴酸盐的研究中指出,rGO表面的含氧官能团和碳层结构中的π电子可以促进臭氧分解形成H2O2;g-C3N4表面的含氧官能团(如-C=O)也会促进H2O2的产生。结合本研究中的实验结果可以推测,在CuMn2O4和CuMn2O4/g-C3N4这2种催化臭氧氧化体系中,溴酸盐的消除有2个方面的原因:其一,催化剂加速了O3的分解,生成更多的·OH,减少了可用于氧化Br的O3;其二,催化剂可以催化臭氧产生H2O2来还原溴酸盐。在g-C3N4、rGO和CuMn2O4/rGO这3种催化臭氧氧化体系中,溴酸盐的减少极有可能是因为生成的H2O2促进了溴酸盐的还原。对实验结果进一步分析可以发现,与CuMn2O4/g-C3N4相比,CuMn2O4/rGO催化臭氧氧化过程对于溴酸盐的控制效果更好。

    图 7  单独臭氧氧化及CuMn2O4,g-C3N4,rGO,CuMn2O4/rGO与CuMn2O4/g-C3N4催化臭氧氧化对溴酸盐生成量的影响
    Figure 7.  {\rm{BrO}}_3^ - yield during the sole ozonation and CuMn2O4, g-C3N4, rGO, CuMn2O4/rGO and CuMn2O4/g-C3N4 catalytic ozonation

    为了进一步分析反应过程中溴酸盐的生成规律,通过式(1)计算了不同反应体系中溴酸盐的生成速率v,结果如图7(b)所示,在不同催化臭氧氧化体系中,溴酸盐的生成速率依次是CuMn2O4/rGO>rGO>g-C3N4>CuMn2O4>CuMn2O4/g-C3N4,可见CuMn2O4/rGO催化臭氧体系中溴酸盐的生成速率要明显快于CuMn2O4/g-C3N4,这与二者对BP-4的降解速率的快慢是一致的。据此可以推测,CuMn2O4/rGO催化臭氧生成溴酸盐的速率更快的原因主要是因为CuMn2O4/rGO的结晶度更高、更稳定、比表面积和总孔容积更大、导电性更好。

    为了进一步确定CuMn2O4/rGO和CuMn2O4/g-C3N4的结构与催化性能之间的关系,使用雷达图对2种催化剂的结构和性能进行了比较,结果如图8所示。图8中7个指标的初始值均为CuMn2O4的相关参数,结果表示的分别是CuMn2O4/rGO和CuMn2O4/g-C3N4中相应指标的相对值。从结构上看,rGO和g-C3N4的掺入对CuMn2O4的比表面的影响程度最大。与CuMn2O4相比,CuMn2O4/rGO的比表面积增大了17.68倍,CuMn2O4/g-C3N4的比表面积增大了5.09倍。rGO和g-C3N4的掺入对Cu2+、Mn4+和OV的相对含量的影响次之,CuMn2O4/rGO中Cu2+和Mn4+的相对含量分别增加了3.17倍和3.64倍,CuMn2O4/g-C3N4中Cu2+和Mn4+的相对含量分别增加了4.50倍和3.64倍;CuMn2O4/rGO中OV的相对含量增加了2.51倍,CuMn2O4/g-C3N4中OV的相对含量增加了2.74倍。rGO和g-C3N4的掺入对阻抗R的影响最小,CuMn2O4/rGO的阻抗增大了18.70%,CuMn2O4/g-C3N4的阻抗增大了46.93%。rGO和g-C3N4掺入CuMn2O4后带来的结构上的显著变化可能是因为CuMn2O4中的金属离子化学掺杂到rGO和g-C3N4的骨架中形成复合物,其作为催化中心改变了rGO和g-C3N4的表面性质和电子分布。

    图 8  CuMn2O4/rGO、CuMn2O4/g-C3N4的结构和性能分析图
    Figure 8.  Analysis of structure and performance of CuMn2O4/rGO and CuMn2O4/g-C3N4

    从降解效能上看,rGO和g-C3N4的掺入均能显著加快BP-4的降解,与CuMn2O4相比,CuMn2O4/rGO和CuMn2O4/g-C3N4催化臭氧降解BP-4的速率分别提高了5.98倍和5.37倍。但是,rGO和g-C3N4的掺入对溴酸盐生成量的抑制效果有显著差异。与CuMn2O4相比,CuMn2O4/rGO催化臭氧使 {\rm{BrO}}_3^ - 的含量降低了100%,而CuMn2O4/g-C3N4催化臭氧生成 {\rm{BrO}}_3^ - 的含量没有进一步减少。结合rGO和g-C3N4掺入CuMn2O4后结构上发生的变化,可以推测,反应速率的增强主要得益于3个方面:其一,具有平面片状结构的rGO和g-C3N4阻碍了CuMn2O4的团聚,同时可以作为一个比表面积大、导电性高的框架来维持CuMn2O4纳米颗粒在催化臭氧氧化过程中电子的转移,产生更多的活性物种;其二,rGO和g-C3N4的掺入,可以促进金属离子的电荷转移,使催化剂表面有更多的转移电子,加速反应的进行;其三,rGO和g-C3N4掺入CuMn2O4后,催化剂中含有更多的氧空位,这为催化臭氧氧化提供了更多潜在的反应位点。综合比较CuMn2O4/rGO和CuMn2O4/g-C3N4催化臭氧氧化降解BP-4的效果和对溴酸盐的控制效果,CuMn2O4/rGO更适合应用于催化臭氧氧化降解微污染物及控制溴酸盐生成的反应过程中。

    1)使用两步煅烧法成功制备出了CuMn2O4/rGO与CuMn2O4/g-C3N4。通过XRD表征、BET比表面积分析、XPS分析以及电化学交流阻抗测试分析发现,尽管CuMn2O4/g-C3N4比CuMn2O4/rGO电子转移速率更快、氧空位更多,但是CuMn2O4/rGO比CuMn2O4/g-C3N4的结晶度更高、比表面积更大、导电性更好。

    2)通过催化臭氧氧化降解BP-4的实验结果表明,rGO和g-C3N4的掺入均能有效提升CuMn2O4催化臭氧氧化降解BP-4的速率。但是,二者的掺入对于溴酸盐生成的控制效果有显著差异。在掺入rGO后,溴酸盐的生成量能进一步减少;而g-C3N4的掺入对溴酸盐生成的控制效果没有提升。

    3)进一步比较CuMn2O4/rGO与CuMn2O4/g-C3N4的结构和性能发现,rGO和g-C3N4掺入CuMn2O4后可以阻碍了CuMn2O4的团聚的同时,还可以作为一个高导电性的框架,促进CuMn2O4在催化臭氧氧化过程中电子的转移,此外,由于其具有高导电性和大表面积而提高了催化效率。综合考虑2种复合催化剂对BP-4的降解效果与对溴酸盐的控制效果,CuMn2O4/rGO更适用于催化臭氧氧化。

  • 图 1  水源事故树

    Figure 1.  Water source fault tree

    图 2  水源贝叶斯网络

    Figure 2.  Water source Bayesian network

    表 1  水源事故树基本危害事件统计

    Table 1.  Basic hazard event statistics of water source fault tree

    基本事件对应代码发生概率基本事件对应代码发生概率
    管道事故X10.039人为投毒X200.006
    企业违法排污X20.359生活污水X210.064
    安全事故X30.095废弃物X220.048
    暴雨、洪水X40.039矿物开采X230.016
    药类废水X50.007农药化肥X240.009
    疲劳驾驶X6<0.001农业污水X25<0.001
    操作失误X7<0.001水生植物X260.009
    道路条件X8<0.001森林X27<0.001
    天气原因X9<0.001气候变迁X280.002
    违规行驶X10<0.001地形X29<0.001
    油类X110.022娱乐排放X30<0.001
    危害化学物X120.052水面作业X310.005
    机械渗油X130.009小型船只X320.009
    融雪剂X140.001构筑物坍塌X330.008
    事故车辆X150.009化工厂X340.021
    航运事故X160.018动物浮尸X350.009
    氮磷营养物X170.006养殖污染X360.036
    藻类X180.039其他污染X370.023
    生活垃圾X190.041
    基本事件对应代码发生概率基本事件对应代码发生概率
    管道事故X10.039人为投毒X200.006
    企业违法排污X20.359生活污水X210.064
    安全事故X30.095废弃物X220.048
    暴雨、洪水X40.039矿物开采X230.016
    药类废水X50.007农药化肥X240.009
    疲劳驾驶X6<0.001农业污水X25<0.001
    操作失误X7<0.001水生植物X260.009
    道路条件X8<0.001森林X27<0.001
    天气原因X9<0.001气候变迁X280.002
    违规行驶X10<0.001地形X29<0.001
    油类X110.022娱乐排放X30<0.001
    危害化学物X120.052水面作业X310.005
    机械渗油X130.009小型船只X320.009
    融雪剂X140.001构筑物坍塌X330.008
    事故车辆X150.009化工厂X340.021
    航运事故X160.018动物浮尸X350.009
    氮磷营养物X170.006养殖污染X360.036
    藻类X180.039其他污染X370.023
    生活垃圾X190.041
    下载: 导出CSV

    表 2  水源事故树中间事件结果

    Table 2.  Middle event result list of water source fault tree

    中间事件对应代码发生概率中间事件对应代码发生概率
    突然排放A10.466工业区C10.09
    累计污染A20.242农业活动C20.054
    交通事故污染A30.109自然因素C30.012
    土地占用B10.139船舶C40.014
    水生态污染变化B2<0.001建筑工事D10.029
    其他排污B30.12畜牧D20.045
    中间事件对应代码发生概率中间事件对应代码发生概率
    突然排放A10.466工业区C10.09
    累计污染A20.242农业活动C20.054
    交通事故污染A30.109自然因素C30.012
    土地占用B10.139船舶C40.014
    水生态污染变化B2<0.001建筑工事D10.029
    其他排污B30.12畜牧D20.045
    下载: 导出CSV

    表 3  事故树与贝叶斯网络计算结果比较

    Table 3.  Comparison of accident tree and Bayesian network results

    中间事件对应代码发生概率中间事件对应代码发生概率
    FTABNFTABN
    突然排放A10.4660.539工业区C10.090.093
    累计污染A20.2420.272农业活动C20.0540.054
    交通事故污染A30.1090.111自然因素C30.0120.011
    土地占用B10.1390.147船舶C40.0140.014
    水生态污染变化B2<0.001<0.001建筑工事D10.0290.029
    其他排污B30.120.125畜牧D20.0450.045
    中间事件对应代码发生概率中间事件对应代码发生概率
    FTABNFTABN
    突然排放A10.4660.539工业区C10.090.093
    累计污染A20.2420.272农业活动C20.0540.054
    交通事故污染A30.1090.111自然因素C30.0120.011
    土地占用B10.1390.147船舶C40.0140.014
    水生态污染变化B2<0.001<0.001建筑工事D10.0290.029
    其他排污B30.120.125畜牧D20.0450.045
    下载: 导出CSV
  • [1] 马铁焰. 紫坪铺水库突发性水污染事故预警应急系统[J]. 中国西部科技, 2010, 27(9): 12-13.
    [2] HU J, CHU J Y, LIU J H, et al. Risk identification of sudden water pollution on fuzzy fault tree in Beibu-Gulf economic zone[J]. Procedia Environmental Sciences, 2011, 10(Part C): 2413-2419.
    [3] TEN VELDHUIS J A E, CLEMENS F H L R, VAN GELDER P H A J M. Quantitative fault tree analysis for urban water infrastructure flooding[J]. Structure and Infrastructure Engineering, 2011, 7: 809-821. doi: 10.1080/15732470902985876
    [4] 杨娅, 马俊伟, 刘仁志. 上海市突发环境事件时空格局及影响因素分析[J]. 中国人口·资源与环境, 2012, 22(S1): 105-109.
    [5] MAHMOOD Y A, AHMADI A, VERMA A K, et al. Fuzzy fault tree analysis: A review of concept and application[J]. International Journal of Systems Assurance Engineering and Management, 2013, 4(1): 19-32. doi: 10.1007/s13198-013-0145-x
    [6] 滕洪辉, 王继库. 基于事故树的城市二次供水水质污染风险分析[J]. 安全与环境工程, 2013, 20(3): 69-72. doi: 10.3969/j.issn.1671-1556.2013.03.016
    [7] DING L, DU B, LUO G, et al. Adsorption of bromate from emergently polluted raw water using MIEX resin: Equilibrium, kinetic, and thermodynamic modeling studies[J]. Desalination and Water Treatment, 2015, 56(8): 2193-2205. doi: 10.1080/19443994.2014.958763
    [8] TAHERIYOUN M, MORADIEJAD S. Reliability analysis of a wastewater treatment plant using fault tree analysis and Monte Carlo simulation[J]. Environmental Monitoring and Assessment, 2015, 187: 4186. doi: 10.1007/s10661-014-4186-7
    [9] TANG C, YI Y, YANG Z, et al. Risk forecasting of pollution accidents based on an integrated Bayesian Network and water quality model for the South to North Water Transfer Project[J]. Ecological Engineering, 2016, 96: 109-116. doi: 10.1016/j.ecoleng.2015.11.024
    [10] MAKAJIC-NIKOLIC D, PETROVIC N, BELIC A, et al. The fault tree analysis of infectious medical waste management[J]. Journal of Cleaner Production, 2016, 113: 365-373. doi: 10.1016/j.jclepro.2015.11.022
    [11] HUANG W, FAN H, QIU Y, et al. Causation mechanism analysis for haze pollution related to vehicle emission in Guangzhou, China by employing the fault tree approach[J]. Chemosphere, 2016, 151: 9-16. doi: 10.1016/j.chemosphere.2016.02.024
    [12] LONG Y, XU G, MA C, et al. Emergency control system based on the analytical hierarchy process and coordinated development degree model for sudden water pollution accidents in the Middle Route of the South-to-North Water Transfer Project in China[J]. Environmental Science and Pollution Research, 2016, 23: 12332-12342. doi: 10.1007/s11356-016-6448-0
    [13] 王浩, 郑和震, 雷晓辉, 等. 南水北调中线干线水质安全应急调控与处置关键技术研究[J]. 四川大学学报(工程科学版), 2016, 48(2): 1-6.
    [14] 沈园, 谭立波, 单鹏, 等. 松花江流域沿江重点监控企业水环境潜在污染风险分析[J]. 生态学报, 2016, 36(9): 2732-2739.
    [15] ZHENG H, SHANG Y, DUAN Y, et al. Sudden water pollution accidents and reservoir emergency operations: Impact analysis at Danjiangkou Reservoir[J]. Environmental Technology, 2018, 39(8): 787-803.
    [16] 冯庚, 张楠, 陈猛志, 等. 事故树分析与贝叶斯网络重要度在溃坝风险分析中的应用[J]. 水电能源科学, 2013, 31(4): 66-68.
    [17] 王洪德. 用事故树法分析矿井内因火灾引起CO中毒事故[J]. 辽宁工学院学报, 2002, 22(3): 26-28.
    [18] 王显政. 新编安全评价手册[M]. 北京: 煤炭工业出版社, 2005.
    [19] KAISER B, GRAMLICH C, FORSTER M. State/event fault trees: A safety analysis model for software-controlled systems[J]. Reliability Engineering and System Safety, 2007, 92(11): 1521-1537. doi: 10.1016/j.ress.2006.10.010
    [20] CHEN Y, LI J, LU H, et al. The dynamic benefit compensation in a multi-reservoir system based on importance analysis[J]. Journal of Cleaner Production, 2020, 249: 119402. doi: 10.1016/j.jclepro.2019.119402
    [21] SAEIDI-MOBARAKEH Z, TAVAKKOLI-MOGHADDAM R, NAVABAKHSH M, et al. A bi-level and robust optimization-based framework for a hazardous waste management problem: A real-world application[J]. Journal of Cleaner Production, 2020, 252: 119830. doi: 10.1016/j.jclepro.2019.119830
    [22] 许静, 王永桂, 陈岩, 等. 中国突发水污染事件时空分布特征[J]. 中国环境科学, 2018, 38(12): 4566-4575. doi: 10.3969/j.issn.1000-6923.2018.12.022
    [23] BABAEI M, ROOZBAHANI A S, SHAHDANY M H. Risk assessment of agricultural water conveyance and delivery systems by fuzzy fault tree analysis method[J]. Water Resources Management, 2018, 32(12): 4079-4101. doi: 10.1007/s11269-018-2042-1
    [24] BORYCZKO K, BARTOSZEK L, KOSZELNIK P, et al. A new concept for risk analysis relating to the degradation of water reservoirs[J]. Environmental Science and Pollution Research, 2018, 25: 25591-25599. doi: 10.1007/s11356-018-2634-6
    [25] TABESH M, ROOZBAHANI A, ROGHANI B, et al. Risk assessment of factors influencing non-revenue water using Bayesian networks and fuzzy logic[J]. Water Resources Management, 2018, 32(11): 3647-3670. doi: 10.1007/s11269-018-2011-8
    [26] 孙惠娟, 沈建. 突发性水污染预警应急系统解析[J]. 决策探索, 2018(5): 88-89. doi: 10.3969/j.issn.1003-5419.2018.05.042
    [27] WANG F, ZHENG P, DAI J, et al. Fault tree analysis of the causes of urban smog events associated with vehicle exhaust emissions: A case study in Jinan, China[J]. Science of the Total Environment, 2019, 668: 245-253. doi: 10.1016/j.scitotenv.2019.02.348
    [28] PIETRUCHA-URBANIK K, STUDZINSKI A. Qualitative analysis of the failure risk of water pipes in terms of water supply safety[J]. Engineering Failure Analysis, 2019, 95: 371-378. doi: 10.1016/j.engfailanal.2018.09.008
    [29] GACHLOU M, ROOZBAHANI A, BANIHABIB M E. Comprehensive risk assessment of river basins using fault tree analysis[J]. Journal of Hydrology, 2019, 577: 123974. doi: 10.1016/j.jhydrol.2019.123974
    [30] 李思琪, 伦艺宁, 刘一凡, 等. 基于事故树分析法的营运客车翻车事故分析[J]. 价值工程, 2019, 38(9): 63-65.
    [31] 韩明毅, 安伟, 桑晨惠, 等. 基于浊度与颗粒数关系的饮用水中“两虫”去除率预测模型[J]. 给水排水, 2019, 45(5): 134-140.
    [32] 韩明毅, 安伟, 马金锋, 等. 人畜共患贾第鞭毛虫和隐孢子虫国内研究进展[J]. 中国病原生物学杂志, 2019, 14(5): 614-622.
  • 加载中
图( 2) 表( 3)
计量
  • 文章访问数:  4912
  • HTML全文浏览数:  4912
  • PDF下载数:  66
  • 施引文献:  0
出版历程
  • 收稿日期:  2020-03-25
  • 录用日期:  2020-05-12
  • 刊出日期:  2021-01-10
张官兵, 李欣洁, 赵燊, 安伟. 我国水源污染事故风险点定量识别方法[J]. 环境工程学报, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159
引用本文: 张官兵, 李欣洁, 赵燊, 安伟. 我国水源污染事故风险点定量识别方法[J]. 环境工程学报, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159
ZHANG Guanbing, LI Xinjie, ZHAO Shen, AN Wei. Quantitative identification of causation points for water source pollution accident in China[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159
Citation: ZHANG Guanbing, LI Xinjie, ZHAO Shen, AN Wei. Quantitative identification of causation points for water source pollution accident in China[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 341-349. doi: 10.12030/j.cjee.202003159

我国水源污染事故风险点定量识别方法

    通讯作者: 安伟(1976—),男,博士,副研究员。研究方向:环境健康及生态风险评估。E-mail:anwei@rcees.ac.cn
    作者简介: 张官兵(1990—),男,硕士研究生。研究方向:环境风险评估。E-mail:1351167609@qq.com
  • 1. 中国科学院生态环境研究中心,环境水质学国家重点实验室,北京 100085
  • 2. 中国科学院大学,北京 100049
  • 3. 北京林业大学理学院,北京 100083
基金项目:
国家水体污染控制与治理科技重大专项(2018ZX07502001)

摘要: 水源事故的频发会对城市供水系统产生威胁,有必要针对供水系统风险进行评估和防控。针对水源事故频发及高发因素定量甄别研究,筛选统计了国内近20年来1 900多起水质突发事故案例,梳理了触发水源水质污染的多种因素,通过构建水源水质安全事故树和贝叶斯网络进行了相互验证分析。结果表明:我国水源污染事故主要因素贡献为依次突然排放(0.466)、污染长期累积(0.242)、交通事故(0.109)等;采用贝叶斯网络计算进行验证,其结果与事故树方法一致性较好。该方法有助于水源污染防控工作中风险点甄别和排序,可为我国饮用水安全保障水平的提升提供支撑。

English Abstract

  • 近些年,我国水污染事故时有发生,威胁到水资源的安全[1-3]。水污染问题不仅影响水生态,还威胁到供水安全,甚至造成社会公共事件。为应对水污染事故,我国构建了相关应急机制,但多针对水污染事故造成的后果以及处理方法。在水污染事故发生后采取的应急及处理方法使得污染物处置难度大,还会增加社会经济成本。如何在事故发生前,建立以风险防控为目标的水源污染突发事件高风险点识别方法,实现有效预警,是当前管理部门所关注的重点之一[4-6]

    对事故敏感点进行诊断通常采用事故树分析(fault tree analysis,FTA)方法,亦称为故障树分析法。这种方法是安全系统工程中常用的研究方法,能帮助找出导致事故发生的基本原因事件[7-9]。目前,该方法已经被成功应用于矿山、能源、石化、交通、公共卫生、电力、和经济等多个行业,但在水源污染事故风险点甄别中的应用还很少[10-12]。事故树分析主要将构成事故因素逐级分解成单独事件,采用布尔代数计算各导致事故的最小割集和径集、结构重要度等为研究方法。然而,对于事故概率的估计往往基于经验值,国内同类研究中缺乏关于大量已发生事故案例的定量统计研究[13-15]

    本研究基于世界卫生组织(World Health Organization,WHO)颁发的《饮用水水质准则》和《水安全计划手册——供水企业分步实施的风险管理》,建立水源事故树的基本事故框架。结合我国2000年以来能够查阅到的1 900多起水源污染突发事件案例,统计计算出各个基本风险因素发生概率。采用事故树分析方法和贝叶斯网络定量分析了导致水源污染的各种事件概率,最终通过事故树节点逻辑关系确定水源水质发生污染事故的不同事故节点发生概率。根据我国近20年发生的事故对所有因素进行了导致水源污染的基本事故排序,筛选出水源高风险点,以期为加强水源安全事故风险管控提供技术参考。

  • 目前,我国尚未建立较大的水源污染突发事件案例数据库,相关部门缺乏详细统计年鉴。根据我国2000—2019年的公开报道资料,本研究收集国内水污染突发事件总计约2 500起。按照污染事件名称、发生时间、发生地点、污染名称、事故原因及水体类别做了统计,选出其中水源(江、河、湖泊、地下水、自备饮用水源)污染事故案例1 900起用于水源地风险甄别研究。

  • 1) 建立水源事故树。水源事故树见图1。参照WHO发的《饮用水水质准则》和水安全计划手册——供水企业分步实施的风险管理方法,结合水源污染事故案例数据,用Visio软件将水源(T)作为顶上事件,突然排污、土地占用、工业区、建筑工事等(ABCD类)作为中间事件,管道事故、企业违规排污、企业安全事故等因素(X类)作为基本事件,根据实际事故之间触发逻辑,建立基本事件造成水源污染的事故树关系图。

    2) 重要度分析。对水源事故树导出的各类基本因素使用Excel软件整合到水源污染突发事件案例中,应用古典概率模型(式(1))计算基本事件发生的概率。应用基本事件结构重要度(式(2))和基本事件概率重要度(式(3))计算各基本事件的结构重要度和概率重要度并进行排序分析。

    3) 风险点甄别。基于1 900起统计数据计算出的各基本事件发生概率,通过事故树逻辑门中的乘(“×”)(式(4))或加(“+”)(式(5))计算顶上事件或者中间事件发生的概率。

    4) 使用贝叶斯网络(Bayes networks, BN)进行验证计算。将事故树中的每个事件映射成贝叶斯网络的节点,事故树中各基本事件发生概率对应到贝叶斯网络中根节点的先验概率,根据事故树中逻辑门的逻辑关系得到贝叶斯网络中对于节点的条件概率[16](见式(6))。

  • 1) 基本事件发生概率。结合全国1 900起饮用水源突发污染事件案例,用Excel软件对基本污染因素发生频次进行了统计,通过古典模型概率公式(式(1))计算水源基本事件危害的概率。

    式中:N为样本点总数;K为事件A的样本点个数。

    2) 基本事件结构重要度[17]

    式中: k 为事故树包含的最小割集数目; m 为包含第 i 个基本事件的最小割集数目; {R}_{j} 为包含第 i 个基本事件的第 j 个最小割集中基本事件的数目。

    3) 基本事件概率重要度[17]

    式中: g\left(q\right) 为事故树概率函数; {q}_{i} 为包含第 i 个基本事件的概率函数。

    4) 与门结构的顶上事件的发生概率计算公式[18]见式(4)。

    或门结构的顶上事件的发生概率计算公式[19]见式(5)。

    式中: {X}_{i} 为事件变量; {P}_{T} {P}_{i} 为顶上事件及其下级事件的概率; n 为使顶上事件发生的下级事件个数;T为顶上事件。下文假设所有下级事件为独立且非互斥事件。

    5) 贝叶斯网络(BN)是每个节点都带有一张条件概率表的有向无环图。利用联合概率分布得顶事件的发生概率用(式(6))计算。

    式中: {x}_{i} 为对应于子节点的状态值; F\left({x}_{i}\right) 为对应于父节点的状态值; n 为BN中节点的数目。

  • 根据1 900起事件通过古典概率模型(1)估算近20年导致水污染因素的发生概率,结果见表1

    根据实际突发水污染事故案例统计结果,引起我国水源水质风险的基本事件有37类。其中,基本事件风险排序依次主要有:1)工业废水,主要是一些企业违规排放导致的;2)安全事故,主要是针对部分企业设施人为操作不良引发的水质安全事故造成的;3)生活污水、工业废弃物、生活垃圾、藻类、自然灾害,如暴雨、洪水引发的水体污染;4)管道事故,如输油或输送污水管道破裂;5)油类泄漏污染,主要是指交通事故造成的,化工厂占地导致的地下水污染,大型载物船舶航运事故,矿物开采过程中由废水排放和尾矿库渗漏造成的;6)部分植物,如浒苔、水葫芦等蔓延水面生长,造成的水质大面积缺氧状况;7)农药化肥,如河流近地进行农业活动或清洗农药工具;8)小型船只活动、事故车辆、机械渗油、养殖动物浮尸造成的;9)建筑工事坍塌事故、医药废水、氮磷营养物、人为故意破坏,主要是投毒捕鱼事件,水面作业触发的偶然水体污染事故,气候变迁、及清理路面积雪时使用的融雪剂等因素均会对水源水质造成不同程度的影响。

  • 基于事故树可以定量分析某类事故发生的概率。如基于大量的统计数据可以计算各基本事件发生的概率,通过逻辑门中的加(“+”)或乘(“×”)计算顶上事件发生的概率,与预定的目标进行比较。如果得到的结果超过了允许目标,则采取相应的改进措施,使其降至允许值以下,以达到控制事故率处于设定安全阈值之下的目的[20-21]

    根据表1中基本事件的发生概率,按照事故树结构和计算原理,对事故树加以分析。水质污染风险的计算表达式见式(7)。

    根据式(7),获得最小割集为38,即造成水质污染的可能路径有38个。由式(2)得基本事件结构重要度计算见式(8),对水源产生污染风险的结果重要度顺序见式(9)。由式(3)得基本事件概率重要度见式(10),对水源产生污染风险的概率重要度顺序见式(11)。

    独立性事件发生概率模型,根据事故树节点逻辑关系,由式(4)和式(5)计算出中间事件的概率,结果如表2所示。

    通过计算发现,水源污染风险依次为突然排放、累计污染、交通事故造成的污染。突然排放中,主要以工业废水为主;累计污染中长期对土地占用带来的风险相对较大,其次是其他排污;交通事故造成的污染主要是油类、化学品泄漏水体排放带来的风险。

  • 为提高事故的预测可靠性,采用贝叶斯网络对事故树进行验证计算。考虑到贝叶斯网络和事故树有很大的相似性,而贝叶斯网络还具有描述事件多态性和事故逻辑关系非确定性的能力,因此,将运用事故树结合贝叶斯网络对水源污染风险进行分析。

    首先做水源污染事故树到贝叶斯网络的映射,基本事件对应于BN中的根节点,中间事件对应于中间节点,顶事件对应于叶节点,并运用式(6)计算各节点的污染概率,如图2所示。做事故树和贝叶斯网络的事件发生概率结果比较,可以发现计算结果相近,说明计算结果(表3)合理。

  • 由以上分析计算结果,可以获得水源污染的类型很多,主要像突发性污染、累积性污染、交通事故等都会对水源造成污染。因此,要有效降低污染风险效应,可从这些基本事件分解入手。

  • 突发性水污染事件往往没有任何预兆,如管道泄漏、爆炸等都有可能造成水污染事件的爆发[22-24]。根据事故案例统计,我国2000—2019年工业废水造成的污染事件达880多起。引起我国水源水突发性事故污染的直接原因有:企业直接排放工业废水、废水管道事故和企业安全事故、自然灾害等引发的间接工业废水排放。水源上游工业企业数即危险源的数量,与突发水污染事件频数呈正相关[25-27]。结合案例分析可知,工业废水对水源的污染最大,主要原因有:一方面,我国近几年工业发展较快,企业数量增长和产生的工业废水增加,为事故的发生创造了条件;另一方面,近几年我国致力于经济的发展的同时也带来了一定环境方面的问题。大部分生产企业建在河流附近[28-30],案例显示,很多化工企业趁着雨季或暴雨将大量未经处理的废水排入水体的事件时有发生,使水质受到严重污染。因此,雨季往往是高风险时间段。

  • 1)土地污染。土地的累积性污染主要来自工业区和农业类污染。工业区主要有工业废弃物造成的污染,矿物开采、化工厂以及部分建筑物坍塌事故造成的土地污染;农业活动污染主要是畜牧养殖和农业废弃物等。如遇到暴雨天气,上述累积的污染物极易被大范围释放。

    2)水生态污染变化。引发水生态效应的基本因素主要有氮磷营养物、藻类及自然因素如光照等。氮肥和磷肥的施用是作物生产必需的措施。农药、化肥的过量使用使得农田养分超出负荷,氮磷等营养物质在雨水等因素的作用下流入水体,最终造成地表水出现营养物累积[31-32],导致藻类爆发。

    3)其他排污。主要指垃圾填埋场和生活污水造成的排污。垃圾填埋场对地下水环境的影响主要来自防渗层出现故障,下渗的渗滤液会导致地下水的水质出现变化[9];生活污水的排放和垃圾倾倒,从而威胁河流水体水质[20-21]

  • 案例统计发现,2003—2019年交通事故引起的水体污染达200起,这必然会对水体产生直接的影响[10]。尤其是船舶交通事故,对航道及附近水体的污染危害较大。交通事故污染中,公路交通事故造成的水体污染,以化学品泄漏排放为主;水上交通以航运事故污染及柴油泄漏排放为重要源。

  • 水源污染产生有很多种原因。基于长期案例累积,并通过事故树进行分析,可以避免以往根据专家主观判断产生的误差,从而得到一个相对科学的结论。该方法能够对导致污染事故致因点进行风险排序,可为供水安全管理、安全预警和流域治理提供有效、可行的参考。

参考文献 (32)

返回顶部

目录

/

返回文章
返回