CN102807301B - 再生水厂出水水质在线监测与实时预测系统及其控制方法 - Google Patents
再生水厂出水水质在线监测与实时预测系统及其控制方法 Download PDFInfo
- Publication number
- CN102807301B CN102807301B CN201210268583.7A CN201210268583A CN102807301B CN 102807301 B CN102807301 B CN 102807301B CN 201210268583 A CN201210268583 A CN 201210268583A CN 102807301 B CN102807301 B CN 102807301B
- Authority
- CN
- China
- Prior art keywords
- water
- quality
- water quality
- monitoring
- data
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Treatment Of Water By Oxidation Or Reduction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种再生水厂出水水质在线监测与实时预测系统及其控制方法,系统包括:数据监测和采集系统、数据中心和主控计算机,数据监测和采集系统采集消毒工艺进、出水的水质理化指标数据并发送至数据中心,数据中心储存水质理化指标数据并实时显示出水水质的变化;主控计算机读取进水水质理化指标数据并进行出水水质预测,根据进水水质变化实时更新预测结果并显示。本发明实现了再生水厂出水水质实时监测与预测,通过读取最新出水理化指标监测结果,主控计算机可以实时动态显示出水水质的变化;将出水水质实时预测情况用于指导应对出水水质风险,提高了再生水厂应对源水水质变化的能力和效率;保证了水厂出水水质安全,提高了安全性。
Description
技术领域
本发明涉及再生水处理领域,尤其涉及一种再生水厂出水水质在线监测与实时预测系统及其控制方法。
背景技术
污水的再生利用已经成为解决水资源短缺这一世界性难题的主要途径之一,为保障再生水回用过程中的卫生安全,对再生水厂出水水质进行有效监控、及时采取措施应对出水水质风险就非常重要。然而,现有再生水厂水质监控系统,大多只包含监测系统,缺乏水质预测体系。这导致技术人员获得的水质情况往往滞后于出水水质变化。在出水水质恶化时,无法采取及时的应对措施,从而使用户端的若干水质指标可能超过相应标准的限制。给再生水用户的生活和生产带来风险。
同时,现在有限的水质预测系统,多是根据大量水质监测结果建立的统计预测体系,或是针对单一水质组分的简单机理模型,对水质进行预测。
发明人在实现本发明的过程中,发现现有技术中至少存在以下问题:
再生水水质往往波动较大,经常性超出已有统计数据范围,统计预测体系难以给出精确的、有效的预测结果;再生水水质成分复杂,单一组分模型无法对水中其他重要组分做出预测。即现有预测系统难以满足再生水厂出水水质安全的需求。
发明内容
本发明提供了一种再生水厂出水水质在线监测与实时预测系统及其控制方法,本发明实现了实时、准确地预测水厂出水若干关键指标浓度范围,及时提供出水水质预测信息,保证了水厂出水水质安全,提高了安全性,详见下文描述:
一种再生水厂出水水质在线监测与实时预测系统,所述系统包括:数据监测和采集系统、数据中心和主控计算机,
所述数据监测和采集系统采集消毒工艺进、出水的水质理化指标数据并发送至所述数据中心,所述数据中心储存所述水质理化指标数据并实时显示出水水质的变化;所述主控计算机读取所述水质理化指标数据并进行解算,实时更新预测结果并显示。
所述数据监测和采集系统由若干个在线监测仪表组成,
所述在线监测仪表按时序采集消毒工艺进、出水的氨氮浓度、化学需氧量和余氯浓度数据;粪大肠菌群数据以相同时序人工测定。
一种再生水厂出水水质在线监测与实时预测系统的控制方法,所述方法包括以下步骤:
(1)根据所述氨氮浓度、化学需氧量、余氯量和粪大肠菌群相互间的生化反应获取待率定参数,通过所述生化反应构建水质预测模型;
(2)对所述水质预测模型进行求解获取待率定参数的预测值;
(3)对所述待率定参数的预测值进行收敛检验,当不满足收敛检验时,增加模拟次数重新进行参数率定,直至满足收敛检验,执行步骤(4);
(4)所述主控计算机输出所述待率定参数的预测值,根据所述待率定参数的预测值计算出氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质以及对比图;
(5)当所述对比图满足预设水质精度要求时,所述主控计算机自动读取最新的进水水质监测数据,并按时序更新所述氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质预测结果;
(6)根据进水水质、所述氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质预测结果对水质监控设备和水质进行及时调整。
所述水质预测模型具体为:模拟变量共4个,即氨氮浓度、化学需氧量、余氯量和粪大肠菌群;根据消毒工艺实际,做出以下设定:
微元内均为完全混合式反应器;粪大肠菌的生长速率符合Monod方程,内源呼吸引起的自然衰减速率符合一级反应,而余氯灭活微生物速率为二级反应;余氯与有机物发生氧化和卤代反应,其反应速率符合二级反应;总余氯的成分以一氯胺为主,每消耗1mol总余氯,释放1mol氨。
所述对所述水质预测模型进行求解具体为:对所述水质预测模型采用第一求解方法或第二求解方法进行求解;
其中,第一求解方法具体为:以所述水质预测模型中的待率定参数作为随机变量输入模型,在模型抽取各随机变量样本以前,根据先验知识设置各参数的样本分布;在抽取随机变量样本以后,根据化学需氧量、氨氮、总余氯和粪大肠菌群实测数据情况,以贝叶斯公式把各参数的先验分布改为后验分布;
其中,第二求解方法具体为:以所述水质预测模型中的待率定参数作为随机变量输入模型,在模型抽取各随机变量样本以前,根据先验知识设置各参数的样本分布;根据各待率定参数先验分布开始随机模拟,完成一次模拟检验一次化学需氧量、氨氮、总余氯和粪大肠菌群的实测数据和模拟所得数据是否服从相同概率分布。
所述待率定参数具体为:
所述根据进水水质、所述氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质预测结果对水质监控设备和水质进行及时调整具体为:
当所述进水水质大于等于第一阈值,通过水质预测结果降低监测和预测频率、关闭水质监测点处设备;
当所述进水水质小于第一阈值大于等于第二阈值时,通过水质预测结果增加出水水质监测和预测密度;
当所述进水水质小于第二阈值时,通过进水水质监测结果及时预测出水水质,评估出水水质风险并采取相应措施。
本发明提供的技术方案的有益效果是:本发明实现了再生水厂出水水质实时监测与预测,通过读取最新出水理化指标监测结果,主控计算机可以实时动态显示出水水质的变化;借助于本系统,技术人员可以及时获得出水水质预测信息,将出水水质实时预测情况用于指导应对出水水质风险,提高再生水厂应对源水水质变化的能力和效率;保证了水厂出水水质安全,提高了安全性;本发明实施例具有较高的实用价值。
附图说明
图1为本发明提供的一种再生水厂出水水质在线监测与实时预测系统的结构示意图;
图2为本发明提供的水质预测模型的示意图;
图3为本发明提供的一种再生水厂出水水质在线监测与实时预测系统的控制方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
为了实现实时、准确地预测水厂出水若干关键指标浓度范围,及时提供出水水质预测信息,保证水厂出水水质安全,提高安全性,本发明实施例提供了一种再生水厂出水水质在线监测与实时预测系统及其控制方法,参见图1,详见下文描述:
一种再生水厂出水水质在线监测与实时预测系统,包括:数据监测和采集系统、数据中心和主控计算机,
数据监测和采集系统采集消毒工艺进、出水的水质理化指标数据并发送至数据中心,数据中心储存水质理化指标数据并实时显示出水水质的变化;主控计算机读取水质理化指标数据并进行解算,实时更新预测结果并显示。
其中,数据监测和采集系统由若干个在线监测仪表组成,在线监测仪表按时序采集水厂消毒工艺进、出水的水质理化指标数据。在线采集数据包括:氨氮浓度、化学需氧量和余氯量,微生物指标以人工方式采集。采集的数据皆按指定时段发送监测数据至数据中心。微生物指标以粪大肠菌群为例进行说明。
其中,数据中心包括:服务器和数据库,
主控计算机通过服务器控制数据监测和采集系统、服务器还用于水质预测所需的计算任务;数据库,用于存储各时段检测到的水质理化指标数据、各次的水质预测结果、水厂工艺情况和运行参数信息。
其中,主控计算机控制数据监测和采集系统和数据中心、并预测和监测出水水质。
一种再生水厂出水水质在线监测与实时预测系统的控制方法,其中,参见图2和图3,水质预测模型的模拟变量共4个,即氨氮浓度、化学需氧量、余氯量和粪大肠菌群。根据消毒工艺实际,做出以下基本设定:
(1)微元内均为完全混合式反应器;
(2)粪大肠菌的生长速率符合Monod方程,内源呼吸引起的自然衰减速率符合一级反应,而余氯灭活微生物速率为二级反应;
(3)余氯与有机物发生氧化和卤代反应,其反应速率符合二级反应;
(4)总余氯的成分以一氯胺为主,每消耗1mol总余氯,释放1mol氨。
基于上述原则可以推导得到各模拟变量的反应速率的动力学方程,进而建立全组分反应动力学方程组。本研究模型共有9个待率定参数,见表1。
表1模型参数表
如图3所示步骤编号,本发明的具体实施步骤如下:
101:根据氨氮浓度、化学需氧量、余氯量和粪大肠菌群相互间的生化反应获取待率定参数,通过生化反应获取构建水质预测模型;
102:对水质预测模型进行求解获取待率定参数的预测值;
其中,对水质预测模型进行求解具体为:对水质预测模型采用第一求解方法或第二求解方法进行求解。
其中,第一求解方法具体为:以模型中的待率定参数(见表1)作为随机变量输入模型,在模型抽取各随机变量样本以前,根据先验知识设置各参数的样本分布(称为先验分布或验前分布)。在抽取随机变量样本以后,根据实际观测值数据(化学需氧量、氨氮、总余氯和粪大肠菌群),以贝叶斯公式把各参数的先验分布改为后验分布,贝叶斯公式的基本形式为:
其中,P(θ|y)为参数的后验分布密度,P(θ)为参数的先验分布密度,P(y|θ)为参数的似然度信息,P(y)为实际观测值的发生概率。
该方法以每次获得全部待率定参数的后验分布为一步迭代,第二步迭代即把已获得的各参数后验分布作为先验分布,重复前述计算后验分布的过程。该方法依此持续进行计算,直至达到设定的迭代次数,算法输出为各待率定参数的最终后验分布。
其中,第二求解方法具体为:以模型中的待率定参数作为随机变量输入模型,在模型抽取各随机变量样本以前,根据先验知识设置各参数的样本分布。首先根据各待率定参数先验分布开始随机模拟,完成一次模拟进行一次K-S检验,该检验用于检验化学需氧量、氨氮、总余氯和粪大肠菌群的模拟样本和观测样本是否服从相同的概率分布,其统计量KS表示为:
上式中n1和n2分别表示各目标水质指标实测样本和模拟样本的大小,Fn1(x)和Fn2(x)分别为实测样本和模拟样本的经验分布函数。设定显著性水平α,令n=n1×n2/(n1+n2),则存在某临界值KSα(n),当KS<KSα(n)时,统计学上即认为两个样本服从相同的概率分布,本次模拟结果通过KS检验。本方法中,选择该算法则系统持续进行计算,直至模型中全部目标水质指标通过K-S检验,此时输出为各参数的最终模拟结果(也可设定系统持续计算至指定的模拟次数,此时输出为各参数的通过前述K-S检验的模拟结果数据分布)。
其中,当缺乏模型参数的先验分布知识时(即缺乏先验知识来设置各待率定参数的样本分布),可以将先验分布指定在很宽的数域内,选择第一求解方法进行参数率定;当模型参数先验分布比较明确时,可以选择第二求解方法,以提高参数率定效率。
103:对待率定参数的预测值进行收敛检验,当不满足收敛检验时,增加模拟次数重新进行参数率定,直至满足收敛检验,执行步骤104;
其中,当采用第一求解方法时,对获取到的待率定参数的预测值进行Brooks、Gelman & Rubin收敛性检验和Geweke收敛性检验;当采用第二求解方法时,对获取到的待率定参数的预测值进行Geweke收敛性检验。
104:主控计算机输出待率定参数的预测值,根据待率定参数的预测值计算出氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质以及对比图;
其中,主控计算机将自动输出根据待率定参数的预测值计算出的各目标水质(预测均值及其95%置信区间)和实际观测数据的对比图,
105:当对比图满足预设水质精度要求时,主控计算机自动读取最新的进水水质监测数据,并按时序更新氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质预测结果;
其中,当对比图不满足预设水质精度要求时,应提示操作人员关注预测结果的精度(若想提高预测精度,可在参数率定过程中采用增加模拟次数、增加观测数据量、删除出现明显检测误差的观测数据等方法,以获得精度良好的预测结果)。
106:根据进水水质、氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质预测结果对水质监控设备和水质进行及时调整。
其中,该步骤具体为:
当进水水质大于等于第一阈值,通过水质预测结果降低监测和预测频率、关闭水质监测点处设备;
当进水水质小于第一阈值大于等于第二阈值时,通过水质预测结果增加出水水质监测和预测密度;
当进水水质小于第二阈值时,通过进水水质监测结果及时预测出水水质,评估出水水质风险并采取相应措施。
通过及时给出水质预测结果,使得自来水厂可以及时的发现水质出现问题,对水质进行调整,避免了对用户的影响。
其中,第一阈值和第二阈值根据实际应用中水厂的需求进行设定,具体实现时,本发明实施例对此不做限制。
其中,具体实现时,根据本系统提供的水质监测、预测信息,技术人员可及时掌握水厂出水的水质信息,并根据进水水质的不同情况采取相应措施。该步骤具体为:当发现进水水质较好(符合设计条件,大于等于第一阈值)时,可通过本系统调整水质监控工况,例如:适当降低监测和预测频率、关闭次要水质监测点处设备等;若系统显示进水水质波动明显(尤其是某些控制指标接近标准要求的限值,小于第一阈值且大于等于第二阈值)时,可采取密切监控措施,通过本系统控制增加出水水质监测和预测密度,以及时掌握水质走向;当系统提示进水水质较差(某些进水水质控制指标超过标准要求的限值,小于第二阈值)时,可通过本系统迅速预测出水水质,及时掌握出水水质风险,并采取相应措施。
综上所述,本发明实施例提供了一种再生水厂出水水质在线监测与实时预测系统及其控制方法,本发明实施例实现了再生水厂出水水质实时监测与预测,通过读取最新出水理化指标监测结果,主控计算机可以实时动态显示出水水质的变化;借助于本系统,技术人员可以及时获得出水水质预测信息,将出水水质实时预测情况用于指导应对出水水质风险,提高再生水厂应对源水水质变化的能力和效率;保证了水厂出水水质安全,提高了安全性;本发明实施例具有较高的实用价值。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种再生水厂出水水质在线监测与实时预测系统的控制方法,其中,所述系统包括:数据监测和采集系统、数据中心和主控计算机,
所述数据监测和采集系统采集消毒工艺进、出水的水质理化指标数据并发送至所述数据中心,所述数据中心储存所述水质理化指标数据并实时显示出水水质的变化;所述主控计算机读取所述水质理化指标数据并进行解算,实时更新预测结果并显示;其特征在于,所述方法包括以下步骤:
(1)根据氨氮浓度、化学需氧量、余氯量和粪大肠菌群相互间的生化反应获取待率定参数,通过所述生化反应构建水质预测模型,其中待率定参数为:
;
(2)对所述水质预测模型进行求解获取待率定参数的预测值;
(3)对所述待率定参数的预测值进行收敛检验,当不满足收敛检验时,增加模拟次数重新进行参数率定,直至满足收敛检验,执行步骤(4);
(4)主控计算机输出所述待率定参数的预测值,根据所述待率定参数的预测值计算出氨氮浓度、化学需氧量、余氯量和粪大肠菌群以及对比图;
(5)当所述对比图满足预设水质精度要求时,所述主控计算机自动读取最新的进水水质监测数据,并按时序更新所述氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质预测结果;
(6)根据进水水质、所述氨氮浓度、化学需氧量、余氯量和粪大肠菌群的水质预测结果对水质监控设备和水质进行及时调整;
其中,步骤(6)中的调整步骤为:当所述进水水质大于等于第一阈值,通过水质预测结果降低监测和预测频率、关闭水质监测点处设备;
当所述进水水质小于第一阈值大于等于第二阈值时,通过水质预测结果增加出水水质监测和预测密度;
当所述进水水质小于第二阈值时,通过进水水质监测结果及时预测出水水质,评估出水水质风险并采取相应措施。
2.根据权利要求1所述的一种再生水厂出水水质在线监测与实时预测系统的控制方法,其特征在于,所述水质预测模型具体为:模拟变量共4个,即氨氮浓度、化学需氧量、余氯量和粪大肠菌群;根据消毒工艺实际,做出以下设定:
微元内均为完全混合式反应器;粪大肠菌的生长速率符合Monod方程,内源呼吸引起的自然衰减速率符合一级反应,而余氯灭活微生物速率为二级反应;余氯与有机物发生氧化和卤代反应,其反应速率符合二级反应;总余氯的成分以一氯胺为主,每消耗1mol总余氯,释放1mol氨。
3.根据权利要求2所述的一种再生水厂出水水质在线监测与实时预测系统的控制方法,其特征在于,所述对所述水质预测模型进行求解具体为:对所述水质预测模型采用第一求解方法或第二求解方法进行求解;
其中,第一求解方法具体为:以所述水质预测模型中的待率定参数作为随机变量输入模型,在模型抽取各随机变量样本以前,根据先验知识设置各参数的样本分布;在抽取随机变量样本以后,根据化学需氧量、氨氮、总余氯和粪大肠菌群实测数据情况,以贝叶斯公式把各参数的先验分布改为后验分布;
其中,第二求解方法具体为:以所述水质预测模型中的待率定参数作为随机变量输入模型,在模型抽取各随机变量样本以前,根据先验知识设置各参数的样本分布;根据各待率定参数先验分布开始随机模拟,完成一次模拟,检验一次化学需氧量、氨氮、总余氯和粪大肠菌群的实测数据和模拟所得数据是否服从相同概率分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210268583.7A CN102807301B (zh) | 2012-07-31 | 2012-07-31 | 再生水厂出水水质在线监测与实时预测系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210268583.7A CN102807301B (zh) | 2012-07-31 | 2012-07-31 | 再生水厂出水水质在线监测与实时预测系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102807301A CN102807301A (zh) | 2012-12-05 |
CN102807301B true CN102807301B (zh) | 2014-01-15 |
Family
ID=47231192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210268583.7A Expired - Fee Related CN102807301B (zh) | 2012-07-31 | 2012-07-31 | 再生水厂出水水质在线监测与实时预测系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102807301B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104480007B (zh) * | 2014-12-05 | 2016-03-30 | 力合科技(湖南)股份有限公司 | 一种水质生物毒性测试菌种的储存设备和培养方法 |
JP6501593B2 (ja) | 2015-04-03 | 2019-04-17 | 住友化学株式会社 | 予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法 |
CN106021884A (zh) * | 2016-05-12 | 2016-10-12 | 武汉理工大学 | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 |
CN106295121B (zh) * | 2016-07-21 | 2019-01-18 | 天津大学 | 景观湖泊贝叶斯水质风险预测方法 |
CN106290763B (zh) * | 2016-07-29 | 2018-03-09 | 湖南永清水务有限公司 | 一种污水处理运行参数趋势分析方法及系统 |
CN107473474A (zh) * | 2017-09-30 | 2017-12-15 | 宁波琅华泰阁海洋科技有限公司 | 一种水处理系统和方法 |
CN108414465B (zh) * | 2018-02-05 | 2020-07-10 | 清华大学 | 一种再生水中氯活性物质及余氯衰减的测定和预测方法 |
CN109725119B (zh) * | 2018-12-13 | 2021-04-23 | 南方科技大学 | 水质信息处理方法、系统、存储介质及计算机设备 |
CN109976270A (zh) * | 2019-02-28 | 2019-07-05 | 重庆工商大学 | 城市污水处理云管理平台 |
CN109933027B (zh) * | 2019-02-28 | 2021-11-09 | 重庆工商大学 | 基于厂群水质监控和模型化管理的污水管理平台 |
CN109976187B (zh) * | 2019-02-28 | 2021-08-17 | 重庆工商大学 | 基于污水生化处理优化与精细曝气的污水管理平台 |
CN109828095A (zh) * | 2019-04-04 | 2019-05-31 | 大连理工大学 | 一种基于物联网的水质监测系统数据存储、无线传输及远程控制方法 |
CN110002682B (zh) * | 2019-04-23 | 2022-01-28 | 信阳农林学院 | 一种生物化学制药工程废水净化系统 |
CN111553468B (zh) * | 2020-05-15 | 2023-06-06 | 南京大学 | 一种准确预测污水处理厂出水水质的方法 |
CN111573756A (zh) * | 2020-05-28 | 2020-08-25 | 苏州国溯科技有限公司 | 一种医院废水排放安全精准监管成套装备 |
US11610467B2 (en) | 2020-10-08 | 2023-03-21 | Ecolab Usa Inc. | System and technique for detecting cleaning chemical usage to control cleaning efficacy |
CN113312844B (zh) * | 2021-05-28 | 2022-07-29 | 重庆工商大学 | 基于机器学习的循环水养殖监测系统 |
CN114471164B (zh) * | 2022-01-19 | 2023-05-16 | 郑州清源智能装备科技有限公司 | 超滤智能水厂 |
CN115859770B (zh) * | 2022-10-25 | 2023-08-04 | 浙江问源环保科技股份有限公司 | 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565296A (zh) * | 2011-12-11 | 2012-07-11 | 天津大学 | 再生水厂原水水质在线预警系统及预警方法 |
-
2012
- 2012-07-31 CN CN201210268583.7A patent/CN102807301B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102807301A (zh) | 2012-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102807301B (zh) | 再生水厂出水水质在线监测与实时预测系统及其控制方法 | |
Regmi et al. | The future of WRRF modelling–outlook and challenges | |
Van Straten et al. | Uncertainty propagation and speculation in projective forecasts of environmental change: A lake‐eutrophication example | |
AU2017254356A1 (en) | System and method for wastewater treatment process control | |
CN117171661B (zh) | 一种化工厂污水处理监控方法及系统 | |
Tejaswini et al. | Multi-objective optimization based controller design for improved wastewater treatment plant operation | |
US20200331783A1 (en) | Decision support system and method for watertreatment | |
Weirich et al. | Resilience of secondary wastewater treatment plants: prior performance is predictive of future process failure and recovery time | |
KR100834187B1 (ko) | 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템 | |
Patki et al. | Prediction of water quality in municipal distribution system | |
Aghdam et al. | Predicting quality parameters of wastewater treatment plants using artificial intelligence techniques | |
Han et al. | A sludge volume index (SVI) model based on the multivariate local quadratic polynomial regression method | |
Rodríguez-Miranda et al. | Analysis of the investment costs in municipal wastewater treatment plants in Cundinamarca | |
KR101269056B1 (ko) | 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법 | |
Johnson | Water reuse and recovery facility connected digital twin case study: Singapore PUB’s Changi WRP process, control, and hydraulics digital twin | |
Reynaert et al. | Predicting microbial water quality in on-site water reuse systems with online sensors | |
Kern et al. | COD and NH 4-N estimation in the inflow of Wastewater Treatment Plants using Machine Learning Techniques | |
Sengul et al. | Prediction of optimal coagulant dosage in drinking water treatment by artificial neural network | |
JP2006038552A (ja) | Bod推定装置および方法 | |
Zimoch et al. | Use of disinfection by-products (DBPs) generation simulation models in the risk analysis of secondary water contamination | |
Han et al. | Intelligent modeling approach to predict effluent quality of wastewater treatment process | |
Goldman-Torres et al. | When the Model isn’t Enough: Peracetic Acid Dosing Recommendations in the Real World | |
JP5449072B2 (ja) | 安水の生物学的好気処理におけるcod濃度シミュレーション方法及び装置 | |
Iordache et al. | Drinking Water Quality Risk Management Risck Analysis of Nitrogen Groundwater Contamination Using Analytica Software | |
Etyang | Design of an artificial neural network model to predict optimum coagulant dosage in a water treatment plant: case study: Bungokho water works. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140115 Termination date: 20210731 |