CN103808662A - 废油液中重金属离子监测方法 - Google Patents
废油液中重金属离子监测方法 Download PDFInfo
- Publication number
- CN103808662A CN103808662A CN201210444724.6A CN201210444724A CN103808662A CN 103808662 A CN103808662 A CN 103808662A CN 201210444724 A CN201210444724 A CN 201210444724A CN 103808662 A CN103808662 A CN 103808662A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- oil liquid
- waste oil
- environment
- test
- 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
Links
Landscapes
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
Abstract
废油液中重金属离子监测方法。本发明涉及一种在油液环境中大量铜、铬、铅、镉等重金属存在下应用预测技术快速确定油液中重金属微粒的含量,控制其排放以免污染环境。针对重金属微粒测定过程往往具有较大的惯非线性和慢时变的特点,再加上油液环境中大量的干扰基体和温度及酸值的影响,使测定结果的准确度不高,试验过程复杂的特点。采用预测技术就可以快速得到较优的数据,有效简化了相关的复杂试验,而且可以控制废油液的排放,从而较好地保护环境。同时预测值在一定程度上可以纠正了人为因素的误差,优化了试验参数,进一步提高了试验数据的可信度。所以模糊预测用于重金属微粒的测定是有效、快速的,不但可以由模型直接得到试验结果,也可根据不同要求和环境状况,输入各种测定的参数,以控制废油液排放过程中重金属微粒的污染环境。
Description
技术领域
本发明涉及一种废油液中重金属离子的监测,具体是应用一种预测技术快速检测定油液中重金属离子的含量,以便实时监测超标重金属的排放,以免造成对环境的污染。
背景技术
本发明涉及一种设备运行中磨损是不可避免的,使大量油液应用过程中产生不同程度的污染,所以应用有效手段掌握油液运行过程中重金属微粒的存在和含量的检测也是环境监测过程不可缺少的内容。废油液中重金属离子的存在应用预测技术快速确定其含量,以便随时监测超标的重金属微粒的排放。具体是针对废油液中重金属微粒测定过程往往具有较大的惯性和滞后性,而且油液中的重金属微粒又要相互的干扰,使得多数重金属离子的测定往往难以实现。目前各种预测控制方法主要是以被控对象的数学模型为基础来进行研究的,而废油液测定过程对象的一个重要特点是影响重金属微粒测定的扰动来源较多,而且大部分的扰动是不可测的,无法建立一个包括各种扰动在内的数学模型。由于预测模型中不能考虑各种扰动,势必造成较大的预测偏差,从而影响预测控制的品质,影响重金属微粒的监测和排放。如何比较准确获得用过油液的输出变量的预测值,将是预测控制能否成功应用于重金属微粒测定过程控制的一个关键问题。
发明内容
本发明涉及一种在大量干扰微粒存在下,应用预测技术快速确定油液体系重金属微粒的最佳监测方法,有效控制废油液的排放。具体是针对重金属微粒测定过程往往具有较大的非线性和慢时变的特点,再加上大量干扰离子的存在,使Pb、Cr、Cd这些重金属微粒的显色滞后,测定结果的准确度不高,试验过程复杂。采用预测技术可以简化相关的复杂试验,提高准确度,预测和限制废油液排放过程的环境污染。
由于预测模型是一种非线性模型,结论采用线性方程式描述,适宜表达复杂系统的动态特性。针对油液环境中重金属微粒测定过程受到废油液的酸度、油液的环境温度、测定盐的用量以及油液环境的干扰和影响,其影响程度很难用精确的数学模型来表示。仅仅通过多次调整试验方案,获得一定范围的映射关系的经验知识有很大困难。本发明专利提出了一种基于模糊控制的重金属微粒监测条件的预测模型。即在试验的基础上,从所采集的数据中产生模拟专家知识的经验规则,建立废油液的酸度、油液的环境温度、测定盐的用量以及油液环境的干扰对重金属测定的影响因素的映射关系。这样在试验范围内,只要设定一组重金属微粒测定的条件就可以通过这些规则对测定过程进行预测,控制废油液的排放,以便对环境产生污染,大大地简化了相关的复杂试验。
根据实验的不同要求,输入各种测定的参数,就可以快速得到较优的数据。也就是说,预测技术用于重金属微粒的监测是有效、快速的,不但可以由模型直接得到试验结果,简化了相关的复杂试验,而且也优化了试验参数,减少了试验中人为的误差,进一步提高了试验数据的可信度。
实现本发明目的进一步描写:
一、监测重金属微粒的条件
在50ml的磨口比色管中,依次加入2.5ml 0.1g/ml的碘化钾,浓度为5×10-3mol/L的结晶紫溶液0.5ml,同时加入待测油液5 ml(用5 ml的四氯乙烯稀释),再加入30%的PEG2000溶液10ml,摇匀,加入缓冲溶液调节pH值,并用水稀释至25ml。然后加入5.0g的硫酸铵固体,振荡5分钟,静置,待分层后把上层PEG相另外移入50ml的比色管中,调节酸度,用水稀释至刻度。振荡摇匀,放在加热装置到50℃,以1cm的比色皿,以相应的试剂空白为参比于610nm处测定,然后从工作曲线上查出相应的重金属镉量。
在上述实验的基础上应用预测技术进行重金属微粒的测定最佳条件实验,确定最佳测定条件为: 在50℃条件下,H2SO4溶液的用量为2.0mL、KI溶液的用量0.5mL以及PEG2000的用量为10 mL的条件下,重金属微粒的显色效果最好,与实验结果基本吻合。得到的计算结果:表观摩尔吸光系数为1.06×106 L·mol-1·cm-1,灵敏度较高,相关系数为0.9996。
二、共存离子的影响
对于5.0μg的重金属微粒来说,由于在油液环境中,干扰微粒很多,所以必须调节适宜的pH和温度调节,分别加入不同量的共存离子,测定时K+、Na+、Ca2+、Mg2+、Mn2+、SO42-、NO3-、F-、Cl-均不干扰测定,从而验证了该测定方法的灵敏度高,测定方法的高效,而且可以随时预测重金属的含量,从而限制废油液的排放。
总之,根据实验的不同要求,输入各种测定的参数,就可以快速测定和监测重金属含量,是一种理想的重金属监测的有效方法。
Claims (2)
1.油液中重金属离子的测定,其特征在于,在大量K+、Na+、Ca2+、Mg2+、Mn2+、SO42-、NO3-、F-、Cl-离子的干扰存在下应用预测技术快速确定油液体系中重金属微粒最佳测定条件,可以快速预测定重金属的含量,确保油品中重金属离子的超标。
2.根据权利要求1 所述的大量重金属离子存在下应用预测技术快速确定重金属微粒的最佳测定条件,在50ml的磨口比色管中,在50℃条件下,H2SO4溶液的用量为2.0mL、KI溶液的用量0.5mL以及PEG2000的用量为10 mL的条件下,重金属微粒的显色效果最好,与实验结果基本吻合,得到的计算结果:表观摩尔吸光系数为1.06×106 L·mol-1·cm-1,灵敏度较高,相关系数为0.9996。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210444724.6A CN103808662A (zh) | 2012-11-09 | 2012-11-09 | 废油液中重金属离子监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210444724.6A CN103808662A (zh) | 2012-11-09 | 2012-11-09 | 废油液中重金属离子监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103808662A true CN103808662A (zh) | 2014-05-21 |
Family
ID=50705752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210444724.6A Pending CN103808662A (zh) | 2012-11-09 | 2012-11-09 | 废油液中重金属离子监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103808662A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466863A (zh) * | 2015-11-18 | 2016-04-06 | 天津工业大学 | 一种基于膜富集-紫外可见漫反射光谱的痕量重金属离子测定方法 |
-
2012
- 2012-11-09 CN CN201210444724.6A patent/CN103808662A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466863A (zh) * | 2015-11-18 | 2016-04-06 | 天津工业大学 | 一种基于膜富集-紫外可见漫反射光谱的痕量重金属离子测定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170185892A1 (en) | Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network | |
Guo et al. | Real-time short-term traffic speed level forecasting and uncertainty quantification using layered Kalman filters | |
Bernal et al. | Financial market time series prediction with recurrent neural networks | |
CN110110466B (zh) | 一种机器学习和工艺仿真的污水处理目标参数预测方法 | |
CN106841075B (zh) | 基于神经网络的cod紫外光谱在线检测优化方法 | |
CN104897592A (zh) | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 | |
Zak et al. | Equifinality, sensitivity and predictive uncertainty in the estimation of critical loads | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN107612999A (zh) | 大气网格化精准监控系统 | |
CN103496625B (zh) | 基于振动分析的多绳摩擦提升机载荷识别方法 | |
Yue et al. | Multivariate nonparametric control chart with variable sampling interval | |
Abdul-Wahab et al. | Prediction of optimum sampling rates of air quality monitoring stations using hierarchical fuzzy logic control system | |
Ma et al. | Location of contaminant emission source in atmosphere based on optimal correlated matching of concentration distribution | |
CN103868492A (zh) | 运营状态下斜拉桥竖向变形性能的退化报警方法 | |
Chen et al. | Port cargo throughput forecasting based on combination model | |
CN103413207A (zh) | 基于定性标准化和影响因子评价法的科技人才评价方法 | |
Halama et al. | Prediction of atmospheric corrosion of carbon steel using artificial neural network model in local geographical regions | |
CN103808662A (zh) | 废油液中重金属离子监测方法 | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN103344740A (zh) | 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 | |
CN112836859A (zh) | 一种河口区污染物监测数据的智能融合与分析方法 | |
CN101706439A (zh) | 锌基中微量镉的测定 | |
CN207410366U (zh) | 大气网格化精准监控系统 | |
CN115705510A (zh) | 厂区气体污染分布预测方法、系统、电子设备及存储介质 | |
So et al. | Optical sensor and neural networks for real-time monitoring and estimation of hazardous gas release rate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140521 |