CN105975800A - 用于化学重金属废水处理过程的多参数优化方法及装置 - Google Patents
用于化学重金属废水处理过程的多参数优化方法及装置 Download PDFInfo
- Publication number
- CN105975800A CN105975800A CN201610447557.9A CN201610447557A CN105975800A CN 105975800 A CN105975800 A CN 105975800A CN 201610447557 A CN201610447557 A CN 201610447557A CN 105975800 A CN105975800 A CN 105975800A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- value
- concentration
- metal ion
- treatment process
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Water Treatment By Electricity Or Magnetism (AREA)
Abstract
本发明提供了一种用于电化学重金属废水处理过程的多参数优化方法及装置,方法包括:S1:建立公式一所示的基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;S2:建立废水处理过程的电能消耗模型;S3:建立废水处理过程的电耗优化模型,使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小;S4:获取电解槽池待处理废水的入口重金属离子浓度的检测数据,采用状态转移算法对S3中的电耗优化模型求解,获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值。本发明提供的多参数优化方法能够稳定出口废水重金属离子浓度进而节约电能。
Description
技术领域
本发明涉及电化学技术领域,具体涉及一种用于化学重金属废水处理过程的多参数优化方法及装置。
背景技术
近年来,随着冶金和化工行业的发展,大量的重金属元素(如铜、钴、镍等)进入到工业废水中,导致地下水环境重金属污染严重。地方性重金属中毒引起了世界范围的广泛关注。为此,我国在废水排放和饮用水标准中对重金属的浓度作出了严格的规定。但这种含重金属的废水处理是目前冶炼行业面临的一大难题。
常规的处理方法需要投加大量的金属盐、石灰或电石渣,这导致在废水处理阶段会产生大量的废渣,对废渣中含有的多种重金属沉淀物亦无法进行有效分离和回收,处理后产生的污泥量也非常大且成分复杂,这些污泥同样难以进行回收和利用,如作为危废处理还将给企业带来了巨大的经济负担,易形成二次污染。
电化学重金属废水处理技术具有施工周期短、运行成本低、处理效果好、设施占地面积小、工艺可自动化程度高、处理范围广、耐冲击负荷强、污泥产生量少、操作和维护简单等优点,因此在重金属废水治理领域得到广泛应用。
但随着电化学处理重金属废水技术的发展与推广,该技术存在的缺陷也日益明显:采用电化学的方法处理含重金属离子的废水时,各种参数的设定(如pH值、电流值和电导率值)常根据人工经验进行判定,这就导致出口废水所含重金属离子浓度波动较大,整流器运行功率浪费,电能消耗较大。
发明内容
针对现有技术中的缺陷,本发明提供一种用于化学重金属废水处理过程的多参数优化方法及装置,能够稳定出口废水重金属离子浓度进而节约电能。
第一方面,本发明提供了一种用于电化学重金属废水处理过程的多参数优化方法,包括以下步骤:
S1:采用BP神经网络模型建立公式一所示的基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;
Cout=fBP(Dk,pH,K,C0) 公式一
其中,fBP为电化学处理过程模型;Cout为出口废水中重金属离子浓度;Dk为电解槽的电解电流密度;pH为待处理废水的pH值大小;K为待处理废水的电导率;C0为废水入口重金属离子浓度;
S2:建立公式二所示的废水处理过程的电能消耗模型;
其中,Jw为电能消耗量;N为电解槽数;B为阴极板数;S为每块阴极板的截面积;Vi(i=1,2...n)为不同重金属离子产生的槽电压,为关于电流密度Dk、重金属离子浓度C和电解温度T的非线性函数;t为电解时间;
S3:建立公式三所示的废水处理过程的电耗优化模型,使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小;
其中,Cmax为出口废水中重金属离子浓度应达到的指标值;Dk.max为电解极板能承受的电流密度上限;
S4:获取电解槽池待处理废水的入口重金属离子浓度的检测数据,采用状态转移算法对S3中的电耗优化模型求解,获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值。
优选地,所述S1中建立的电化学处理过程模型为多输入多输出的BP神经网络模型,建立的具体步骤为:
S11:采集电流密度值、pH值、电导率值、入口重金属离子浓度和出口重金属离子浓度数据,并将电流密度值、pH值、电导率值、入口重金属离子浓度作为输入层神经元,将出口重金属离子浓度作为输出层神经元;
S12:对采集的数据采用3σ准则和零均值标准化方法进行数据预处理,以剔除异常数据和消除由于不同特征因子量纲不同和数量级不同所带来的差异化影响;
S13:利用处理后的样本数据对BP神经网络模型进行训练,得到所述电化学处理过程模型。
优选地,所述S2中废水处理过程的电能消耗模型中的槽电压V与电流密度Dk、重金属离子浓度C和电解温度T之间的关系如公式三所示:
其中,是重金属离子析出的平衡电位常数;R是热力学常数;F是法拉第常数;r是电解液中重金属离子的活度系数;M是重金属的相对原子量;L为阴阳极间距;β1~β5为待辨识参数。
第二方面,本发明还提供了一种用于电化学重金属废水处理过程的多参数优化装置,包括:
第一模型建立单元,用于建立公式一所示的基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;
Cout=fBP(Dk,pH,K,C0) 公式一
其中,fBP为电化学处理过程模型;Cout为出口废水中重金属离子浓度;Dk为电解槽的电解电流密度;pH为待处理废水的pH值大小;K为待处理废水的电导率;C0为废水入口重金属离子浓度;
第二模型建立单元,用于建立公式二所示的废水处理过程电能消耗模型,并采集工业现场数据对模型参数进行辨识;
其中,Jw为电能消耗量;N为电解槽数;B为阴极板数;S为每块阴极板的截面积;Vi(i=1,2...n)为不同重金属离子产生的槽电压,为关于电流密度Dk、重金属离子浓度C和电解温度T的非线性函数;t为电解时间;
优化模型建立单元,用于建立公式三所示的废水处理过程的电耗优化模型,使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小;
其中,Cmax为出口废水中重金属离子浓度应达到的指标值;Dk.max为电解极板能承受的电流密度上限;
优化模型求解单元,用于获取电解槽池待处理废水的入口重金属离子浓度的检测数据,采用状态转移算法对所述电耗优化模型求解,获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值。
优选地,所述第一模型建立单元,具体用于:
采集电流密度值、pH值、电导率值、入口重金属离子浓度和出口重金属离子浓度数据,并将电流密度值、pH值、电导率值、入口重金属离子浓度作为输入层神经元,将出口重金属离子浓度作为输出层神经元;
对采集的数据采用3σ准则和零均值标准化方法进行数据预处理,以剔除异常数据和消除由于不同特征因子量纲不同和数量级不同所带来的差异化影响;
利用处理后的样本数据对BP神经网络模型进行训练,得到所述电化学处理过程模型。
优选地,所述槽电压V与电流密度Dk、重金属离子浓度C和电解温度T之间的关系如公式三所示:
其中,是重金属离子析出的平衡电位常数;R是热力学常数;F是法拉第常数;r是电解液中重金属离子的活度系数;M是重金属的相对原子量;L为阴阳极间距;β1~β5为待辨识参数。
由上述技术方案可知,针对现有技术中存在的出口废水所含重金属离子浓度波动较大,整流器运行功率浪费,电能消耗较大的问题,本发明提供的用于电化学重金属废水处理过程的多参数优化方法,采用BP神经网络模型来建立基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;然后分析电能消耗与重金属离子浓度和电流密度的关系,建立电能消耗优化模型;最后利用电能消耗优化模型获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值,从而为pH值、电导率值和电流的调节提供依据。该方法稳定了出口废水重金属离子浓度,节约了电能资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的用于电化学重金属废水处理过程的多参数优化方法的流程图;
图2是本发明实施例二提供的用于电化学重金属废水处理过程的多参数优化装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决背景技术提到的技术问题,本发明提供了一种用于电化学重金属废水处理过程的多参数优化方法,该多参数优化方法能够稳定出口废水重金属离子浓度,进而可以节约电能。
图1示出了本发明实施例一提供的用于电化学重金属废水处理过程的多参数优化方法的流程图,参见图1,所述方法包括如下步骤:
步骤101:采用BP神经网络模型建立公式一所示的基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;
Cout=fBP(Dk,pH,K,C0) 公式一
其中,fBP为电化学处理过程模型;Cout为出口废水中重金属离子浓度;Dk为电解槽的电解电流密度;pH为待处理废水的pH值大小;K为待处理废水的电导率;C0为废水入口重金属离子浓度;
在本步骤中,建立的电化学处理过程模型为多输入多输出的BP神经网络模型,建立的具体步骤为:
步骤a:采集电流密度值、pH值、电导率值、入口重金属离子浓度和出口重金属离子浓度数据,并将电流密度值、pH值、电导率值、入口重金属离子浓度作为输入层神经元,将出口重金属离子浓度作为输出层神经元;
步骤b:对采集的数据采用3σ准则和零均值标准化方法进行数据预处理,以剔除异常数据和消除由于不同特征因子量纲不同和数量级不同所带来的差异化影响;
步骤c:利用处理后的样本数据对BP神经网络模型进行训练,得到所述电化学处理过程模型。
步骤102:建立公式二所示的废水处理过程的电能消耗模型,并采集工业现场数据对模型参数进行辨识;
其中,Jw为电能消耗量;N为电解槽数;B为阴极板数;S为每块阴极板的截面积;Vi(i=1,2...n)为不同重金属离子产生的槽电压,为关于电流密度Dk、重金属离子浓度C和电解温度T的非线性函数;t为电解时间;
在本步骤中,槽电压V与电流密度Dk、重金属离子浓度C和电解温度T之间的关系如公式三所示:
其中,是重金属离子析出的平衡电位常数;R是热力学常数;F是法拉第常数;r是电解液中重金属离子的活度系数;M是重金属的相对原子量;L为阴阳极间距;β1~β5为待辨识参数。
步骤103:建立公式三所示的废水处理过程的电耗优化模型,使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小;
其中,Cmax为出口废水中重金属离子浓度应达到的指标值;Dk.max为电解极板能承受的电流密度上限;
步骤104:获取电解槽池待处理废水的入口重金属离子浓度的检测数据,采用状态转移算法对S3中的电耗优化模型求解,获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值。
在本步骤中,利用电耗优化模型求解获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值,从而为pH值、电导率值和电流的调节提供依据,以稳定出口废水重金属离子浓度,节约电能资源。
从上面描述可知,针对现有技术中存在的出口废水所含重金属离子浓度波动较大,整流器运行功率浪费,电能消耗较大的问题,本实施例提供的用于电化学重金属废水处理过程的多参数优化方法,采用BP神经网络模型来建立基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;然后分析电能消耗与重金属离子浓度和电流密度的关系,建立电能消耗优化模型;最后利用电能消耗优化模型获取使得在出口重金属离子浓度满足预设阈值(达标值)的情况下电能消耗最小的电流密度值、pH值和电导率值,从而为pH值、电导率值和电流的调节提供依据。该方法稳定了出口废水重金属离子浓度,节约了电能资源。
本实施例实时获取被处理废水中重金属离子浓度,根据建立的电化学处理过程模型和电能消耗模型,采用状态转移算法优化求解,得到在满足出口重金属离子浓度达标的前提下使得电耗最小的电流密度值、pH值和电导率值,为这三种参数的调节提供依据。解决了因人工经验调节导致的出口废水所含重金属离子浓度波动较大,电能消耗浪费的问题。该方法节约了电能资源,稳定了出口废水重金属离子浓度。和电化学重金属废水处理系统的现有技术相比,本实施例的电化学处理过程模型和电能消耗模型更加科学准确,既节约了电能和延长极板运行时间,也减少了工人的劳动强度,提高了电化学反应的安全系数,更加节能环保、安全可靠。
下面以一个具体的实例对上述实施例提供的方法进行解释说明。
例如对于一种待处理的含重金属锑的废水,其中锑含量80mg/L,废水pH=5.5,K=10600us/cm,采取连续进水方式处理,处理量控制在50m3/h。采用上述实施例提供的用于电化学重金属废水处理过程的多参数优化方法确定其在出口锑离子浓度达标(0.5mg/L)的情况下电能消耗最小的pH值和电导率值。第一步,建立基于电解槽废水出口锑离子浓度和废水电导率、pH值以及电解电流密度之间关系的BP神经网络电化学处理过程模型,并采集数据对模型训练;第二步,建立废水处理过程电能消耗模型并采集数据通过状态转移算法对模型进行参数辨识;第三步,建立废水处理过程电耗优化模型,使得在出口锑离子浓度达标的情况下电能消耗最小;第四步,根据锑离子浓度和入口流量,采用状态转移算法对电耗优化模型求解,得到使得在出口锑离子浓度达标的情况下电能消耗最小的电流密度值、pH值和电导率值。
采用电化学重金属废水处理过程的多参数优化方法调节参数,通过状态转移算法计算得到的pH值为8.5,电导率值为11820us/cm,输出电流为1924A。采用人工调节的方法和电化学重金属废水处理过程的多参数优化方法的电耗对比如表1所示,使用电化学重金属废水处理过程的多参数优化方法调节参数后,电耗日均降低了162.377千瓦时。
其结果表明,本实施例所提出的方法充分考虑了pH值、电导率值和电流值的确定对电能消耗的降低和出口重金属离子浓度的稳定达标的重要性,既节约了电能和延长极板运行时间,也减少了工人的劳动强度,提高了电化学反应的安全系数,更加节能环保、安全可靠。
表1
人工调节方法 | 多参数优化方法 | |
耗电量(千瓦时/天) | 1390.09 | 1227.713 |
本发明实施例二提供了一种用于电化学重金属废水处理过程的多参数优化装置,参见图2,该装置包括:第一模型建立单元21、第二模型建立单元22、优化模型建立单元23和优化模型求解单元24;
第一模型建立单元21,用于建立公式一所示的基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;
Cout=fBP(Dk,pH,K,C0) 公式一
其中,fBP为电化学处理过程模型;Cout为出口废水中重金属离子浓度;Dk为电解槽的电解电流密度;pH为待处理废水的pH值大小;K为待处理废水的电导率;C0为废水入口重金属离子浓度;
第二模型建立单元22,用于建立公式二所示的废水处理过程电能消耗模型,并采集工业现场数据对模型参数进行辨识;
其中,Jw为电能消耗量;N为电解槽数;B为阴极板数;S为每块阴极板的截面积;Vi(i=1,2...n)为不同重金属离子产生的槽电压,为关于电流密度Dk、重金属离子浓度C和电解温度T的非线性函数;t为电解时间;
进一步地,所述槽电压V与电流密度Dk、重金属离子浓度C和电解温度T之间的关系如公式三所示:
其中,是重金属离子析出的平衡电位常数;R是热力学常数;F是法拉第常数;r是电解液中重金属离子的活度系数;M是重金属的相对原子量;L为阴阳极间距;β1~β5为待辨识参数。
优化模型建立单元23,用于建立公式三所示的废水处理过程的电耗优化模型,使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小;
其中,Cmax为出口废水中重金属离子浓度应达到的指标值;Dk.max为电解极板能承受的电流密度上限;
优化模型求解单元24,用于获取电解槽池待处理废水的入口重金属离子浓度的检测数据,采用状态转移算法对所述电耗优化模型求解,获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值。
进一步地,所述第一模型建立单元21,具体用于:
采集电流密度值、pH值、电导率值、入口重金属离子浓度和出口重金属离子浓度数据,并将电流密度值、pH值、电导率值、入口重金属离子浓度作为输入层神经元,将出口重金属离子浓度作为输出层神经元;
对采集的数据采用3σ准则和零均值标准化方法进行数据预处理,以剔除异常数据和消除由于不同特征因子量纲不同和数量级不同所带来的差异化影响;
利用处理后的样本数据对BP神经网络模型进行训练,得到所述电化学处理过程模型。
本实施例提供的用于电化学重金属废水处理过程的多参数优化装置,可以用于执行上述实施例所述的用于电化学重金属废水处理过程的多参数优化方法,其原理和技术效果类似,此处不再赘述。
在本发明的描述中,需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种用于电化学重金属废水处理过程的多参数优化方法,其特征在于,包括以下步骤:
S1:采用BP神经网络模型建立公式一所示的基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;
Cout=fBP(Dk,pH,K,C0) 公式一
其中,fBP为电化学处理过程模型;Cout为出口废水中重金属离子浓度;Dk为电解槽的电解电流密度;pH为待处理废水的pH值大小;K为待处理废水的电导率;C0为废水入口重金属离子浓度;
S2:建立公式二所示的废水处理过程的电能消耗模型;
其中,Jw为电能消耗量;N为电解槽数;B为阴极板数;S为每块阴极板的截面积;Vi(i=1,2...n)为不同重金属离子产生的槽电压,为关于电流密度Dk、重金属离子浓度C和电解温度T的非线性函数;t为电解时间;
S3:建立公式三所示的废水处理过程的电耗优化模型,使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小;
其中,Cmax为出口废水中重金属离子浓度应达到的指标值;Dk.max为电解极板能承受的电流密度上限;
S4:获取电解槽池待处理废水的入口重金属离子浓度的检测数据,采用状态转移算法对S3中的电耗优化模型求解,获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值。
2.根据权利要求1所述的用于电化学重金属废水处理过程的多参数优化方法,其特征在于,所述S1中建立的电化学处理过程模型为多输入多输出的BP神经网络模型,建立的具体步骤为:
S11:采集电流密度值、pH值、电导率值、入口重金属离子浓度和出口重金属离子浓度数据,并将电流密度值、pH值、电导率值、入口重金属离子浓度作为输入层神经元,将出口重金属离子浓度作为输出层神经元;
S12:对采集的数据采用3σ准则和零均值标准化方法进行数据预处理,以剔除异常数据和消除由于不同特征因子量纲不同和数量级不同所带来的差异化影响;
S13:利用处理后的样本数据对BP神经网络模型进行训练,得到所述电化学处理过程模型。
3.根据权利要求1所述的用于电化学重金属废水处理过程的多参数优化方法,其特征在于,所述S2中废水处理过程的电能消耗模型中的槽电压V与电流密度Dk、重金属离子浓度C和电解温度T之间的关系如公式三所示:
其中,是重金属离子析出的平衡电位常数;R是热力学常数;F是法拉第常数;r是电解液中重金属离子的活度系数;M是重金属的相对原子量;L为阴阳极间距;β1~β5为待辨识参数。
4.一种用于电化学重金属废水处理过程的多参数优化装置,其特征在于,包括:
第一模型建立单元,用于建立公式一所示的基于电解槽废水出口重金属离子浓度和废水电导率、pH值以及电解电流密度之间关系的电化学处理过程模型;
Cout=fBP(Dk,pH,K,C0) 公式一
其中,fBP为电化学处理过程模型;Cout为出口废水中重金属离子浓度;Dk为电解槽的电解电流密度;pH为待处理废水的pH值大小;K为待处理废水的电导率;C0为废水入口重金属离子浓度;
第二模型建立单元,用于建立公式二所示的废水处理过程电能消耗模型,并采集工业现场数据对模型参数进行辨识;
其中,Jw为电能消耗量;N为电解槽数;B为阴极板数;S为每块阴极板的截面积;Vi(i=1,2...n)为不同重金属离子产生的槽电压,为关于电流密度Dk、重金属离子浓度C和电解温度T的非线性函数;t为电解时间;
优化模型建立单元,用于建立公式三所示的废水处理过程的电耗优化模型,使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小;
其中,Cmax为出口废水中重金属离子浓度应达到的指标值;Dk.max为电解极板能承受的电流密度上限;
优化模型求解单元,用于获取电解槽池待处理废水的入口重金属离子浓度的检测数据,采用状态转移算法对所述电耗优化模型求解,获取使得在出口重金属离子浓度满足预设阈值的情况下电能消耗最小的电流密度值、pH值和电导率值。
5.根据权利要求4所述的用于电化学重金属废水处理过程的多参数优化装置,其特征在于,所述第一模型建立单元,具体用于:
采集电流密度值、pH值、电导率值、入口重金属离子浓度和出口重金属离子浓度数据,并将电流密度值、pH值、电导率值、入口重金属离子浓度作为输入层神经元,将出口重金属离子浓度作为输出层神经元;
对采集的数据采用3σ准则和零均值标准化方法进行数据预处理,以剔除异常数据和消除由于不同特征因子量纲不同和数量级不同所带来的差异化影响;
利用处理后的样本数据对BP神经网络模型进行训练,得到所述电化学处理过程模型。
6.根据权利要求4所述的用于电化学重金属废水处理过程的多参数优化装置,其特征在于,所述槽电压V与电流密度Dk、重金属离子浓度C和电解温度T之间的关系如公式三所示:
其中,是重金属离子析出的平衡电位常数;R是热力学常数;F是法拉第常数;r是电解液中重金属离子的活度系数;M是重金属的相对原子量;L为阴阳极间距;β1~β5为待辨识参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610447557.9A CN105975800B (zh) | 2016-06-21 | 2016-06-21 | 用于化学重金属废水处理过程的多参数优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610447557.9A CN105975800B (zh) | 2016-06-21 | 2016-06-21 | 用于化学重金属废水处理过程的多参数优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975800A true CN105975800A (zh) | 2016-09-28 |
CN105975800B CN105975800B (zh) | 2017-04-19 |
Family
ID=57021525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610447557.9A Active CN105975800B (zh) | 2016-06-21 | 2016-06-21 | 用于化学重金属废水处理过程的多参数优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975800B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106862235A (zh) * | 2017-02-14 | 2017-06-20 | 深圳市能源环保有限公司 | 一种在线检测重金属固体废弃物无害化处理方法 |
CN109115700A (zh) * | 2018-07-10 | 2019-01-01 | 中南大学 | 炼锌废水金属离子检测的显色剂用量优化方法 |
CN109231389A (zh) * | 2018-10-19 | 2019-01-18 | 中南大学 | 一种用于重金属废水处理过程的多工况协调优化方法 |
CN116116181A (zh) * | 2023-04-18 | 2023-05-16 | 科扬环境科技有限责任公司 | 一种基于模型优化的废气废水处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345559A (zh) * | 2013-07-10 | 2013-10-09 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
CN105321000A (zh) * | 2015-11-06 | 2016-02-10 | 重庆科技学院 | 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 |
-
2016
- 2016-06-21 CN CN201610447557.9A patent/CN105975800B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345559A (zh) * | 2013-07-10 | 2013-10-09 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
CN105321000A (zh) * | 2015-11-06 | 2016-02-10 | 重庆科技学院 | 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 |
Non-Patent Citations (1)
Title |
---|
阳春华等: "锌电解过程实时专家控制系统的设计", 《计算机应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106862235A (zh) * | 2017-02-14 | 2017-06-20 | 深圳市能源环保有限公司 | 一种在线检测重金属固体废弃物无害化处理方法 |
CN106862235B (zh) * | 2017-02-14 | 2019-05-24 | 武汉深能环保新沟垃圾发电有限公司 | 一种在线检测重金属固体废弃物无害化处理方法 |
CN109115700A (zh) * | 2018-07-10 | 2019-01-01 | 中南大学 | 炼锌废水金属离子检测的显色剂用量优化方法 |
CN109231389A (zh) * | 2018-10-19 | 2019-01-18 | 中南大学 | 一种用于重金属废水处理过程的多工况协调优化方法 |
CN109231389B (zh) * | 2018-10-19 | 2020-10-13 | 中南大学 | 一种用于重金属废水处理过程的多工况协调优化方法 |
CN116116181A (zh) * | 2023-04-18 | 2023-05-16 | 科扬环境科技有限责任公司 | 一种基于模型优化的废气废水处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105975800B (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Removal of phosphate from landscape water using an electrocoagulation process powered directly by photovoltaic solar modules | |
CN105975800B (zh) | 用于化学重金属废水处理过程的多参数优化方法及装置 | |
CN104965971B (zh) | 一种基于模糊神经网络的氨氮浓度软测量方法 | |
CN104131285B (zh) | 三氯化铁蚀刻废液的回收方法 | |
Qi et al. | Performance and mechanistic study on electrocoagulation process for municipal wastewater treatment based on horizontal bipolar electrodes | |
Tzanetakis et al. | Recycling of nickel–metal hydride batteries. II: Electrochemical deposition of cobalt and nickel | |
CN114690700B (zh) | 一种基于plc的智能污水处理决策优化方法及系统 | |
Uzoh et al. | Electrocoagulation of Pb2+, Co2+, and Mn2+ from simulated wastewater: an algorithmic optimization using hybrid RSM–GA–PSO | |
Poshtegal et al. | The heavy metals pollution index and water quality monitoring of the Zarrineh river, Iran | |
CN107093484B (zh) | 一种含铀废水高效处理系统及处理方法 | |
CN107729711B (zh) | 一种重金属废水电化学处理反应速率在线估计方法及装置 | |
CN106430746A (zh) | 一种采用电絮凝预处理天然气采出水的工艺 | |
CN105955327A (zh) | 一种重金属废水处理过程的协调控制方法及装置 | |
Yang et al. | Optimal control for zinc electrowinning process with current switching | |
CN109437456B (zh) | 一种基于操作模式动态匹配的重金属废水净化控制方法 | |
Adams et al. | Electrochemical oxidation of ferrous iron in very dilute solutions | |
Rudnik et al. | Study on copper recovery from smelted low-grade e-scrap using hydrometallurgical methods | |
CN112424397A (zh) | 电解过程中交流与直流叠加的系统 | |
CN109231389A (zh) | 一种用于重金属废水处理过程的多工况协调优化方法 | |
Deng et al. | Spatiotemporal distribution model for zinc electrowinning process and its parameter estimation | |
CN107240726A (zh) | 一种用于预测磷酸铁锂电池生命周期的方法 | |
Hor et al. | Removal and recovery of copper via a galvanic cementation system Part I: Single-pass reactor | |
CN113526751A (zh) | 一种废旧电池放电处理高盐废水的方法和应用 | |
CN107500388A (zh) | 一种重金属废水电化学处理过程中电导率的控制方法及装置 | |
Kumar et al. | Removal of dye by electrocoagulation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |