CN108073788A - 一种利用盐湖苦卤制备碱式硼酸镁晶须的方法 - Google Patents

一种利用盐湖苦卤制备碱式硼酸镁晶须的方法 Download PDF

Info

Publication number
CN108073788A
CN108073788A CN201711489303.4A CN201711489303A CN108073788A CN 108073788 A CN108073788 A CN 108073788A CN 201711489303 A CN201711489303 A CN 201711489303A CN 108073788 A CN108073788 A CN 108073788A
Authority
CN
China
Prior art keywords
bittern
mrow
salt lake
prepared
crystal whisker
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.)
Withdrawn
Application number
CN201711489303.4A
Other languages
English (en)
Inventor
吴健松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lingnan Normal University
Original Assignee
Lingnan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lingnan Normal University filed Critical Lingnan Normal University
Publication of CN108073788A publication Critical patent/CN108073788A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

本发明公开了一种利用盐湖苦卤制备碱式硼酸镁晶须的方法，包括如下步骤：S1. 将利用盐湖苦卤制备碱式硼酸镁晶须的多组实验数据用于训练PSO优化的BP神经网络，所述实验数据包括制备参数和实验结果，实验数据的组数大于等于100组；S2. 在S1.中训练后的所述PSO优化的BP神经网络能够随着盐湖苦卤的理化性质变化而给出优化制备参数、预测晶须比率；采用所述优化制备参数，制备得到碱式硼酸镁晶须。应用PSO优化BP神经网络将实验数据实现数字智能化，可随时为苦卤生产晶须提供最优的实验方案及准确预测实验结果，大大减少了因摸索性试验而带来大量的人力、物力与资源浪费。

Description

一种利用盐湖苦卤制备碱式硼酸镁晶须的方法
技术领域
本发明涉及无机材料制备技术领域，更具体地，涉及一种利用盐湖苦卤制备碱式硼酸镁晶须的方法。
背景技术
在盐生产中，海水或者盐湖水在盐田里日晒蒸发浓缩，析出食盐，当卤水达到一定浓度时，不再晒盐，该卤水称为苦卤。苦卤中含有大量的镁离子是制备镁盐晶须的绝佳原料。但受技术水平的限制，苦卤的利用率不足20％，大量的苦卤资源排入大海或在盐田循环，既造成了资源的浪费又影响了近海海域的生态平衡。实现苦卤彻底的综合利用是解决我国陆地资源不足的有效措施，是实现海盐生产节能减排的必要保证，也是海盐化工迫在眉睫急需解决的问题。
在实际应用中，从苦卤中制备碱式硼酸镁晶须，每当苦卤的物理化学性质改变一次，都要做大量繁杂的摸索性实验以适应新的条件，耗费了大量的人力、物力。
发明内容
本发明为克服上述现有技术所述的缺陷，提供一种利用盐湖苦卤制备碱式硼酸镁晶须的方法。
为解决上述技术问题，本发明采用的技术方案是：
一种利用盐湖苦卤制备碱式硼酸镁晶须的方法，包括如下步骤：
S1.将利用盐湖苦卤制备碱式硼酸镁晶须的多组实验数据用于训练PSO优化的BP神经网络，所述实验数据包括制备参数和实验结果，实验数据的组数大于等于100组；
所述PSO的数学模型是：
vij(t+1)＝vij(t)+c1r1j(t)[pij(t)-xij(t)]+c2r2j(t)[gj(t)-xij(t)] (1)
xij(t+1)＝xij(t)+vij(t+1) (2)
式(1)和式(2)中，j为粒子的第j维，i为第i个粒子；t：表示当前进化代数；vij(t)隐含层第i个节点到第j个节点之间的权值；p ij(t)粒子i所经过j的位置；gij(t)粒子群i所经过j的位置；xij(t)当前粒子i在j的位置；c1和c2都是位移变化的限定因子，为预设值；r为随机函数；
PSO优化BP神经网络是使(3)式J值最小，J为均方差指标；
式(3)中，N是训练样本总数，是第i个样本的第j个神经节点的目标输出值，yj,i是第i个样本的第j个神经节点的实际输出值，M是神经元的个数；
S2.在S1.中训练后的所述PSO优化的BP神经网络能够随着盐湖苦卤的理化性质变化而给出优化制备参数、预测实验结果；采用所述优化制备参数，制备得到碱式硼酸镁晶须。
c1和c2都是位移变化的限定因子，为预设值，通常取值为2。
训练PSO优化的BP神经网络的过程如图3所示。
利用盐湖苦卤制备碱式硼酸镁晶须的制备实验操作可参考现有技术得到，以及相对应的制备参数也可参考现有技术得到。
BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，它能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，具有较强的自适应性、学习能力和大规模并行计算能力。但单独使用BP神经网络有需要样本数量大、收敛速度慢、泛化能力弱等不足，为此，再引入粒子群算法(Particle Swarm Optimization，PSO)以优化BP神经网络。PSO是近年来发展起来的一种新的进化算法，是通过适应度来评价解的品质，具有实现容易、精度高、收敛快等优点，PSO优化的BP神经网络简称PSO-BP神经网络，PSO-BP神经网络误差更小、准确度更高。
应用PSO优化BP神经网络将实验数据实现数字智能化，以随时可为“从复杂多变的苦卤中生产碱式硼酸镁晶须”进行问题求解，实验数据智能化后，可随时为苦卤生产晶须提供最优的实验方案及准确预测实验结果，无需耗费大量的人力物力。
优选地，所述制备参数包括镁离子浓度、盐湖苦卤体积、Na2CO3-NaHCO3缓冲液体积、Na2B4O7的浓度、Na2B4O7的体积、反应温度、反应时间、水热反应温度及水热反应时间。
利用盐湖苦卤制备碱式硼酸镁晶须可以采用Na2CO3-NaHCO3缓冲液和Na2B4O7，该方法的实验操作以及制备参数可参考现有技术得到。
优选地，所述实验结果包括晶须比率。
优选地，所述理化性质包括盐湖苦卤的镁离子浓度。
优选地，所述PSO优化的BP神经网络的算法流程为：确定网络拓扑结构，然后初始BP神经网络权值阈值长度，然后获取最优权阈值，然后计算误差，然后权值阈值更新，如果满足结束条件，则仿真预测得到结果，如果不满足结束条件，则返回到计算误差，直至满足结束条件，最终仿真预测得到结果；所述获取最优权值阈值采用离子群算法得到，所述离子群算法的流程为，离子和速度初始化，然后粒子适应度值计算，然后寻找个体极值和群体极值，然后速度更新和位置更新，然后离子适应度值计算，然后个体极值和群体极值，如果满足条件，则获取最优权阈值，如果不满足条件，则返回到速度更新和位置更新，直至满足条件，获取最优权值阈值。
所述数据组数越多，PSO优化的BP神经网络的预测实验结果越准确。
与现有技术相比，本发明的有益效果是：
本发明的应用PSO优化BP神经网络将实验数据实现数字智能化，可随时为苦卤生产晶须提供最优的实验方案及准确预测实验结果，大大减少了因摸索性试验而带来大量的人力、物力与资源浪费。
附图说明
图1为PSO优化BP神经网络算法流程示意图。
图2为利用盐湖苦卤制备碱式硼酸镁晶须的制备参数训练PSO-BP神经网络示意图。
图3为PSO-BP神经网络的训练过程。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
(1)实验问题求解说明：
以下通过表1作简要说明。表1给出了5组实验数据，其中第Ⅰ、Ⅱ、Ⅲ组是已做的实验并给出了制备参数与实验结果，第Ⅳ和Ⅴ组均有多个参数(或结果)是未知的，未知值均用问号标出。将第Ⅰ、Ⅱ、Ⅲ组数据训练BP神经网络后，训练数据组越多越好，BP神经网络便有了“如何优化制备晶须方案并且使结果最优”的人工智能，便可指导第Ⅳ、Ⅴ组实验应怎么做了。例如，在第Ⅴ组中，已知苦卤镁离子浓度为3.2mol/L，体积为400.0mL，现有碱的浓度为1.0mol/L，苦卤温度为19℃，假定要制备出比率为93％的晶须，请问其他的制备参数应是多少？又假定按给出的参数进行实验后，结果比率仅有90％，主要原因是什么？应对参数作怎样的调整？所有这些问题都可让PSO-BP神经网络这个智能“专家”作回答。
表1 PSO-BP神经网络求解示例
(2)实施例中PSO-BP神经网络算法流程：如图1所示，PSO优化的BP神经网络的算法流程为：确定网络拓扑结构，然后初始BP神经网络权值阈值长度，然后获取最优权阈值，然后计算误差，然后权值阈值更新，如果满足结束条件，则仿真预测得到结果，如果不满足结束条件，则返回到计算误差，直至满足结束条件，最终仿真预测得到结果；其中获取最优权值阈值采用离子群算法得到，所述离子群算法的流程为，离子和速度初始化，然后粒子适应度值计算，然后寻找个体极值和群体极值，然后速度更新和位置更新，然后离子适应度值计算，然后个体极值和群体极值，如果满足条件，则获取最优权阈值，如果不满足条件，则返回到速度更新和位置更新，直至满足条件，获取最优权值阈值。
(3)实施例中晶须比率采用扫描显微镜观察估算，结果为质量分数；通过XRD测试确认制备得到的晶须为目标产物。
实施例
本实施例的利用盐湖苦卤制备碱式硼酸镁晶须的方法，包括如下步骤：
S1.制备碱式硼酸镁晶须，并记录数据，
(1)取察尔汗盐湖苦卤500mL，过滤并弃去不溶物；测得其镁离子浓度为2.63mol/L；
(2)配制0.900mol/L的Na2B4O7溶液
(3)在苦卤中加入Na2CO3-NaHCO3缓冲液体积8mL，pH＝(9.2±0.3)。；
(4)取上述苦卤溶液100mL，置于1.00L的烧杯内，然后在搅拌状态下慢滴加入Na2B4O7溶液80mL，加毕，将混合体系置于水温为40℃的水浴锅中继续陈化54h，得碱式硼酸镁晶须前驱体；
(5)将生成的碱式硼酸镁晶须前驱体放入水热反应釜中，设定水热反应温度为150℃，反应16h后出样；
(6)过滤，将得到的样品置于烘箱中(T＝80±3℃，t＝24h)烘干，即得碱式硼酸镁晶须，检测产品中晶须比例为98％；
S2.改变S1的盐湖苦卤体积、镁离子浓度、Na2CO3-NaHCO3缓冲液体积、Na2B4O7的体积、Na2B4O7的浓度、反应温度或反应时间中的一种或几种，制备碱式硼酸镁晶须，重复以上实验100次，得到100组的数据；
S3.然后将此100组数据输入PSO-BP神经网络，训练PSO-BP神经网络；
S4.盐湖苦卤的镁离子浓度发生变化时，输入反应条件数据后，PSO-BP神经网络能够预测晶须比例，最终将得到取优的一个数据组，这一组数据就是化学工艺中最优的，在以后的生产中主要依据这个优化的数据来进入生产，制备碱式硼酸镁晶须。
本实施例中训练PSO-BP神经网络的数据和结果如表2所示，将将晶须比率的高低用数字表示，从低到高分别用数字1、2、3、4、5表示，训练的目的就是使实际输出值无穷接近期望输出值(期望输出值就是实际上实验得到的结果)，一旦达到目的，训练结束。对比表2中期望输出值与实际输出值，可见两者十分接近，误差很小。表中只列举5组数据，其他训练数据未列在表中。
完成训练PSO-BP神经网络之后，当盐湖苦卤的镁离子浓度发生变化时，输入反应条件数据后，PSO-BP神经网络能够预测晶须比例，最终将得到取优的一个数据组，即最优的制备参数，依据该制备参数进行生产，制备碱式硼酸镁晶须，能够大大减少因摸索性试验而带来大量的人力、物力与资源浪费。
表2 PSO-BP神经网络训练
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种利用盐湖苦卤制备碱式硼酸镁晶须的方法，其特征在于，包括如下步骤：
S1.将利用盐湖苦卤制备碱式硼酸镁晶须的多组实验数据用于训练PSO优化的BP神经网络，所述实验数据包括制备参数和实验结果，实验数据的组数大于等于100组；
所述PSO的数学模型是：
vij(t+1)＝vij(t)+c1r1j(t)[pij(t)-xij(t)]+c2r2j(t)[gj(t)-xij(t)] (1)
xij(t+1)＝xij(t)+vij(t+1) (2)
式(1)和式(2)中，j为粒子的第j维，i为第i个粒子；t：表示当前进化代数；vij(t)隐含层第i个节点到第j个节点之间的权值；p ij(t)粒子i所经过j的位置；gij(t)粒子群i所经过j的位置；xij(t)当前粒子i在j的位置；c1和c2都是位移变化的限定因子，为预设值；r为随机函数；
所述PSO优化BP神经网络是使式(3)中的J值最小，J为均方差指标；
<mrow> <mi>J</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>y</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>d</mi> </msubsup> <mo>-</mo> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
式(3)中，N是训练样本总数，M是神经元的个数，是第i个样本的第j个神经节点的目标输出值，yj,i是第i个样本的第j个神经节点的实际输出值；
S2.在S1中训练后的所述PSO优化的BP神经网络能够随着盐湖苦卤的理化性质变化而给出优化制备参数、预测实验结果；采用所述优化制备参数，制备得到碱式硼酸镁晶须。
2.根据权利要求1所述的利用盐湖苦卤制备碱式硼酸镁晶须的方法，其特征在于，所述制备参数包括镁离子浓度、盐湖苦卤体积、Na2CO3-NaHCO3缓冲液体积、Na2B4O7的浓度、Na2B4O7的体积、反应温度、反应时间、水热反应温度及水热反应时间。
3.根据权利要求1所述的利用盐湖苦卤制备碱式硼酸镁晶须的方法，其特征在于，所述实验结果包括晶须比率。
4.根据权利要求1所述的利用盐湖苦卤制备碱式硼酸镁晶须的方法，其特征在于，所述理化性质包括盐湖苦卤的镁离子浓度。
CN201711489303.4A 2017-12-25 2017-12-29 一种利用盐湖苦卤制备碱式硼酸镁晶须的方法 Withdrawn CN108073788A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017114233405 2017-12-25
CN201711423340 2017-12-25

Publications (1)

Publication Number Publication Date
CN108073788A true CN108073788A (zh) 2018-05-25

Family

ID=62156205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711489303.4A Withdrawn CN108073788A (zh) 2017-12-25 2017-12-29 一种利用盐湖苦卤制备碱式硼酸镁晶须的方法

Country Status (1)

Country Link
CN (1) CN108073788A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899905A (zh) * 2020-08-05 2020-11-06 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020184569A1 (en) * 2001-04-25 2002-12-05 O'neill Michael System and method for using neural nets for analyzing micro-arrays
CN101165227A (zh) * 2007-08-20 2008-04-23 国家海洋局天津海水淡化与综合利用研究所 利用苦卤合成硼酸镁晶须的方法
CN101353815A (zh) * 2008-08-19 2009-01-28 浙江大学 以白云岩和苦卤为原料制备碱式氯化镁晶须的方法
CN103544526A (zh) * 2013-11-05 2014-01-29 辽宁大学 一种改进粒子群算法及其应用
CN104463343A (zh) * 2014-10-27 2015-03-25 中国石油大学(北京) 一种预测催化裂化轻质油产率的方法
CN107287651A (zh) * 2017-07-31 2017-10-24 岭南师范学院 一种制备碱式硼酸镁晶须的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020184569A1 (en) * 2001-04-25 2002-12-05 O'neill Michael System and method for using neural nets for analyzing micro-arrays
CN101165227A (zh) * 2007-08-20 2008-04-23 国家海洋局天津海水淡化与综合利用研究所 利用苦卤合成硼酸镁晶须的方法
CN101353815A (zh) * 2008-08-19 2009-01-28 浙江大学 以白云岩和苦卤为原料制备碱式氯化镁晶须的方法
CN103544526A (zh) * 2013-11-05 2014-01-29 辽宁大学 一种改进粒子群算法及其应用
CN104463343A (zh) * 2014-10-27 2015-03-25 中国石油大学(北京) 一种预测催化裂化轻质油产率的方法
CN107287651A (zh) * 2017-07-31 2017-10-24 岭南师范学院 一种制备碱式硼酸镁晶须的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘卫林，刘丽娜: "《基于智能计算技术的水资源配置系统预测》", 1 December 2015, 中国水利水电出版社 *
董威: "《粗糙集理论及其数据挖掘应用》", 1 December 2009, 东北大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899905A (zh) * 2020-08-05 2020-11-06 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统
CN111899905B (zh) * 2020-08-05 2022-11-01 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统

Similar Documents

Publication Publication Date Title
Huo et al. Using artificial neural network models for eutrophication prediction
CN106920008A (zh) 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN107705556A (zh) 一种基于支持向量机和bp神经网络结合的交通流预测方法
Liu et al. Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network
CN106371316B (zh) 基于pso‑lssvm的水岛加药在线控制方法
Aali et al. Estimation of Saturation Percentage of Soil Using Multiple Regression, ANN, and ANFIS Techniques.
CN109308544A (zh) 基于对比散度-长短期记忆网络的蓝藻水华预测方法
CN109726857A (zh) 基于GA-Elman网络的蓝藻水华预测方法
Dou et al. Long-term weather prediction based on GA-BP neural network
Lu et al. The study of size-grade of prehistoric settlements in the Circum-Songshan area based on SOFM network
CN108073788A (zh) 一种利用盐湖苦卤制备碱式硼酸镁晶须的方法
CN108118396A (zh) 一种利用盐湖苦卤制备碱式硫酸镁晶须的方法
CN103942600B (zh) 基于尖峰自组织径向基神经网络的污泥膨胀预测方法
Li et al. Prediction model of dissolved oxygen in ponds based on ELM neural network
Wang et al. Rainfall-runoff simulation using simulated annealing wavelet bp neural networks
CN108059177A (zh) 一种利用盐湖苦卤制备六方片状氢氧化镁的方法
CN108021771A (zh) 一种利用盐湖苦卤制备碱式碳酸镁晶须的方法
Wang A neural network algorithm based assessment for marine ecological environment
CN106959360B (zh) 应用反向差分演化的稀土矿区农田水体pH值软测量方法
CN108171330A (zh) 一种智能化利用盐湖苦卤制备空心管状碱式碳酸镁晶须的方法
Yalin et al. Dissolved oxygen prediction model which based on fuzzy neural network
Xiaojie et al. Research on the prediction of water treatment plant coagulant dosage based on feed-forward artificial neutral network
Liu et al. Application of the grey theory and the neural network in water demand forecast
Geng et al. Study on prediction of dissolved oxygen content in aquaculture water
Li et al. Study on the BP-GA model and its application in water quality assessment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180525