CN108975553A - 一种火电厂含煤废水处理混凝剂投加量精确控制方法 - Google Patents
一种火电厂含煤废水处理混凝剂投加量精确控制方法 Download PDFInfo
- Publication number
- CN108975553A CN108975553A CN201810874107.7A CN201810874107A CN108975553A CN 108975553 A CN108975553 A CN 108975553A CN 201810874107 A CN201810874107 A CN 201810874107A CN 108975553 A CN108975553 A CN 108975553A
- Authority
- CN
- China
- Prior art keywords
- neural network
- coal
- model
- charging quantity
- coagulant charging
- 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
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F9/00—Multistage treatment of water, waste water or sewage
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/54—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities using organic material
Abstract
本发明涉及一种火电厂含煤废水处理混凝剂投加量精确控制方法,包括如下步骤:1、确定影响火电厂含煤废水处理混凝剂投加量因素,并将其作为BP神经网络模型的输入变量,将混凝剂投加量作为模型输出变量;2、确定各影响因素的取值范围并进行均匀试验,将试验结果作为BP神经网络学习样本;3、利用学习样本对神经网络进行训练,训练完毕即建立基于BP人工神经网络的含煤废水混凝处理数学模型;4、利用训练样本以外的试验数据进行检验,考察所建立的模型是否具有良好的泛化预测能力;5、检验成功后,即可根据进水水质和出水浊度要求,通过模型计算获取精确的混凝剂投加量。本发明能实现混凝剂投加量的精确控制,取得良好的经济和环境效益。
Description
技术领域
本发明涉及一种火电厂含煤废水处理混凝剂投加量精确控制方法,属于废水处理技术领域。
背景技术
火电厂含煤废水主要为含煤粉的高悬浮物废水,而且该废水的水质情况变化较大,处理起来是比较困难的,如申请号为201620747117.0的中国专利。目前混凝沉淀及过滤工艺是火电厂净化含煤废水的一种主要方法,其中投加混凝剂是关键步骤。混凝剂的除浊效果主要取决于混凝剂的投加量和废水水质(包括悬浮物浓度、水温、pH等因素)。对于不同的进水水质,固定的混凝剂投加量显然是不合适的,尤其是对于火电厂含煤废水这样悬浮物含量、pH值、水温等变化比较明显的情况。因此就混凝剂投加量和出水浊度及废水水质之间的关系,建立恰当的数学模型,对于精确控制药剂投加量,提高废水处理的运行水平将会有很大的帮助。但是由于混凝除浊过程是—个复杂的物理化学过程,目前还很难通过对其化学反应机理的研究,准确地建立起基于反应过程的数学模型。现普遍实际采用的混凝剂投加方法不能及时跟踪含煤废水进水水质(浊度、pH、水温等)的变化,反应滞后,造成出水水质不稳定的情况。
发明内容
本发明的目的在于克服现有技术中存在的上述不足,而提供一种设计合理的火电厂含煤废水处理混凝剂投加量精确控制方法,以有效保证出水水质,并节省投药量。
本发明解决上述问题所采用的技术方案是:一种火电厂含煤废水处理混凝剂投加量精确控制方法,其特征在于:所述控制方法包括如下步骤:
(1)确定影响火电厂含煤废水处理混凝剂投加量因素:包括进水浊度、进水水温、进水pH值和出水浊度,并将其作为BP神经网络模型的输入变量,将混凝剂投加量作为BP神经网络模型的输出变量;
(2)应用均匀设计方法构筑神经网络模型的训练样本。均匀设计是我国数学家独创的一门试验设计技术,它着重在试验范围内考虑试验点均匀散布以求通过较少的试验来获得最多的信息,因此其代表性比正交实验等其他的部分因子实验要好得多,特别适合于多因素多水平的试验和系统模型完全未知的情况。用均匀设计方法来构筑神经网络的训练样本是保证样本质量和数量的一条可行途径。以含煤废水进水浊度、进水温度、进水pH值、出水浊度等指标为试验因素,并确定其取值范围。选用合适的四因素均匀设计表,例如四因素四水平的U12(44)、U16(44),四因素五水平的U15(54)、U20(54),四因素六水平的U18(64)、U24(64)等。具体选择时应综合考虑,做到样本点数目不能太少,实验次数又不能太多。按照选用的均匀设计表,进行现场或实验室试验并获得多组相关试验结果,为神经网络模型的建立提供质量高且数量适当的训练样本,提高神经网络建模效果和效率。
(3)采用BP神经网络建立混凝剂投加量预测模型。人工神经网络(ArtificialNeural Network,ANN)是模仿大脑神经元网络结构和功能而建立的一种信息处理系统。神经网络不需要设计任何数学模型,可以处理模糊的、非线性的、甚至含有噪声的数据,它基本上类似黑箱理论,即只根据输入数据和输出数据来建立模型,网络的统计信息贮存在数量巨大的加权矩阵内,可以反映十分复杂的关系,非常适合复杂非线性系统的建模。但人工神经网络并不是万能的,它是靠已经获得的数据,通过学习和训练来解决问题的。由于网络靠学习来记住问题应有的模式,所以训练数据应尽可能的包含问题的全部模式,即要有足够的代表性。为此选择质量高而数量适当的训练样本是提高神经网络建模效果和效率的一种有效手段。
神经网络的类型多种多样,它们是从不同角度对生物神经系统不同层次的抽象和模拟。从功能特性和学习特性来分,典型的神经网络模型主要包括感知器、线性神经网络、BP网络、径向基函数网络、自组织映射网络和反馈神经网络等。BP神经网络通常是指基于误差反向传播算法的多层前向神经网络,该模型已成为目前最为广泛应用和研究的神经网络。BP网络一般具有1个或多个隐含层,隐含层通常采用对数或正切Sigmoid性传递函数,而输出层神经元则采用线性传递函数。理论上已经证明3层BP网络,只要隐含层数目足够多,就可以以任意精度逼近1个有有限个间断点的非线性函数,即能实现输入与输出间的任意非线性映射,这使得它在函数逼近、模式识别、数据压缩等诸多领域有着广泛的应用。
以含煤废水进水浊度、进水水温、进水pH值和出水浊度为输入变量,以混凝剂投加量为输出变量。先通过线性变换将试验数据变换到[0,1],用变换后的数据作为学习样本。经过多次试验比较,隐含层单元数最终被确定。隐含层采用对数Sigmoid传递函数,输出层则采用线性传递函数。限于梯度下降算法的固有缺点,标准的BP算法通常具有收敛速度慢、易陷入局部极小值等缺点,故训练算法采用收敛速度较快的、能有效抑制局部极小的Levenberg-Marquardt优化算法,目标误差设定为1×10-5。网络的权值矩阵和偏置的初始化方法设为Nguyen-Widrow方法。该方法可以使每个神经元的激活区域均匀地分布在输入空间,从而避免神经元的浪费,同时提高了训练效率。神经网络经过训练达到稳定,由此得到收敛时的连接权值和偏置(包括输入层与隐含层的连接权值和偏置、输出层与隐含层连接权值和偏置),这样便确定了火电厂含煤废水处理混凝剂投加量的神经网络控制模型。
(4)BP神经网络的测试。BP神经网络对训练样本具有很高的逼近精度,但是人工神经网络模型的性能主要不是看它对训练样本的拟合能力,而是看它对测试样本(非训练样本)的泛化预测能力。因此利用训练样本以外的试验数据作为测试样本,对模型进行性能检测评估,并将预测与实测结果进行比较,考察所建立的模型是否较好地考虑了因素间的相互影响和作用,是否具有良好的泛化预测能力。
(5)检验成功后,保存以上具有良好泛化预测能力的模型。在实际应用中,将火电厂含煤废水的在线浊度、pH、温度等实时数据及要求的出水浊度指标作为输入,通过所建模型计算输出即可获得混凝剂的实时投加量,从而可以通过计量泵控制加药流量,实现精确加药。
本发明与现有技术相比,具有以下优点和效果:本发明应用均匀设计方法来构筑神经网络的训练样本,可以大大提高网络的学习性能和准确度。采用BP神经网络模型对含煤废水处理混凝剂投加量进行计算,能实现在线控制,所建立的BP人工神经网络模型具有准确、简单、快捷的特点,能实现混凝剂投加量的精确控制,取得良好的经济和环境效益。
附图说明
图1是本发明实施例的BP神经网络模型示意图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例。
参见图1,本实施例中的火电厂含煤废水处理混凝剂投加量精确控制方法,包括如下步骤:
(1)确定影响火电厂含煤废水处理混凝剂投加量因素:包括进水浊度、进水水温、进水pH值和出水浊度,并将其作为BP神经网络模型的输入变量,将混凝剂投加量作为输出变量;
(2)应用均匀设计方法构筑神经网络模型的训练样本。均匀设计是着重在试验范围内考虑试验点均匀散布以求通过较少的试验来获得最多的信息,因此其代表性比正交实验等其他的部分因子实验要好得多,特别适合于多因素多水平的试验和系统模型完全未知的情况。用均匀设计方法来构筑神经网络的训练样本是保证样本质量和数量的一条可行途径。以含煤废水进水浊度、进水温度、进水pH值和出水浊度这四个指标为试验因素,并确定其取值范围。考虑到样本点数目不能太少,实验次数又不能太多,故选用四因素六水平均匀设计表U18(64),其具体内容见表1。按照均匀设计表U18(64),进行现场或实验室试验并获得18组相关试验结果,为神经网络模型的建立提供质量高且数量适当的训练样本,提高神经网络建模效果和效率。
表1均匀设计表U18(64)
(3)采用BP神经网络建立混凝剂投加量预测模型。人工神经网络(ArtificialNeural Network,ANN)是模仿大脑神经元网络结构和功能而建立的一种信息处理系统。神经网络不需要设计任何数学模型,可以处理模糊的、非线性的、甚至含有噪声的数据,它基本上类似黑箱理论,即只根据输入数据和输出数据来建立模型,网络的统计信息贮存在数量巨大的加权矩阵内,可以反映十分复杂的关系,非常适合复杂非线性系统的建模。但人工神经网络并不是万能的,它是靠已经获得的数据,通过学习和训练来解决问题的。由于网络靠学习来记住问题应有的模式,所以训练数据应尽可能的包含问题的全部模式,即要有足够的代表性。为此选择质量高而数量适当的训练样本是提高神经网络建模效果和效率的一种有效手段。
BP神经网络通常是指基于误差反向传播算法的多层前向神经网络,该模型已成为目前最为广泛应用和研究的神经网络。BP网络一般具有1个或多个隐含层,隐含层通常采用对数或正切Sigmoid性传递函数,而输出层神经元则采用线性传递函数。理论上已经证明3层BP网络,只要隐含层数目足够多,就可以以任意精度逼近1个有有限个间断点的非线性函数,即能实现输入与输出间的任意非线性映射。
以含煤废水进水浊度、进水水温、进水pH值和出水浊度为输入变量,以混凝剂投加量为输出变量。先通过线性变换将试验数据变换到[0,1],用变换后的数据作为学习样本。经过多次试验比较,隐含层单元数最终确定为9个,整个神经网络为4-9-1结构。隐含层采用对数Sigmoid传递函数,输出层则采用线性传递函数。利用数学软件MATLAB中的神经网络工具箱对系统进行辨识。限于梯度下降算法的固有缺点,标准的BP算法通常具有收敛速度慢、易陷入局部极小值等缺点,故训练算法采用收敛速度较快的、能有效抑制局部极小的Levenberg-Marquardt优化算法,目标误差设定为1×10-5。网络的权值矩阵和偏置的初始化方法设为Nguyen-Widrow方法。该方法可以使每个神经元的激活区域均匀地分布在输入空间,从而避免神经元的浪费,同时提高了训练效率。BP神经网络模型如图1所示。神经网络经过训练达到稳定,由此得到收敛时的连接权值和偏置(包括输入层与隐含层的连接权值和偏置、输出层与隐含层连接权值和偏置),这样便确定了火电厂含煤废水处理混凝剂投加量的神经网络控制模型。
(4)BP神经网络的测试。BP神经网络对训练样本具有很高的逼近精度,但是人工神经网络模型的性能主要不是看它对训练样本的拟合能力,而是看它对测试样本(非训练样本)的泛化预测能力。因此利用训练样本以外的试验数据作为测试样本,对模型进行性能检测评估,并将预测与实测结果进行比较,考察所建立的模型是否较好地考虑了因素间的相互影响和作用,是否具有良好的泛化预测能力。
(5)检验成功后,保存以上具有良好泛化预测能力的模型。在实际应用中,将火电厂含煤废水的在线浊度、pH、温度等实时数据及要求的出水浊度指标作为输入,通过所建模型计算输出即可获得混凝剂的实时投加量,从而可以通过计量泵控制加药流量,实现精确加药。
虽然本发明以实施例公开如上,但其并非用以限定本发明的保护范围,任何熟悉该项技术的技术人员,在不脱离本发明的构思和范围内所作的更动与润饰,均应属于本发明的保护范围。
Claims (1)
1.一种火电厂含煤废水处理混凝剂投加量精确控制方法,其特征在于:所述控制方法包括如下步骤:
(1)确定影响火电厂含煤废水处理混凝剂投加量的因素;所述因素包括进水浊度、进水水温、进水pH值和出水浊度,并将其作为BP神经网络模型的输入变量,将混凝剂投加量作为BP神经网络模型的输出变量;
(2)应用均匀设计方法构筑神经网络模型的训练样本;确定各影响因素的取值范围,并采用均匀设计试验,以含煤废水进水浊度、进水温度、进水pH值和出水浊度这四个指标为试验因素,选用合适的四因素均匀设计表,通过现场或实验室多组试验,得到混凝剂投加量的试验结果,为神经网络模型的建立提供质量高且数量适当的训练样本,提高神经网络建模效果和效率;
(3)采用BP神经网络建立混凝剂投加量预测模型;以含煤废水进水浊度、进水水温、进水pH值和出水浊度为输入变量,以混凝剂投加量为输出变量;先通过线性变换将试验数据变换到[0,1],用变换后的数据作为学习样本;采用三层BP神经网络模型,隐含层采用对数Sigmoid 传递函数,输出层则采用线性传递函数;训练算法采用Levenberg-Marquardt优化算法,目标误差设定为1×10-5;网络的权值矩阵和偏置的初始化方法设为Nguyen-Widrow方法;利用数学软件MATLAB中的神经网络工具箱对系统进行辨识;神经网络经过训练达到稳定,由此得到收敛时的连接权值和偏置,包括输入层与隐含层的连接权值和偏置,还包括输出层与隐含层连接权值和偏置;这样便确定了火电厂含煤废水处理混凝剂投加量的神经网络控制模型;
(4)BP神经网络的测试;利用训练样本以外的试验数据进行检验,考察所建立的模型是否较好地考虑了因素间的相互影响和作用,是否具有良好的泛化预测能力;
(5)检验成功后,保存以上具有良好泛化预测能力的模型;在实际应用中,将火电厂含煤废水的实时数据及要求的出水浊度指标作为输入,通过所建模型计算输出即获得混凝剂的实时投加量,从而通过计量泵控制加药流量,实现精确加药。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810874107.7A CN108975553A (zh) | 2018-08-03 | 2018-08-03 | 一种火电厂含煤废水处理混凝剂投加量精确控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810874107.7A CN108975553A (zh) | 2018-08-03 | 2018-08-03 | 一种火电厂含煤废水处理混凝剂投加量精确控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108975553A true CN108975553A (zh) | 2018-12-11 |
Family
ID=64555105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810874107.7A Pending CN108975553A (zh) | 2018-08-03 | 2018-08-03 | 一种火电厂含煤废水处理混凝剂投加量精确控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108975553A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
CN110334855A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 智能化确定废水水煤浆配制方案的预测与优化系统及方法 |
CN110765668A (zh) * | 2019-12-03 | 2020-02-07 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种基于偏差指标的混凝土侵彻深度试验数据异常点检测方法 |
CN110980898A (zh) * | 2019-10-11 | 2020-04-10 | 浙江华晨环保有限公司 | 一种净水设备药剂投加系统 |
CN112364569A (zh) * | 2020-11-26 | 2021-02-12 | 北京工业大学 | 一种应用人工神经元网络的模锻工艺智能决策方法 |
CN114933353A (zh) * | 2022-05-31 | 2022-08-23 | 浙江天行健水务有限公司 | 一种混凝剂的自动投加方法 |
CN115353223A (zh) * | 2022-08-10 | 2022-11-18 | 盐城工学院 | 一种基于anfis模型的实验室废水处理一体化方法及装置 |
CN116947189A (zh) * | 2023-09-19 | 2023-10-27 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200950228Y (zh) * | 2006-01-27 | 2007-09-19 | 深圳市开天源自动化工程有限公司 | 一种混凝投药控制设备 |
CN102385315A (zh) * | 2011-09-01 | 2012-03-21 | 深圳市开天源自动化工程有限公司 | 水厂智能混凝投药控制系统及其控制方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
CN108830035A (zh) * | 2018-05-28 | 2018-11-16 | 华东交通大学 | 一种新型水处理混凝投药控制方法、计算机、计算机程序 |
-
2018
- 2018-08-03 CN CN201810874107.7A patent/CN108975553A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200950228Y (zh) * | 2006-01-27 | 2007-09-19 | 深圳市开天源自动化工程有限公司 | 一种混凝投药控制设备 |
CN102385315A (zh) * | 2011-09-01 | 2012-03-21 | 深圳市开天源自动化工程有限公司 | 水厂智能混凝投药控制系统及其控制方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
CN108830035A (zh) * | 2018-05-28 | 2018-11-16 | 华东交通大学 | 一种新型水处理混凝投药控制方法、计算机、计算机程序 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
CN110054274B (zh) * | 2019-05-13 | 2022-03-15 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制方法 |
CN110334855A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 智能化确定废水水煤浆配制方案的预测与优化系统及方法 |
CN110980898A (zh) * | 2019-10-11 | 2020-04-10 | 浙江华晨环保有限公司 | 一种净水设备药剂投加系统 |
CN110765668A (zh) * | 2019-12-03 | 2020-02-07 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种基于偏差指标的混凝土侵彻深度试验数据异常点检测方法 |
CN112364569A (zh) * | 2020-11-26 | 2021-02-12 | 北京工业大学 | 一种应用人工神经元网络的模锻工艺智能决策方法 |
CN114933353A (zh) * | 2022-05-31 | 2022-08-23 | 浙江天行健水务有限公司 | 一种混凝剂的自动投加方法 |
CN115353223A (zh) * | 2022-08-10 | 2022-11-18 | 盐城工学院 | 一种基于anfis模型的实验室废水处理一体化方法及装置 |
CN116947189A (zh) * | 2023-09-19 | 2023-10-27 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
CN116947189B (zh) * | 2023-09-19 | 2023-12-08 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108975553A (zh) | 一种火电厂含煤废水处理混凝剂投加量精确控制方法 | |
Niu et al. | Artificial intelligence-incorporated membrane fouling prediction for membrane-based processes in the past 20 years: A critical review | |
Zhao et al. | Prediction of interfacial interactions related with membrane fouling in a membrane bioreactor based on radial basis function artificial neural network (ANN) | |
Bagheri et al. | Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach | |
CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
Nasr et al. | Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT | |
CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
CN104182794B (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
CN113837364B (zh) | 基于残差网络和注意力机制的污水处理软测量方法及系统 | |
CN110357236B (zh) | 一种基于突变反演出水预测模型的污水厂智慧操控方法 | |
Qiao et al. | A repair algorithm for radial basis function neural network and its application to chemical oxygen demand modeling | |
CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
Wang et al. | Predicting flocculant dosage in the drinking water treatment process using Elman neural network | |
Türkmenler et al. | Performance assessment of advanced biological wastewater treatment plants using artificial neural networks | |
CN113627506A (zh) | 一种基于信息融合-区间二型模糊神经网络的出水总磷智能检测方法 | |
CN110412878A (zh) | Pid-rbf稳态估计与lssvm软测量污水bod控制方法 | |
Alsaeed et al. | Predicting turbidity and Aluminum in drinking water treatment plants using Hybrid Network (GA-ANN) and GEP | |
CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 | |
CN113156074B (zh) | 一种基于模糊迁徙的出水总氮预测方法 | |
CN114462208A (zh) | 一种基于自组织rbfnn的出水bod在线软测量方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |