CN110095579A - 通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 - Google Patents
通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 Download PDFInfo
- Publication number
- CN110095579A CN110095579A CN201910503839.XA CN201910503839A CN110095579A CN 110095579 A CN110095579 A CN 110095579A CN 201910503839 A CN201910503839 A CN 201910503839A CN 110095579 A CN110095579 A CN 110095579A
- Authority
- CN
- China
- Prior art keywords
- sensor
- degree
- concentration
- decomposed
- fermentation
- 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
- 239000000463 material Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000000855 fermentation Methods 0.000 claims abstract description 43
- 230000004151 fermentation Effects 0.000 claims abstract description 43
- 239000002361 compost Substances 0.000 claims abstract description 22
- 239000007789 gas Substances 0.000 claims description 27
- 239000000523 sample Substances 0.000 claims description 25
- 238000003756 stirring Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000009423 ventilation Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 239000003638 chemical reducing agent Substances 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 20
- 239000000126 substance Substances 0.000 description 8
- 238000009264 composting Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001464 adherent effect Effects 0.000 description 2
- 239000002154 agricultural waste Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000734468 Listera Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- -1 and (temperature Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000001272 nitrous oxide Substances 0.000 description 1
- 239000010815 organic waste Substances 0.000 description 1
- 230000007226 seed germination Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000008247 solid mixture Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0032—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array using two or more different physical functioning modes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Processing Of Solid Wastes (AREA)
- Fertilizers (AREA)
Abstract
一种通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法。数据采集—实际腐熟程度判定—模型建立—模型验证;利用预测模型对新的罐式发酵进行实时预测:将传感器实时测量的特征值输入运算设备中的的预测模型,即可得到物料目前的腐熟程度。本发明解决了该领域长期以来以复杂的实验来判断堆体腐熟程度的问题,模型验证成功后只需要输入传感器实时测量的特征值,即能预测出堆肥的腐熟程度,无需实验,工序简单,精准度高,省时省力。
Description
技术领域
本发明涉及高温堆肥发酵方法,具体地说是一种通过检测发酵罐发酵尾气变化判断其内部物料腐熟程度的方法。
背景技术
在生物发酵领域,好氧高温堆肥是一种经济、环保的农业固体有机废弃物资源化利用的手段,高温堆肥过程中的物质变化与腐熟度评价研究一直以来都是国内外关注的热点。
常规的用于检测堆肥腐熟程度的方法主要分为检测其物理学指标、化学指标和生物安全指标。物理学指标指的是通过观察、记录堆肥过程中堆肥的温度、气味和颜色等表观特性的变化,确定堆体是否达到稳定、腐熟,物理学指标只是一种直观的、快速的、定性的判断,不能定量说明是否堆肥达到腐熟,且这种观察性的判定方法周期长、且个人观察情况不一,检测结果的精准度比较低。化学指标主要是监测堆料中的化学成分或性质的变化,常规的用来研究腐熟度的化学指标有:有机物质、电导率、pH值、氮成分的变化等,当其化学指标达到预计标准时,认为其达到腐熟,但为了确保腐熟度判定的准确性,需要大量的采集化学指标进行分析,过程繁琐,取平均值运算费时费力。生物安全指标判定最常见的为种子发芽指数,这是评价堆肥产品腐熟度的常用指标,对堆肥进行腐熟度评价最为可靠,但这种评价方式需要对其采集的样本进行试验,周期长,工序繁琐,浪费研究人员的大量时间和精力。
腐熟度的评价是一个复杂的问题,只用某种单一的参数很难确定堆肥产品的质量,需要由几个参数综合比较之后共同来确定,将各种不同的堆肥产品腐熟度评价指标结合起来,用于评价堆肥腐熟度是目前最为常用以及可行的方法,但是由于这种综合评价需要进行大量的试验来完成,费时费力,工序繁琐,往往达不到研究人员的理想值。
发明内容
本发明是针对背景技术中提及的多种指标综合评价腐熟度存在的试验过程繁琐、判定精准率低的缺陷,提供一种通过检测发酵罐发酵尾气变化判断其内部物料腐熟程度的方法。
为实现上述发明目的,本发明采用的技术方案是:一种通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法,使用时,将经过预处理的发酵物料送入发酵罐罐体,使其在发酵罐内搅拌发酵;具体检测步骤分为两部分:
第一部分如下:
S1、数据采集:在发酵过程中,传感器组中的各个传感器与运算设备连接,将采集的数据上传至运算设备;
S2、实际腐熟程度判定:每天在同一时刻,在发酵罐顶部的取样口进行发酵物料的采样,用传统的方法评价出堆肥的实际腐熟程度,作为与传感器测得数据进行训练的基础;
S3、模型建立:用于检测堆肥腐熟程度的预测模型为神经网络模型,所述神经网络包括输入层、隐藏层和输出层;
所述输入层包括六个节点;
隐含层为一层;
输出层为实际腐熟程度;
利用罐体发酵200次以上得到的大量样本的特征值和实际腐熟程度作为样本训练,建立起腐熟程度预测模型;
S4、模型验证:基于所述预测模型输出的预测腐熟程度,与实际腐熟程度进行对比分析,误差越小模型越精准;若误差较大,则改变隐含层的节点数,并增加样本数量再次训练预测模型,模型验证完成后即得堆肥腐熟程度预测模型;
第二部分:
利用所述的堆肥腐熟程度预测模型,对新的罐式发酵进行实时预测:将传感器实时测量的特征值输入运算设备中的的预测模型,即可得到物料目前的腐熟程度。
作为优选的技术方案:发酵罐包括罐体、设置在罐体上的的上料口和下料口、用于提供搅拌动力的电机和减速机、贯穿罐体的螺带式搅拌器、通风换气装置以及用于采集发酵气体数据信息的传感器组;
传感器组均通过连接件安装在发酵罐罐体上,包括温度传感器、物料含水量传感器、EC值传感器和气体传感器;气体传感器包括用于测定甲烷浓度的CH4传感器、用于测定一氧化二氮浓度的N2O传感器、用于测定二氧化碳浓度的CO2传感器和用于测定氧气浓度的O2传感器。
作为优选的技术方案:温度传感器采用管道贴片式温度传感器;温度传感器安装发酵罐罐体内壁,在罐体的上、下、前、右端各安装一个,取四处温度值作为罐体内的待检测温度。
作为优选的技术方案:物料含水率传感器选用物料水分传感器,固定安装在发酵罐内,其探头深埋于物料中、避开搅拌带运动轨迹的位置。
作为优选的技术方案:安装EC值传感器时,将传感器探针紧贴罐体端部中央位置的封头下方内壁固定。
作为优选的技术方案:所述的输入层的节点包括EC值、温度值、物料含水量以及CH4浓度、N2O浓度、CO2浓度、O2浓度。
作为优选的技术方案:新的待预测腐熟程度目标包括EC值、温度值、物料含水量以及CH4浓度、N2O浓度、CO2浓度、O2浓度。
作为优选的技术方案:步骤S2中,样本采集频率为:每天共采集3次,每次采集时间点间隔8小时。
与现有技方案相比,本发明所公开的这种判断方法是通过检测发酵罐发酵尾气浓度变化对其内部物料腐熟程度作出的判断,通过神经网络建模来预测堆肥腐熟程度,以各种传感器对发酵物料的温度、EC值以及发酵过程中产生的尾气浓度等指标的监测作为输入层节点,解决了该领域长期以来以复杂的实验来判断堆体腐熟程度的问题,模型验证成功后只需要输入传感器实时测量的特征值,即能预测出堆肥的腐熟程度,无需实验,工序简单,精准度高,省时省力。
附图说明
图1为本发明中发酵罐的结构示意图。
图2为腐熟程度预测流程框图。
图3为本发明中神经网络拓扑结构图。
图中:电机1、减速机2、上料口3、取样口4、视镜5、下料口6、螺带式搅拌器7、通风口8、排气口9、传感器组10;
其中:CO2传感器10-1、温度传感器10-2、物料含水量传感器10-3、EC值传感器10-4、CH4传感器10-5、N2O传感器10-6、O2传感器10-7。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
参见附图1-3,本申请是针对农业废弃物发酵,主要的发酵物料为禽畜粪便和废弃蔬菜的固体混合物。本发明公开了一种判断堆肥腐熟程度的方法,主要是通过检测其尾气的浓度变化来进行评判。
使用时,将经过预处理的发酵物料送入发酵罐罐体,使其在发酵罐内搅拌发酵;具体检测步骤分为两部分:
第一部分如下:
S1、数据采集:在发酵过程中,传感器组中的各个传感器与电脑端(或者其他运算设备)连接,将采集的数据上传至电脑端(或者其他运算设备);
S2、实际腐熟程度判定:每天在同一时刻,在发酵罐顶部的取样口进行发酵物料的采样,用传统的方法评价出堆肥的实际腐熟程度,作为与传感器测得数据进行对比的基础;这里所说的传统的方法是指的例如种子发芽指数评价等常规的方法;样本采集频率为:每天共采集3次,每次采集时间点间隔8小时。
S3、模型建立:用于检测堆肥腐熟程度的预测模型为神经网络模型,所述神经网络包括输入层、隐藏层和输出层;
所述输入层包括六个节点;这六个节点是同一个样品的的六个指标,具体包括温度、物料含水率、CH4浓度、N2O浓度、CO2浓度、O2浓度和EC值,分别输入CH4浓度、N2O浓度、CO2浓度、O2浓度、EC值、温度值,其中温度值包括由温度传感器测得的罐体上、下、前、右端四个位置的温度。隐含层为一层,输出层为实际腐熟程度;
利用罐体发酵200次以上,得到大量样本的特征值(温度、物料含水率、CH4浓度、N2O排浓度、CO2浓度、O2浓度和EC值)作为样本训练的输入,实际腐熟程度作为输出,建立起腐熟程度预测模型;
S4、模型验证:基于所述预测模型输出的预测腐熟程度,与实际腐熟程度进行对比分析,误差越小模型越精准;若误差较大,则改变隐含层的节点数,并增加样本数量再次训练预测模型,模型验证完成后即得堆肥腐熟程度预测模型。
第二部分:
利用得到的堆肥腐熟程度预测模型,对新的罐式发酵进行实时预测:将传感器实时测量的特征值输入电脑中的预测模型,即可得到物料目前的腐熟程度。
输入层的节点包括由所述传感器组中的传感器测得的EC值、温度值、物料含水量以及CH4浓度、N2O浓度、CO2浓度、O2浓度。
新的待预测腐熟程度目标包括CH4浓度、N2O浓度、CO2浓度、O2浓度、EC值、温度值、物料含水率的新值。
本方案通过发酵尾气的浓度变化,结合发酵过程中其他的有效指标(温度、物料含水率、盐分电导率等)共同预测堆体的腐熟程度,能够快速的实时的通过数据分析堆体的腐熟程度,无需进行化学分析和生物实验,为农业废弃物发酵行业提供了可行高效的发酵腐熟度检测方法。
作为实施例,发酵罐是选用卧式发酵罐(本专利以卧式发酵罐为例但不限于卧式发酵罐),在传统发酵罐的基础上增加了双螺带式搅拌器和用于采集尾气中各成分数据的传感器组。
这种卧式发酵罐,所述发酵罐包括罐体、设置的上料口3和下料口6、用于提供搅拌动力的电机1和减速机2、贯穿罐体的螺带式搅拌器7、通风口8、排气口9,以及用于采集发酵气体数据信息的传感器组10。
螺带式搅拌器包括传动轴和螺旋叶片,以附图1的放置方向为准,传动轴沿水平中心轴线贯穿整个发酵罐罐体,其左端与设置在罐体左端外部的加速机输出端连接传动,其右端与设置在罐体右端内部的轴承等支承件连接。螺旋叶片为双叶片,两个螺旋叶片对称盘旋固定于传动轴上。罐体的右端中央部位为通风口8。
传感器组均通过连接件安装在发酵罐罐体上,包括温度传感器10-2、物料含水量传感器10-3、EC值传感器10-4和气体传感器;气体传感器包括用于测定甲烷浓度的CH4传感器10-5、用于测定一氧化二氮浓度的N2O传感器10-6、用于测定二氧化碳浓度的CO2传感器10-1和用于测定氧气浓度的O2传感器10-7。
作为优选的技术方案:
温度传感器10-1采用PT100管道贴片式温度传感器;温度传感器该传感器适用于贴壁式安装,在罐体的上、下、前、右端各安装一个,取四处温度值作为罐体内的待检测温度。
物料含水量传感器10-3选用物料水分传感器,将其固定于发酵罐内,为了使其精确地测量发酵物料的湿度,要选择可以完全接触物料,将传感器深埋在物料中,避开搅拌带运动轨迹的位置,以免因为搅拌带运动而对传感器探针造成损伤。
EC值传感器10-4选用SYS-YD300传感器;安装时将传感器的探针紧贴罐体端部中央位置的封头下方内壁固定。该传感器体积小,灵敏度高。为了使其精确地测量发酵物料的EC值,要选择可以完全接触物料,避开搅拌带运动轨迹的位置,以免因为搅拌轴运动而对传感器探针造成损伤。安装时将探针紧贴罐体右封头下方的内壁固定(如图1所示),使探针能够充分和物料接触。该传感器可以同时测盐分和电导率。
用于检测气体的传感器,包括CH4传感器10-5、N2O传感器10-6、CO2传感器10-1和O2传感器10-7。为了保证测量的准度,这些传感器贴壁安装在通风较好的位置,具体位置如图1所示,同时,应保持将传感器透气孔朝向正下方,防止传感器内进水。排气阀安装在卧式罐体的顶部,气体流量计接在排气阀后。进气口在卧式发酵装置的右封头,如图1所示,在右端的封头的正中心,通入的气体通过搅拌轴的旋转将气体打散,使气体均匀的分布在罐体,提供给发酵物料充足的氧气,也能使发酵物料散热。
上料口的位置在罐顶正中间,尺寸为ϕ500mm,下料口安装在罐体正下方,尺寸为ϕ500mm,下料时,由螺带旋转将物料带动下料。渗滤液出口在发酵罐的下料口旁边,以排出发酵过程中析出的液体。发酵罐的放置:卧式发酵罐放置在鞍座上。
Claims (8)
1.一种通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法,其特征在于,使用时,将经过预处理的发酵物料送入发酵罐罐体,使其在发酵罐内搅拌发酵;具体检测步骤分为两部分:
第一部分如下:
S1、数据采集:在发酵过程中,传感器组中的各个传感器与运算设备连接,将采集的数据上传至运算设备;
S2、实际腐熟程度判定:每天在同一时刻,在发酵罐顶部的取样口进行发酵物料的采样,用传统的方法评价出堆肥的实际腐熟程度,作为与传感器测得数据进行训练的基础;
S3、模型建立:用于检测堆肥腐熟程度的预测模型为神经网络模型,所述神经网络包括输入层、隐藏层和输出层;
所述输入层包括六个节点;
隐含层为一层;
输出层为实际腐熟程度;
利用罐体发酵200次以上得到的大量样本的特征值和实际腐熟程度作为样本训练,建立起腐熟程度预测模型;
S4、模型验证:基于所述预测模型输出的预测腐熟程度,与实际腐熟程度进行对比分析,误差越小模型越精准;若误差较大,则改变隐含层的节点数,并增加样本数量再次训练预测模型,模型验证完成后即得堆肥腐熟程度预测模型;
第二部分:
利用所述的堆肥腐熟程度预测模型,对新的罐式发酵进行实时预测:将传感器实时测量的特征值输入运算设备中的的预测模型,即可得到物料目前的腐熟程度。
2.根据权利要求1所述的判断方法,其特征在于,发酵罐包括罐体、设置在罐体上的的上料口和下料口、用于提供搅拌动力的电机和减速机、贯穿罐体的螺带式搅拌器、通风换气装置以及用于采集发酵气体数据信息的传感器组;
传感器组均通过连接件安装在发酵罐罐体上,包括温度传感器、物料含水量传感器、EC值传感器和气体传感器;气体传感器包括用于测定甲烷浓度的CH4传感器、用于测定一氧化二氮浓度的N2O传感器、用于测定二氧化碳浓度的CO2传感器和用于测定氧气浓度的O2传感器。
3.根据权利要求2所述的判断方法,其特征在于:温度传感器采用管道贴片式温度传感器;温度传感器安装发酵罐罐体内壁,在罐体的上、下、前、右端各安装一个,取四处温度值作为罐体内的待检测温度。
4.根据权利要求2所述的判断方法,其特征在于:物料含水率传感器选用物料水分传感器,固定安装在发酵罐内,其探头深埋于物料中、避开搅拌带运动轨迹的位置。
5.根据权利要求2所述的判断方法,其特征在于:安装EC值传感器时,将传感器探针紧贴罐体端部中央位置的封头下方内壁固定。
6.根据权利要求1-5中任一项所述的判断方法,其特征在于,所述的输入层的节点包括EC值、温度值、物料含水量以及CH4浓度、N2O浓度、CO2浓度、O2浓度。
7.根据权利要求1-5中任一项所述的判断方法,其特征在于,新的待预测腐熟程度目标包括EC值、温度值、物料含水量以及CH4浓度、N2O浓度、CO2浓度、O2浓度。
8.根据权利要求1所述的判断方法,其特征在于,步骤S2中,样本采集频率为:每天共采集3次,每次采集时间点间隔8小时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910503839.XA CN110095579A (zh) | 2019-06-12 | 2019-06-12 | 通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910503839.XA CN110095579A (zh) | 2019-06-12 | 2019-06-12 | 通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110095579A true CN110095579A (zh) | 2019-08-06 |
Family
ID=67450754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910503839.XA Pending CN110095579A (zh) | 2019-06-12 | 2019-06-12 | 通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110095579A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033850A (zh) * | 2020-09-17 | 2020-12-04 | 青岛兴开环境科技有限公司 | 一种生产过程中评定发酵罐内物料腐熟度的方法 |
CN114105693A (zh) * | 2022-01-26 | 2022-03-01 | 沣田宝农业科技有限公司 | 一种基于微生物的有机肥料静态发酵设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573854A (zh) * | 2014-12-23 | 2015-04-29 | 国家电网公司 | 钢铁用电量的预测方法及装置 |
CN105000925A (zh) * | 2015-07-08 | 2015-10-28 | 中国农业大学 | 一种沼渣联合好氧堆肥方法 |
CN105820011A (zh) * | 2016-04-12 | 2016-08-03 | 东莞理工学院城市学院 | 一种简易的园林废弃物和废蔬菜混合堆肥方法 |
CN106018375A (zh) * | 2016-08-09 | 2016-10-12 | 东北农业大学 | 一种基于lm神经网络的堆肥腐熟度分级评价方法 |
CN205635624U (zh) * | 2016-05-10 | 2016-10-12 | 西北民族大学 | 一种生物工程实验用发酵罐 |
CN106747690A (zh) * | 2017-02-16 | 2017-05-31 | 江苏里下河地区农业科学研究所 | 一种牛粪堆肥促腐保氮菌剂及应用方法 |
CN107944648A (zh) * | 2018-01-08 | 2018-04-20 | 中国船舶工业系统工程研究院 | 一种大型船舶航速油耗率精准预测方法 |
CN108168608A (zh) * | 2017-12-21 | 2018-06-15 | 中国科学院合肥物质科学研究院 | 农牧废弃物无害化高效堆肥品质在线智能监测系统 |
CN207987222U (zh) * | 2018-01-17 | 2018-10-19 | 北京市华云分析仪器研究所有限公司 | 一种基于二氧化碳浓度在线监测的生物发酵罐系统 |
CN109214635A (zh) * | 2017-07-06 | 2019-01-15 | 北京市首发天人生态景观有限公司 | 一种堆肥腐熟度的评价方法 |
-
2019
- 2019-06-12 CN CN201910503839.XA patent/CN110095579A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573854A (zh) * | 2014-12-23 | 2015-04-29 | 国家电网公司 | 钢铁用电量的预测方法及装置 |
CN105000925A (zh) * | 2015-07-08 | 2015-10-28 | 中国农业大学 | 一种沼渣联合好氧堆肥方法 |
CN105820011A (zh) * | 2016-04-12 | 2016-08-03 | 东莞理工学院城市学院 | 一种简易的园林废弃物和废蔬菜混合堆肥方法 |
CN205635624U (zh) * | 2016-05-10 | 2016-10-12 | 西北民族大学 | 一种生物工程实验用发酵罐 |
CN106018375A (zh) * | 2016-08-09 | 2016-10-12 | 东北农业大学 | 一种基于lm神经网络的堆肥腐熟度分级评价方法 |
CN106747690A (zh) * | 2017-02-16 | 2017-05-31 | 江苏里下河地区农业科学研究所 | 一种牛粪堆肥促腐保氮菌剂及应用方法 |
CN109214635A (zh) * | 2017-07-06 | 2019-01-15 | 北京市首发天人生态景观有限公司 | 一种堆肥腐熟度的评价方法 |
CN108168608A (zh) * | 2017-12-21 | 2018-06-15 | 中国科学院合肥物质科学研究院 | 农牧废弃物无害化高效堆肥品质在线智能监测系统 |
CN107944648A (zh) * | 2018-01-08 | 2018-04-20 | 中国船舶工业系统工程研究院 | 一种大型船舶航速油耗率精准预测方法 |
CN207987222U (zh) * | 2018-01-17 | 2018-10-19 | 北京市华云分析仪器研究所有限公司 | 一种基于二氧化碳浓度在线监测的生物发酵罐系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033850A (zh) * | 2020-09-17 | 2020-12-04 | 青岛兴开环境科技有限公司 | 一种生产过程中评定发酵罐内物料腐熟度的方法 |
CN114105693A (zh) * | 2022-01-26 | 2022-03-01 | 沣田宝农业科技有限公司 | 一种基于微生物的有机肥料静态发酵设备 |
CN114105693B (zh) * | 2022-01-26 | 2022-04-26 | 沣田宝农业科技有限公司 | 一种基于微生物的有机肥料静态发酵设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020101607A4 (en) | Method for rapidly predicting nitrogen and phosphorus content in slurry movement routes of multiple different large-scale dairy farms by comprehensively integrating all factors | |
Moody et al. | Using biochemical methane potential assays to aid in co-substrate selection for co-digestion | |
Bellon-Maurel et al. | Sensors and measurements in solid state fermentation: a review | |
CN201707311U (zh) | 堆肥监测装置 | |
CN102618431B (zh) | 一种基于过程质谱仪的封闭式光生物反应器装置及藻细胞生长过程监控方法 | |
CN102879340A (zh) | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 | |
CN202635300U (zh) | 猪只智能化饲养管理系统 | |
CN110095579A (zh) | 通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 | |
Adam et al. | Upscaling of an electronic nose for completely stirred tank reactor stability monitoring from pilot-scale to real-scale agricultural co-digestion biogas plant | |
CN102353798A (zh) | 一种面向生物发酵过程的嗅觉模拟仪器与在线分析方法 | |
Witkowska et al. | Monitoring of periodic anaerobic digestion with flow-through array of miniaturized ion-selective electrodes | |
CN102286359B (zh) | 一种固液气三相分流式瘤胃模拟连续发酵系统及方法 | |
CN104535618A (zh) | 一种基于电子鼻技术的白酒识别方法 | |
CN210322885U (zh) | 一种包气带土壤气快速采样分析装置 | |
CN1995318B (zh) | 厌氧型生物反应罐 | |
CN111072412A (zh) | 一种好氧发酵过程的数值模拟试验系统 | |
CN1840650A (zh) | 一种发酵微量气体产生量数据自动采集存储装置及方法 | |
KR101535928B1 (ko) | 퇴·액비 특성 분석장치 | |
CN111337587B (zh) | 一种高通量测定土壤微生物生物量的方法 | |
CN110426367A (zh) | 规模化奶牛场粪水处理全链条环节的粪水中总磷含量的快速预测方法 | |
CN111060477A (zh) | 厌氧共发酵原料生化甲烷势近红外光谱快速检测方法 | |
CN108779999B (zh) | 用于分批发酵和体外分析平台的气体测量方法 | |
CN207215791U (zh) | 厌氧发酵气体评估装置 | |
CN110426368A (zh) | 规模化奶牛场粪水处理全链条环节的粪水中总氮含量的快速预测方法 | |
CN200985330Y (zh) | 厌氧型生物反应罐 |
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 |
Application publication date: 20190806 |
|
RJ01 | Rejection of invention patent application after publication |