CN110357236A - 一种基于突变反演出水预测模型的污水厂智慧操控方法 - Google Patents
一种基于突变反演出水预测模型的污水厂智慧操控方法 Download PDFInfo
- Publication number
- CN110357236A CN110357236A CN201910757993.XA CN201910757993A CN110357236A CN 110357236 A CN110357236 A CN 110357236A CN 201910757993 A CN201910757993 A CN 201910757993A CN 110357236 A CN110357236 A CN 110357236A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- mutation
- water outlet
- variable
- 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
-
- 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
- C02F1/5236—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities using inorganic agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/105—Phosphorus compounds
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Inorganic Chemistry (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Activated Sludge Processes (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于突变反演出水预测模型的污水厂智慧操控方法。通过智慧感知模块将设备采集来的数据进行预处理,输入突变反演模型预测出水水质参数,将预测水质参数输入智慧操控模块,得出相应的设备操控指令发送给相应设备,实现自动运行,同时通过数据库,记录进出水水质数据、预测出水水质数据、和相应的操控指令,自动修正模型参数,实现智慧闭环。本发明可以实时预测当前出水水质,解决了出水水质检测传感器的时滞性问题。相比于传统模型简化了求解过程,提高了模型精度,有效保证出水水质稳定达标。
Description
技术领域
本发明涉及污水厂出水预测模型和污水厂自动控制领域,特别是涉及一种基于突变反演出水预测模型的污水厂智慧操控方法。
背景技术
厌氧消化模型(ADM)主要描述并分析了厌氧消化中生化过程和物化过程,明确划分了模型的组分并建立了相应的反应动力学方程,实现了厌氧消化的可计量性。
生物膜模型(BM)是将细菌合成动力学与水动力学相结合的方式来描述污水处理中生物膜微生物组成与物质扩散和反应过程。
传统的污水处理模型采用机理建模方法,是基于污水处理过程的生化和物理原理方程建立的,如能量守恒方程、动力学方程、化学反应式等。
传统污水处理模型数学模型在污水处理厂的实际应用中具有局限性。一方面,数学模型的建立过程复杂,需要对水质组分及动力学参数进行测定,大部分污水厂缺乏这方面的基础有效数据,而且导致计算量大,占用计算资源较多;另一方面,污水处理过程复杂的由物理、生物、化学等因素协同作用,最终的处理效果不仅与决定其生物反应的一系列特征相关,同时还受大量不确定因素的影响,而活性污泥数学模型未将这些因素考虑在内,模型实际应用中预测的精确度难以满足到工业应用需求。
发明内容
针对背景技术中指出的问题,本发明提供了一种基于突变反演出水预测模型的污水厂智慧操控方法,用于解决污水处理问题模型复杂、实质性强等问题,实现机器自主操控,出水水质稳定达标。
为实现上述目的,本发明采用如下技术解决方案:
一种基于突变反演出水预测模型的污水厂智慧操控方法,通过智慧感知模块将设备采集来的数据进行预处理,输入突变反演模型预测出水水质参数,将预测水质参数输入智慧操控模块,得出相应的设备操控指令发送给相应设备,实现自动运行,同时通过数据库,记录进出水水质数据、预测出水水质数据、和相应的操控指令,自动修正模型参数,实现智慧闭环。
优选地,所述数据进行处预理过程为通过滑动平均法剔除数据噪声,其中,滑动平均值计算如下:
y=w1x1+w2x2+w3x3+…+wnxn,其中,y为输出结果,w1,w2,w3,…,wn为权重系数,x1,x2,x3,…,xn为n个时刻的输入值,输出结果与输入值偏差超过预设,则剔除并记录。
优选地,所述突变反演模型建模与运算过程如下:首先对现有数据进行分析,根据数据的多稳态现象对数据进行分类,并根据分类个数找出几类相对应的突变模型。以双稳态为例,根据突变理论,找到突变流形突跳前和突跳后投影到控制空间相应的范围(这里称为A集合和B集合);再通过反演理论构造实际控制空间×输入空间到突变模型控制空间的映射f1,使得两种稳态下的水质数据水质分量的像分别落A集合和B集合的范围内;再根据突变模型方程,解出控制变量所对应的状态变量(这个求解过程对应的映射记为f2);再通过反演理论构造状态空间到实际状态空间的映射f3;这样就构建了污水处理突变反演模型,计算过程即:进水与操控数据→f1→f2→f3→出水预测结果。
优选地,所述数据的多稳态分析过程如下:
1)以进水水质和操控为输入,利用传统污水处理模型,计算相应的出水水质;
2)将计算出水水质与实际出水水质做差,并记录差值,得到误差数据集;
3)对误差进行聚类,根据分来结果将数据分为k个类,确定数据多稳态性。
优选地,所述聚类方法采用k-means聚类方法,流程如下:
1)首先对于误差数据集选择K个类,并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置;
2)计算每个数据点到中心点的距离,就近划分;
3)计算每一类中中心点作为新的中心点;
4)重复以上步骤,直到每一类中心在每次迭代后变化不大为止;
5)选区其中典型的k个类,将剩余的点就近划分到这k个类。
优选地,所述反演模型采用神经网络算法,其流程如下:
1)在输入层(输入变量和操控变量)和状态变量中间加入中间变量层,中间变量层的变量个数需要根据实际数据的验证结果进行调试。在此,将中间变量的个数设为m个,分别记为Z1,Z2,...,Zm;
2)通过一个非线性映射,实现输入空间X到中间变量空间Z的非线性变换。设输入变量为n个,非线性映射可表示为:
Z=F(WX),其中,W是连接矩阵:
F为非线性矩阵算子,且有:
f为激活函数,根据实际数据进行选择,优选地,可取Sigmoid函数;
3)建立一个非线性映射,实现中间变量空间到状态变量空间的非线性变换,不妨设输出变量有t个。非线性映射可表示为:
Y=F(NZ),其中,N是连接矩阵:
让wij、nij(即连接矩阵的元素)在[-1,1]中间随机取值,得到状态变量的计算值。求出计算值和真实值之间的误差:
di=yi(1-yi)(Yi-yi),i=1,2,...,n,其中yi为输出变量计算值;
根据误差,调整连接矩阵,使得整体误差达到最小。此时,连接矩阵W和N中各个元素的数值都已经确定。这样就通过观测数据确定了模型中的各个参数,给出了输入层和状态变量的隐含关系——将两个非线性映射复合即可。
突变模型选取过程与原则:
根据数据稳态性分析结果即聚类算法的分类个数k,选取与之对应的有k个稳态的突变模型,用以有数据进行测试选取其中拟合度最高的模型。
突变理论通过研究对象的势函数来研究突变现象,系统势函数通过系统状态变量X={x1,x2,x3…xm}和外部控制参量U={u1,u2,u3…um}描述系统的行为,即V=f(U,X)。这样,在各种可能变化的外部控制参量和内部行为变量的集合条件下,构造状态空间和控制空间。通过联立求解V'(x)和V”(x),得到系统平衡状态的临界点,突变理论正是通过研究临界点之间的相互转换来研究系统的突变特征。
相对于现有技术,本发明具有如下有益效果:
本发明公开了一种基于突变反演出水预测模型的污水厂智慧操控方法及系统,用于污水处理厂智慧生产,计算机自主操控,保证出水水质稳定达标。
本发明提出了一种基于突变反演出水预测模型,用于出水水质预测,可以实时预测当前出水水质,解决了出水水质检测传感器的时滞性问题。相比于传统模型简化了求解过程,提高了模型精度。
附图说明
下面对本发明实施例中涉及的附图做简要说明。
图1为本发明基于突变反演出水预测模型的污水厂智慧操控方法概要图。
图2为本发明基于突变反演出水预测模型概要图。
图3为本发明数据预处理概要图。
图4为本发明多稳态性分析过程中的双峰现象(双稳态)图。
具体实施方式
下面通过具体实施例说明本发明的功能以及实时方法。实施例只是本发明的实施方法之一,并非全部。应当理解,所有基于本发明的应用实施例,都应属于本发明的保护范围之内。
本发明提供了一种基于突变反演出水预测模型的污水厂智慧操控方法,实现机器自主操控,出水水质稳定达标。
本发明实施方法如图1所示:通过智慧感知模块将设备采集来的数据进行预处理,输入突变反演模型预测出水水质参数,将预测水质参数输入智慧操控模块,得出相应的设备操控指令发送给相应设备,实现自动运行,同时通过数据库,记录进出水水质数据、预测出水水质数据、以及相应的操控指令,自动修正模型参数,实现智慧闭环。
实施例:
针对污水厂絮凝池对加药泵的开关大小进行调节、对搅拌机的开关进行控制,通过加药(聚合氯化铝)去除污水中的总磷。加药泵的同时搅拌机也转动,提升药效。
如图3所示,数据处预理过程,通过滑动平均法剔除数据噪声。
滑动平均值计算如下:
y=w1x1+w2x2+w3x3+…+wnxn,其中,y为输出结果,w1,w2,w3,…,wn为权重系数,x1,x2,x3,…,xn为n个时刻的输入值,输出结果与输入值偏差超过预设,则剔除并记录。
如图2所示,突变反演模型建模与运算过程如下:首先对现有数据进行分析,根据数据的多稳态现象对数据进行分类,并根据分类个数找出几类相对应的突变模型。以双稳态为例,根据突变理论,找到突变流形突跳前和突跳后投影到控制空间相应的范围(这里称为A集合和B集合);再通过反演理论构造实际控制空间×输入空间到突变模型控制空间的映射f1,使得两种稳态下的水质数据水质分量的像分别落A集合和B集合的范围内;再根据突变模型方程,解出控制变量所对应的状态变量(这个求解过程对应的映射记为f2);再通过反演理论构造状态空间到实际状态空间的映射f3。这样就构建了污水处理突变反演模型,计算过程即:
进水与操控数据→f1→f2→f3→出水预测结果。
在模型中,将加药量设为控制变量,出水总磷浓度设为状态变量。控制变量为:进水量、加药量絮凝池加药泵。状态变量为:出水量、出水COD浓度、出水氨氮浓度、出水总磷浓度。
分析数据多稳态过程如下:
以进水水质和操控为输入,利用传统污水处理模型,计算相应的出水水质。
将计算出水水质与实际出水水质做差,并记录差值,得到误差数据集,计算结果见图4。
对误差进行聚类,根据分来结果将数据分为k个类,确定数据多稳态性。
聚类方法采用k-means聚类方法大致如下:
1)首先对于误差数据集选择K个类,并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。
2)计算每个数据点到中心点的距离,就近划分。
3)计算每一类中中心点作为新的中心点。
4)重复以上步骤,直到每一类中心在每次迭代后变化不大为止。
5)选区其中典型的k个类,将剩余的点就近划分到这k个类,针对加药环节部分两类。
反演模型采用神经网络算法。其流程如下:
在输入层(输入变量和操控变量)和状态变量中间加入中间变量层,中间变量层的变量个数需要根据实际数据的验证结果进行调试。在此,将中间变量的个数设为m个,分别记为Z1,Z2,...,Zm。
首先,通过一个非线性映射,实现输入空间X到中间变量空间Z的非线性变换。设输入变量为n个,非线性映射可表示为:
Z=F(WX),其中,W是连接矩阵:
F为非线性矩阵算子,且有:
f根据实际数据进行选择,这里取Sigmoid函数。
通过同样的方式,再通过一个非线性映射,实现中间变量空间到状态变量空间的非线性变换,不妨设输出变量有t个。非线性映射可表示为:
Y=F(NZ),其中,N是连接矩阵:
然后,让wij、nij(即连接矩阵的元素)在[-1,1]中间随机取值,得到状态变量的计算值。求出计算值和真实值之间的误差:
di=yi(1-yi)(Yi-yi),i=1,2,...,6,其中yi为输出变量计算值。
根据误差,调整连接矩阵,使得整体误差达到最小。此时,连接矩阵W和N中各个元素的数值都已经确定。这样就通过观测数据确定了模型中的各个参数,给出了输入层和状态变量的隐含关系—将两个非线性映射复合即可。
突变模型选取原则与基本内容如下:
根据数据稳态性分析结果即聚类算法的分类个数k,选取与之对应的有k个稳态的突变模型,用以有数据进行测试选取其中拟合度最高的模型。
突变理论通过研究对象的势函数来研究突变现象,系统势函数通过系统状态变量X={x1,x2,x3…xm}和外部控制参量U={u1,u2,u3…um}描述系统的行为,即V=f(U,X)。这样,在各种可能变化的外部控制参量和内部行为变量的集合条件下,构造状态空间和控制空间。通过联立求解V'(x)和V”(x),得到系统平衡状态的临界点,突变理论正是通过研究临界点之间的相互转换来研究系统的突变特征。一般情况,在七种初等突变模型中选取即可,如表所示:
上述实施例,描述了本发明的功能以及实现方法,但实施例只是本发明的实施方法之一,不应理解为对本发明的限制。应当理解,所有基于本发明的应用实施例,都在本发明的保护范围之内。
Claims (9)
1.一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:通过感知模块接收传感器的数据,并将设备采集来的数据进行预处理,输入突变反演模型预测出水水质参数,将预测水质参数输入自动控制模块,得出相应的设备操控指令发送给相应设备,实现自动运行,同时通过数据库,记录进出水水质数据、预测出水水质数据、和相应的操控指令,自动修正模型参数,实现智慧闭环。
2.如权利要求1所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:所述自动控制模块采用传统的PID控制算法,先按照国家标准预设出水水质,根据模型计算的出水水质,给出相应的设备运行指令。
3.如权利要求1所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:所述数据进行处预理过程为通过滑动平均法剔除数据噪声,其中,滑动平均值计算如下:
y=w1x1+w2x2+w3x3+…+wnxn,其中,y为输出结果,w1,w2,w3,…,wn为权重系数,x1,x2,x3,…,xn为n个时刻的输入值,输出结果与输入值偏差超过预设,则剔除并记录。
4.如权利要求1所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:所述突变反演模型建模与运算过程如下:首先对现有数据进行分析,根据数据的多稳态现象对数据进行分类,并根据分类个数找出几类相对应的突变模型。
5.如权利要求4所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:双稳态突变模型建模与运算过程为:根据突变理论,找到突变流形突跳前和突跳后投影到控制空间相应的范围A集合和B集合;再通过反演理论构造实际控制空间×输入空间到突变模型控制空间的映射f1,使得两种稳态下的水质数据水质分量的像分别落A集合和B集合的范围内;再根据突变模型方程,解出控制变量所对应的状态变量,该求解过程对应的映射记为f2;再通过反演理论构造状态空间到实际状态空间的映射f3;这样就构建了污水处理突变反演模型,计算过程即:进水与操控数据→f1→f2→f3→出水预测结果。
6.如权利要求4所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:所述数据的多稳态分析过程如下:
1)以进水水质和操控为输入,利用传统污水处理模型,计算相应的出水水质;
2)将计算出水水质与实际出水水质做差,并记录差值,得到误差数据集;
3)对误差进行聚类,根据分来结果将数据分为k个类,确定数据多稳态性。
7.如权利要求6所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:所述聚类方法采用k-means聚类方法,流程如下:
1)首先对于误差数据集选择K个类,并随机初始化它们各自的中心点,中心点是与每个数据点向量长度相同的位置;
2)计算每个数据点到中心点的距离,就近划分;
3)计算每一类中中心点作为新的中心点;
4)重复以上步骤,直到每一类中心在每次迭代后变化不大为止;
5)选区其中典型的k个类,将剩余的点就近划分到这k个类。
8.如权利要求3所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:所述反演模型采用神经网络算法,其流程如下:
1)在输入层输入变量、操控变量和状态变量中间加入中间变量层,中间变量层的变量个数需要根据实际数据的验证结果进行调试,在此,将中间变量的个数设为m个,分别记为Z1,Z2,...,Zm;
2)通过一个非线性映射,实现输入空间X到中间变量空间Z的非线性变换,设输入变量为n个,非线性映射表示为:
Z=F(WX),其中,W是连接矩阵:
F为非线性矩阵算子,且有:
f为激活函数,根据实际数据进行选择;
3)建立一个非线性映射,实现中间变量空间到状态变量空间的非线性变换,不妨设输出变量有t个,非线性映射可表示为:
Y=F(NZ),其中,N是连接矩阵:
让wij、nij在[-1,1]中间随机取值,得到状态变量的计算值;求出计算值和真实值之间的误差:
di=yi(1-yi)(Yi-yi),i=1,2,...,n,其中yi为输出变量计算值;
根据误差,调整连接矩阵,使得整体误差达到最小;此时,连接矩阵W和N中各个元素的数值都已经确定,这样就通过观测数据确定了模型中的各个参数,给出了输入层和状态变量的隐含关系——将两个非线性映射复合即可。
9.如权利要求8所述的一种基于突变反演出水预测模型的污水厂智慧操控方法,其特征在于:所述f选取Sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757993.XA CN110357236B (zh) | 2019-08-16 | 2019-08-16 | 一种基于突变反演出水预测模型的污水厂智慧操控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757993.XA CN110357236B (zh) | 2019-08-16 | 2019-08-16 | 一种基于突变反演出水预测模型的污水厂智慧操控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110357236A true CN110357236A (zh) | 2019-10-22 |
CN110357236B CN110357236B (zh) | 2022-01-25 |
Family
ID=68224711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757993.XA Active CN110357236B (zh) | 2019-08-16 | 2019-08-16 | 一种基于突变反演出水预测模型的污水厂智慧操控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110357236B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288309A (zh) * | 2020-11-11 | 2021-01-29 | 杭州城市大数据运营有限公司 | 一种水质调控系统、方法、装置、计算机设备和存储介质 |
CN114114895A (zh) * | 2021-12-22 | 2022-03-01 | 北京国控天成科技有限公司 | 应用于石油化工领域的自动控制方法和系统 |
CN117602767A (zh) * | 2023-12-20 | 2024-02-27 | 石家庄正中科技有限公司 | 高效集约型脱氮除磷污水处理工艺 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140142491A (ko) * | 2013-06-04 | 2014-12-12 | 전남대학교산학협력단 | 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템 |
CN105372995A (zh) * | 2015-12-17 | 2016-03-02 | 镇江市高等专科学校 | 污水处理系统测控方法 |
US20160140437A1 (en) * | 2014-11-17 | 2016-05-19 | Beijing University Of Technology | Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
CN109857056A (zh) * | 2019-03-08 | 2019-06-07 | 中冶华天南京电气工程技术有限公司 | 一种智能污水处理控制系统 |
-
2019
- 2019-08-16 CN CN201910757993.XA patent/CN110357236B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140142491A (ko) * | 2013-06-04 | 2014-12-12 | 전남대학교산학협력단 | 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템 |
US20160140437A1 (en) * | 2014-11-17 | 2016-05-19 | Beijing University Of Technology | Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network |
CN105372995A (zh) * | 2015-12-17 | 2016-03-02 | 镇江市高等专科学校 | 污水处理系统测控方法 |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
CN109857056A (zh) * | 2019-03-08 | 2019-06-07 | 中冶华天南京电气工程技术有限公司 | 一种智能污水处理控制系统 |
Non-Patent Citations (3)
Title |
---|
倪红梅: "《岩土与结构工程中不确定性问题及其分析方法研究》", 30 September 2017 * |
张明华: "《重磁电数据处理解释软件RGIS》", 31 May 2011 * |
聂勋科: "基于神经网络的污水出水COD预测模型", 《重庆工学院学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288309A (zh) * | 2020-11-11 | 2021-01-29 | 杭州城市大数据运营有限公司 | 一种水质调控系统、方法、装置、计算机设备和存储介质 |
CN114114895A (zh) * | 2021-12-22 | 2022-03-01 | 北京国控天成科技有限公司 | 应用于石油化工领域的自动控制方法和系统 |
CN114114895B (zh) * | 2021-12-22 | 2024-01-30 | 北京国控天成科技有限公司 | 应用于石油化工领域的自动控制方法和系统 |
CN117602767A (zh) * | 2023-12-20 | 2024-02-27 | 石家庄正中科技有限公司 | 高效集约型脱氮除磷污水处理工艺 |
Also Published As
Publication number | Publication date |
---|---|
CN110357236B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamed et al. | Prediction of wastewater treatment plant performance using artificial neural networks | |
Han et al. | A soft computing method to predict sludge volume index based on a recurrent self-organizing neural network | |
Wu et al. | Predicting real-time coagulant dosage in water treatment by artificial neural networks and adaptive network-based fuzzy inference system | |
CN110357236A (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 | |
Shanmugaprakash et al. | Development of experimental design approach and ANN-based models for determination of Cr (VI) ions uptake rate from aqueous solution onto the solid biodiesel waste residue | |
CN110054274A (zh) | 一种净水絮凝沉淀投药控制技术 | |
Xu et al. | Data-driven prediction of neutralizer pH and valve position towards precise control of chemical dosage in a wastewater treatment plant | |
Narges et al. | Prediction of the optimal dosage of coagulants in water treatment plants through developing models based on artificial neural network fuzzy inference system (ANFIS) | |
Wang et al. | Energy and materials-saving management via deep learning for wastewater treatment plants | |
CN103605859B (zh) | 一种污水处理厂二沉池的优化设计方法 | |
CN103810309A (zh) | 基于约束理论的a2o城市污水处理工艺的软测量建模方法 | |
dos Santos et al. | Intelligent system for improving dosage control | |
Pham et al. | Modelling of Bunus regional sewage treatment plant using machine learning approaches | |
Ramachandran et al. | Anaerobic digestion process modeling using Kohonen self-organising maps | |
Szeląg et al. | Application of selected methods of artificial intelligence to activated sludge settleability predictions. | |
Tashaouie et al. | Artificial neural network modeling for predict performance of pressure filters in a water treatment plant | |
CN114861535A (zh) | 利用cfd做数据预处理的水处理过程机器学习建模方法 | |
Gholikandi et al. | Use of Artificial Neural Network for prediction of coagulation/flocculation process by PAC in water treatment plant. | |
Mirsepassi et al. | Application of artificial neural networks to the real time operation of water treatment plants | |
Lamrini et al. | A neural software sensor for online prediction of coagulant dosage in a drinking water treatment plant | |
Hawari et al. | Predicting the performance of multi-media filters using artificial neural networks | |
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 | |
Al-Baidhani et al. | Prediction of water treatment plant outlet turbidity using artificial neural network | |
Hosen et al. | Prediction interval-based modelling of polymerization reactor: A new modelling strategy for chemical reactors | |
Pandilov et al. | Application of intelligent optimization tools in determination and control of dosing of flocculent in water treatment |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |