CN110705752A - 基于anfis与机理模型的污水bod实时预测方法 - Google Patents
基于anfis与机理模型的污水bod实时预测方法 Download PDFInfo
- Publication number
- CN110705752A CN110705752A CN201910838514.7A CN201910838514A CN110705752A CN 110705752 A CN110705752 A CN 110705752A CN 201910838514 A CN201910838514 A CN 201910838514A CN 110705752 A CN110705752 A CN 110705752A
- Authority
- CN
- China
- Prior art keywords
- oxygen demand
- biochemical oxygen
- model
- bod
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000010865 sewage Substances 0.000 title claims abstract description 23
- 230000007246 mechanism Effects 0.000 title claims abstract description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 71
- 239000001301 oxygen Substances 0.000 claims abstract description 71
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000005273 aeration Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000002351 wastewater Substances 0.000 claims description 5
- 150000002926 oxygen Chemical class 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000000758 substrate Substances 0.000 description 6
- 239000010802 sludge Substances 0.000 description 5
- 230000035755 proliferation Effects 0.000 description 4
- 244000005700 microbiome Species 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
Abstract
本发明涉及一种基于ANFIS与机理模型的污水BOD实时预测方法,包括以下步骤:步骤S1:基于污水生化需氧量软测量模型,得到生化需氧量历史理论值ρBOD;步骤S2:基于现场采样和实验室培养,得到生化需氧量历史实际值;步骤S3:基于生化需氧量历史理论值和生化需氧量历史实际值,得到训练样本和预测样本;步骤S4:基于训练样本,构建ANFIS模型;步骤S5:利用优化算法优化ANFIS模型,基于预测样本得到生化需氧量模型预测值x(t);步骤S6:基于生化需氧量模型预测值x(t),得到生化需氧量预测值P(t)。与现有技术相比,可实时精准测量生化需氧量;仅利用生化需氧量的历史时序数据,大大降低数据采集的工作量;无需额外设备,简单易行,造价低。
Description
技术领域
本发明涉及污水处理领域,尤其是涉及一种基于ANFIS与机理模型的污水BOD实时预测方法。
背景技术
污水处理是个复杂的生化反应过程,在污水生物处理过程中,生化需氧量(biochemical oxygen demand,BOD)是个重要的出水指标,也是重要的检测参数.传统BOD的测量主要采用化学方法通过现场采样、实验室培养,5d后才能得到测量值,无法进行实时在线检测,不能实现废水处理的闭环控制,而市场上现有的实时在线BOD测量仪表造价很高,且实用性差。
目前,缺少可实时精准测量BOD、且造价低的方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于ANFIS与机理模型的污水BOD实时预测方法。
本发明的目的可以通过以下技术方案来实现:
一种实时污水生化需氧量预测方法,该方法包括以下步骤:
步骤S1:基于污水生化需氧量软测量模型,得到生化需氧量历史理论值ρBOD;
步骤S2:基于现场采样和实验室培养,得到生化需氧量历史实际值;
步骤S3:基于生化需氧量历史理论值和生化需氧量历史实际值,得到训练样本和预测样本;
步骤S4:基于训练样本,构建ANFIS模型;
步骤S5:利用优化算法优化ANFIS模型,基于预测样本得到生化需氧量模型预测值x(t);
步骤S6:基于生化需氧量模型预测值x(t),得到生化需氧量预测值P(t)。
所述的污水生化需氧量软测量模型为:
所述的生化需氧量历史实际值为多个检测点的平均值。
所述的步骤S3包括:
步骤S31:对生化需氧量历史理论值和生化需氧量历史实际值进行差值归一化,得到样本原型;
步骤S32:将训练样本原型分解为多个矢量;
步骤S33:基于多个矢量,得到训练样本和预测样本。
所述的ANFIS模型的推理规则为:
利用减法聚类得到所述ANFIS模型的规则数和前件参数初始值。
所述的优化算法为反向传播算法和最小二乘法。
所述的步骤S5得到P(t)的过程包括:
P(t)=ρBOD'-x(t)ρBOD'
其中,ρBOD'为污水生化需氧量软测量模型得到的生化需氧量理论预测值。
与现有技术相比,本发明具有以下优点:
(1)基于ANFIS模型与软测量模型,可实时精准测量生化需氧量。
(2)仅利用生化需氧量的历史时序数据,大大降低数据采集的工作量。
(3)无需额外设备,简单易行,造价低。
(4)生化需氧量历史实际值为多个检测点的平均值,可使结果更加精确。
(5)ANFIS模型既具有学习机制,又具有模糊系统的语言推理能力。
附图说明
图1为本发明的流程图;
图2为本发明的ANFIS模型网络结构。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本实施例从理论入手,在劳仑斯-麦卡蒂公式的基础上,利用污水生化需氧量软测量模型和污水厂采集的数据,建立自适应模糊神经推理系统(ANFIS)模型,以多步循环方式实现超短期预测,流程图如图1所示。
首先利用污水厂收集的数据得到生化需氧量历史实际值,结合软测量模型获取的生化需氧量历史理论值ρBOD,接着利用生化需氧量历史理论值ρBOD与生化需氧量历史实际值进行归一化处理,形成训练样本和预测样本对后进行ANFIS建模;采用减法聚类确定ANFIS模型的规则数和初始参数,并采用反向传播算法和最小二乘法优化ANFIS模型参数;最后,通过循环预测法实现对未来一天的BOD预测。
具体实施过程如下:
1.数据处理
(1)生化需氧量历史实际值获取
利用污水处理厂检测的BOD的历史实际值,采集检测频率为4h,多个检测点,本实施例为5个检测点,在(1-25%)BOD软测量模型理论值-(1+25%)BOD软测量模型理论值范围内是合理的,符合统计规律,超出范围就近取边界值,取所有检测点的平均值作为该时刻的生化需氧量历史实际值。
(2)生化需氧量历史理论值ρBOD获取
污水生化需氧量软测量模型是在化学学科经典的劳仑斯-麦卡蒂公式基础上建立的,莫诺(Monod)于1949年通过连续流稀释溶液纯菌种培养的实验研究,得出了微生物比增殖速率与底物浓度关系:
其中,u为微生物的比增殖速率,umax为微生物最大比增殖速率,ks为饱和常数,是当u=umax/2最大比增殖速率情况下底物的质量浓度,也称之为半速率常数,单位为mg/L,本实施例取60;s为有机底物的质量浓度ρBOD,单位为mg/L。
在污水生物处理中,微生物增长和底物降解之间存在着一定的关系,基于此对劳仑斯-麦卡蒂公式在废水处理中演化为:
其中,输入变量为曝气流量Qa、温度T、浊度X(挥发性污泥的质量浓度)和水中实际氧的溶解质量浓度ρDO,为水中饱和氧的溶解质量浓度,m1-m6为常系数,取值如表1所示。在活性污泥法污水处理过程中,通常使用氧化池深1/2处压力条件下溶解氧的饱和质量浓度作为即:
其中,H为曝气池的深度,为101.325kPa大气压力时的水中饱和氧溶解度,Z是水中溶解氧的质量浓度(与ρDO单位不同),Z的单位为g/L。活性污泥对底物是个耗氧的过程,氧含量对反应速度的影响得到了学术界的公认,主要体现为对最大底物利用速率Kmax和衰减常数K的影响.利用氧量开关函数来表示ρDO对Kmax和K的影响,表示为:
其中,kO为氧量开关常数活氧的饱和常数,单位为mg/L,一般为0.2mg/L,Kmax单位为4h-1,一般为6.0。
描述完全混合活性污泥法的劳仑斯-麦卡蒂模型以及以此为基础的溶解氧消耗模型公式为:
其中,是输入废水的溶解氧的质量浓度,kL是在实际工艺环境中氧气的总气体传递系数,一般可以通过经验公式确定,本实施例中kL取1.5,Q为4小时的流量10000m3/4h,V为反应器容积10000m3,K为5gCOD/gVSS·4h,X为活性污泥浓度取值为4500gVSS/m3,S为ρBOD,生活污水a为BOD5的氧当量为0.5kgO2/kg,b为内源呼吸氧化的需氧量0.15kgO2/kg·4h。
表1 m1-m6取值
m<sub>1</sub> | m<sub>2</sub> | m<sub>3</sub> | m<sub>4</sub> | m<sub>5</sub> | m<sub>6</sub> |
65.025×10<sup>-6</sup> | -4.335×10<sup>-3</sup> | 0.1445 | -9.7605×10<sup>-6</sup> | -0.6507×10<sup>-3</sup> | -21.69×10<sup>-3</sup> |
(3)差值比例归一化
2.产生训练样本和预测样本
将N+6(N为正整数)个连续的时间序列分解成N+1个6维的矢量。如有时间序列{x1,x2,x3,...,xN+6},可提取出N+1个6维的矢量,即
进而将前N个矢量最后一维数据的下一时刻的BOD值与该矢量进行配对,组成N个训练样本对
{(V1,x7),(V2,x8),...,(VN,xN+6)} (7)
式(6)中的VN+1是模型的预测样本,式(7)中(VN,xN+6)即为第N个样本对,xN+6的下一时刻值xN+7即是需要预测的值。
3.ANFIS建模
采用ANFIS对训练样本进行建模,模型为6维输入1维输出,采用减法聚类确定ANFIS模型的规则数和初始参数,并采用反向传播算法和最小二乘法优化模糊模型参数。ANFIS模型框架为:
其中,i=1,2…,n;n是规则数;x(t)为输出量,x(t-1)、x(t-2)、x(t-3)、x(t-4)、x(t-5)、x(t-6)是输入量;和ξi为后件参数,j=1,2,…,5,6;是输入量的第j个模糊集,本发明用到的隶属度函数采用高斯函数表示为:
前件参数cij和σij分别表示隶属度函数的中心和宽度。
模糊推理规则可用图2所示的6层ANFIS网络结构获得:
将式(10)和式(9)代入式(8)可以得到:
再根据模糊推理规则,将xi(t)代入上式,则有如下表达式:
对训练样本数据集进行减法聚类分析,得到最优模糊规则数n和初始模型前件参数cij和σij,并采用最小二乘法和反向传播算法对模型参数进行辨识优化,可得到最优的ANFIS模型。
减法聚类是将每个数据点作为可能的聚类中心,并根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性,克服了其他聚类法计算量随着问题的维数而以指数方式增长的不足。数据点密度DP计算公式:
式中,Yp和Yq为历史数据,p、q=(1,2,…,m);m为样本对的个数;δa为聚类中心有效邻域半径,是一个正数,这里设定为0.5。
X=φ·η (14)
η=(φT·φ)-1φTXΛ (15)
其中,学习速率αc和ασ初始值取0.01,训练周期数设为36,E为J(η)。
4.多步循环预测
模型训练结束后,判断得到的模糊规则数。若规则数为一条,则采用持续法预测,即以当前时刻的x(t)值作为下一时刻的预测值;若规则数多于一条,则将预测样本VN+1输入到模型,可得到预测值xN+7,再进一步判断该预测值的合法性:若0≤xN+7≤1,则该预测值有效,否则,仍采用持续法预测。至此,单步预测完成。
要实现多步预测,可将新产生的预测值加入输入样本集,形成一个新的6维向量,再重复上段描述步骤,依此循环可得到多步预测值。
结束模型预测步骤后,需将模型预测值还原为真实值。基于生化需氧量模型预测值x(t),得到污水生化需氧量预测值P(t),反归一化处理式如下:
P(t)=ρBOD'-x(t)ρBOD' (17)
其中,ρBOD'为污水生化需氧量软测量模型得到的生化需氧量理论预测值。
Claims (9)
1.一种污水BOD实时预测方法,其特征在于,该方法包括以下步骤:
步骤S1:基于机理模型中的污水生化需氧量软测量模型,得到生化需氧量历史理论值ρBOD;
步骤S2:基于现场采样和实验室培养,得到生化需氧量历史实际值;
步骤S3:基于生化需氧量历史理论值和生化需氧量历史实际值,得到训练样本和预测样本;
步骤S4:基于训练样本,构建ANFIS模型;
步骤S5:利用优化算法优化ANFIS模型,基于预测样本得到生化需氧量模型预测值x(t);
步骤S6:基于生化需氧量模型预测值x(t),得到生化需氧量预测值P(t)。
4.根据权利要求1所述的一种污水BOD实时预测方法,其特征在于,所述的生化需氧量历史实际值为多个检测点的平均值。
5.根据权利要求1所述的一种污水BOD实时预测方法,其特征在于,所述的步骤S3包括:
步骤S31:对生化需氧量历史理论值和生化需氧量历史实际值进行差值归一化,得到样本原型;
步骤S32:将训练样本原型分解为多个矢量;
步骤S33:基于多个矢量,得到训练样本和预测样本。
7.根据权利要求6所述的一种污水BOD实时预测方法,其特征在于,利用减法聚类得到所述ANFIS模型的规则数和前件参数初始值。
8.根据权利要求1所述的一种污水BOD实时预测方法,其特征在于,所述的优化算法为反向传播算法和最小二乘法。
9.根据权利要求1所述的一种污水BOD实时预测方法,其特征在于,所述的步骤S5得到P(t)的过程包括:
P(t)=ρBOD'-x(t)ρBOD'
其中,ρBOD'为污水生化需氧量软测量模型得到的生化需氧量理论预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838514.7A CN110705752A (zh) | 2019-09-05 | 2019-09-05 | 基于anfis与机理模型的污水bod实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838514.7A CN110705752A (zh) | 2019-09-05 | 2019-09-05 | 基于anfis与机理模型的污水bod实时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705752A true CN110705752A (zh) | 2020-01-17 |
Family
ID=69194392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910838514.7A Pending CN110705752A (zh) | 2019-09-05 | 2019-09-05 | 基于anfis与机理模型的污水bod实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705752A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652445A (zh) * | 2020-06-11 | 2020-09-11 | 广东科创工程技术有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
CN111707795A (zh) * | 2020-06-23 | 2020-09-25 | 安恒环境科技(北京)股份有限公司 | 一种地表水生化需氧量bod的监测方法及系统 |
CN111858715A (zh) * | 2020-07-24 | 2020-10-30 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据挖掘的污水处理厂进水质量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN105243256A (zh) * | 2015-08-27 | 2016-01-13 | 肖红军 | 一种生化需氧量参数在线软测量方法 |
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
-
2019
- 2019-09-05 CN CN201910838514.7A patent/CN110705752A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN105243256A (zh) * | 2015-08-27 | 2016-01-13 | 肖红军 | 一种生化需氧量参数在线软测量方法 |
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
Non-Patent Citations (2)
Title |
---|
王小艺等: "基于神经网络的污水BOD软测量补偿方法研究", 《系统仿真学报》 * |
连亮亮等: "基于ANFIS模型的水质COD预测研究", 《计算机时代》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652445A (zh) * | 2020-06-11 | 2020-09-11 | 广东科创工程技术有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
CN111652445B (zh) * | 2020-06-11 | 2024-03-22 | 广东科创智水科技有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
CN111707795A (zh) * | 2020-06-23 | 2020-09-25 | 安恒环境科技(北京)股份有限公司 | 一种地表水生化需氧量bod的监测方法及系统 |
CN111707795B (zh) * | 2020-06-23 | 2022-08-26 | 安恒环境科技(北京)股份有限公司 | 一种地表水生化需氧量bod的监测方法及系统 |
CN111858715A (zh) * | 2020-07-24 | 2020-10-30 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据挖掘的污水处理厂进水质量预测方法 |
CN111858715B (zh) * | 2020-07-24 | 2023-04-07 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据挖掘的污水处理厂进水质量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111354423B (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
CN110705752A (zh) | 基于anfis与机理模型的污水bod实时预测方法 | |
Han et al. | Dynamic MOPSO-based optimal control for wastewater treatment process | |
AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
CN112183719A (zh) | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 | |
CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
CN114275912B (zh) | 一种基于自适应神经网络模型的曝气系统溶解氧控制方法 | |
Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
Zhong et al. | Water quality prediction of MBR based on machine learning: A novel dataset contribution analysis method | |
Bagheri et al. | Analysis of variables affecting mixed liquor volatile suspended solids and prediction of effluent quality parameters in a real wastewater treatment plant | |
CN113111576B (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN114202060A (zh) | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 | |
CN109978024A (zh) | 一种基于互联模块化神经网络的出水bod预测方法 | |
CN110991616B (zh) | 一种基于删减型前馈小世界神经网络出水bod预测方法 | |
CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
CN115356930A (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
Huang et al. | Modeling and optimization of the activated sludge process | |
Hu et al. | A fuzzy neural network model for monitoring A2/O process using on-line monitoring parameters | |
CN113221436A (zh) | 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 | |
CN113065242A (zh) | 一种基于kplsr模型的污水处理出水总氮浓度软测量方法 | |
Juuso | Data-based development of hybrid models for biological wastewater treatment in pulp and paper industry | |
Suh et al. | Sequential modeling of fecal coliform removals in a full-scale activated-sludge wastewater treatment plant using an evolutionary process model induction system | |
Juuso | Hybrid models in dynamic simulation of a biological water treatment process |
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: 20200117 |