CN112390388A - 一种模型训练方法、曝气值预估方法、装置及电子设备 - Google Patents
一种模型训练方法、曝气值预估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112390388A CN112390388A CN202011342718.0A CN202011342718A CN112390388A CN 112390388 A CN112390388 A CN 112390388A CN 202011342718 A CN202011342718 A CN 202011342718A CN 112390388 A CN112390388 A CN 112390388A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- oxidation
- reduction potential
- target value
- aeration
- 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
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F7/00—Aeration of stretches of water
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/04—Oxidation reduction potential [ORP]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Activated Sludge Processes (AREA)
Abstract
本申请涉及模型训练方法、曝气值预估方法、装置及电子设备,属于计算机领域。该法包括获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值;溶解氧和氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值;利用训练数据对初始网络模型进行拟合训练,得到能预测曝气目标值的网络模型,训练时将曝气目标值作为目标值,训练数据中的其余参数为特征参数。通过将PID与深度学习进行结合,通过将实际运行状况以及外界环节变化等因素考虑在内,从而使得训练出模型能精确地预测曝气值。
Description
技术领域
本申请属于计算机领域,具体涉及一种模型训练方法、曝气值预估方法、装置及电子设备。
背景技术
城市污水处理主要采用生物活性污泥法,典型的二级处理工艺主要有传统活性污泥法、吸附生物降噪(Absorption Biodegradation,AB)法、氧化沟工艺、循环活性污泥(Cyclic Activated Sludge System,CASS)工艺、序批式生物膜反应器(SequencingBiofilm Batch Reactor,SBBR)工艺等,主要原理是基于微生物生命活动消耗废水中的有机物达到去除化学需氧量(Chemical Oxygen Demand,COD)、氨氮、磷等污染物。
污水处理环节中的曝气是其中的重要环节,曝气过程涉及两个步骤:是氧气的扩散和溶解。在鼓风曝气系统中主要体现为空气从曝气池底部的曝气头释放后,空气中的氧气从气相向液相中转移。二是溶解氧的利用和消耗。这个过程综合了好氧处理过程的有机碳去除过程、生物脱氮、生物除磷等,是由多个过程综合作用的结果。常用的曝气方式主要有机械曝气、鼓风曝气、射流曝气三大类,现有较好的为射流曝气方式。
由于污水厂的进水水质和水量是动态变化的,在特定的时间段内其耗氧量也是变化的,在这样一个复杂且动态的生物环境中,使用传统的曝气手段很难使在特定时间段内的供氧量和耗氧量达到均衡,保证处理环境的稳定和出水水质。若曝气过量,会直接造成电能浪费,并且溶解氧通过内回流被带到缺氧区影响反硝化的效果,溶解氧通过外回流被带到厌氧区影响厌氧释磷的过程;若曝气量不足,会影响生化池中微生物活性,进而可能影响出水水质,还可能造成二沉池中发生反硝化,污泥上浮,影响出水等问题。
发明内容
鉴于此,本申请的目的在于提供一种模型训练方法、曝气值预估方法、装置及电子设备,以改善污水处理过程中曝气量不能精确控制,导致曝气过量或曝气量不足而引发的问题。
本申请的实施例是这样实现的:
第一方面,本申请实施例提供了一种模型训练方法,包括:获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值;基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值;利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将所述曝气目标值作为目标值,将所述训练数据中除所述曝气目标值外的其余参数作为特征参数,所述训练数据包括:所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、积分时间段内溶解氧以及氧化还原电位各自的积分值,以及所述曝气目标值。本申请实施例中,通过将PID控制与深度学习进行结合,利用PID得到的实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值作为训练特征,通过将系统的实际运行状况以及外界环节变化等因素考虑在内,从而使得训练出最优模型能对曝气目标值进行精确地预测,从而实现对曝气目标值进行精准预测,改善污水处理过程中曝气量不能精确控制,导致曝气过量或曝气量不足而引发的问题。
结合第一方面实施例的一种可能的实施方式,获取污水曝气处理过程中对的溶解氧和氧化还原电位,包括:获取与污水曝气处理相关的历史指标时间序列数据以及对应的曝气目标值,所述历史指标时间序列数据中除了包含所述溶解氧和所述氧化还原电位外,还包括其他指标数据;将所述曝气目标值作为拟合目标值,将所述历史指标时间序列数据中各指标作为特征数据,拟合所述拟合目标值与所述历史指标序列数据中各指标间的关系,得到所述历史指标序列数据中各指标对所述拟合目标值的重要度;按照特征重要度从所述历史指标时间序列数据选出对所述曝气目标值影响较大的溶解氧和氧化还原电位的时间序列数据。本申请实施例中,通过拟合目标值与历史指标序列数据中各指标间的关系,并按照拟合得到的历史指标序列数据中各指标对拟合目标值的重要度从历史指标时间序列数据选出对曝气目标值影响较大的溶解氧和氧化还原电位,以此作为PID控制的调节参数,可以在保证对曝气目标值的预测精准度的同时,简化处理流程,提高效率。
结合第一方面实施例的一种可能的实施方式,基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值,包括:将所述溶解氧和所述氧化还原电位的时间序列数据作为PID控制的特征,初始化积分时间、微分时间;根据PID控制算法,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。本申请实施例中,利用PID控制算法,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值,并将其作为模型训练时的特征参数,以保证模型的准确性,使得预测出的曝气值能实际运行状况进行动态调整,使得污水处理系统具有PID控制的响应速度快、控制精度高的特点,又具备网络模型的鲁棒性强、灵活度高的优点。
结合第一方面实施例的一种可能的实施方式,利用所述训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,包括:将所述训练数据按照预设比例折交叉划分训练集和测试集;利用所述训练集对初始网络模型进行拟合迭代训练,并利用所述测试集挑选出拟合绝对平均误差最小的最优模型,所述最优模型即为所述能预测曝气目标值的网络模型。本申请实施例中,通过采用折交叉的方式将训练数据照预设比例划分为训练集和测试集,能有效地估计模型的泛化能力,并利用测试集挑选出拟合绝对平均误差最小的最优模型,从而可以挑选出准确度最高的模型。
第二方面,本申请实施例还提供了一种曝气值预估方法,包括:获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据;基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值;将特征数据输入利用如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的模型训练方法训练得到的网络模型进行处理,得到曝气目标值,所述特征数据包括所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
第三方面,本申请实施例还提供了一种模型训练装置,包括:获取模块、处理模块以及训练模块;获取模块,用于获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值;处理模块,用于基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值;训练模块,用于利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将所述曝气目标值作为目标值,将所述训练数据中除所述曝气目标值外的其余参数作为特征参数,所述训练数据包括:所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、积分时间段内溶解氧以及氧化还原电位各自的积分值,以及所述曝气目标值。
结合第三方面实施例的一种可能的实施方式,所述获取模块,还用于:获取与污水曝气处理相关的历史指标时间序列数据以及对应的曝气目标值,所述历史指标时间序列数据中除了包含所述溶解氧和所述氧化还原电位外,还包括其他指标数据;将所述曝气目标值作为拟合目标值,将所述历史指标时间序列数据中各指标作为特征数据,拟合所述拟合目标值与所述历史指标序列数据中各指标间的关系,得到所述历史指标序列数据中各指标对所述拟合目标值的重要度;按照特征重要度从所述历史指标时间序列数据选出对所述曝气目标值影响较大的溶解氧和氧化还原电位的时间序列数据。
第四方面,本申请实施例还提供了一种曝气值预估装置,包括:获取模块以及处理模块;获取模块,用于获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据;处理模块,用于基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值;所述处理模块,还用于将特征数据输入利用上述第三方面实施例和/或结合第三方面实施例的任一种可能的实施方式提供的模型训练装置训练得到的网络模型进行处理,得到曝气目标值,所述特征数据包括所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
第五方面,本申请实施例还提供了一种电子设备,包括:存储器和处理器,所述处理器与所述存储器连接;所述存储器,用于存储程序;所述处理器,用于调用存储于所述存储器中的程序,以执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法,或者,执行上述第二方面实施例提供的方法。
第六方面,本申请实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时,执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法,或者,执行上述第二方面实施例提供的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。通过附图所示,本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本申请的主旨。
图1示出了本申请实施例提供的一种模型训练方法的流程示意图。
图2为本申请实施例提供的PID控制的原理示意图。
图3示出了本申请实施例提供的一种曝气值预估方法的流程示意图。
图4示出了本申请实施例提供的一种模型训练装置的模块框图。
图5示出了本申请实施例提供的一种曝气值预估装置的模块框图。
图6示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
鉴于曝气值在污水曝气处理过程中的重要性,本申请实施例提供了一种将PID(Proportional Integral Derivative)控制算法与深度学习相结合的曝气值预估方法,能够根据污水处理过程中的实际运行状况以及外界环节变化等因素对曝气量进行动态调整,使其具有PID控制的响应速度快、控制精度高的特性,又具备深度学习的鲁棒性强、灵活度高的优点,既保留传统工业控制算法安全稳定的特点,同时又具有较强的鲁棒性、自适应能力。
下面将结合图1,对本申请实施例提供的用于预测曝气值的网络模型的模型训练方法进行说明。
步骤S101:获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值。
获取历史污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值,便可将溶解氧和氧化还原电位作为PID控制的两个特征参数。其中,所谓时间序列数据是指按照一定的时间间隔(如为1s),以其发生的时间先后顺序排列而成的数列,它是通过将一系列时间点上的观测值按等时间间隔测量来获取的数据集,用于描述现象随时间变化的情况。
其中,获取的溶解氧和氧化还原电位为对曝气目标值影响较大的指标。可以通过以下方式确定出对曝气目标值影响较大的指标,也即从污水曝气处理过程中的众多指标中确定出溶解氧和氧化还原电位这两个指标。如获取与污水曝气处理相关的历史指标时间序列数据以及对应的曝气目标值,其中,历史指标时间序列数据中除了包含溶解氧和氧化还原电位外,还包括其他指标数据,例如,还包括温度、污泥浓度、进水值、氨氮、硝氮等。然后,将曝气目标值作为拟合目标值,将历史指标时间序列数据中各指标(如溶解氧、氧化还原电位、温度、污泥浓度、进水值、氨氮、硝氮)作为特征数据,拟合目标值与历史指标序列数据中各指标间的关系,得到历史指标序列数据中各指标对拟合目标值的重要度;最后,按照特征重要度从历史指标时间序列数据选出对述曝气目标值影响较大(也即重要度大于预设阈值)的溶解氧和氧化还原电位的时间序列数据。其中,重要度越高,影响力较大。
其中,在拟合目标值与历史指标序列数据中各指标间的关系时,可以利用决策树算法进行拟合,例如,利用LightGBM(Light Gradient Boosting Machine)模型,拟合目标值与历史指标序列数据中各指标间的关系。
步骤S102:基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。
在获取到溶解氧和氧化还原电位的时间序列数据后,基于溶解氧和所氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值(为预先设定,可以根据先验经验得到)的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。其中,积分时间以及微分时间均大于时间序列数据中的数据采集的时间间隔(如为1s)。作为一种实施方式,可以是将溶解氧和所述氧化还原电位的时间序列数据作为PID控制的特征,初始化积分时间、微分时间,例如,初始化积分时间为10s,微分时间为4s,根据PID控制算法,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。其中,积分时间以及微分时间并不限于此,上述的积分时间为10s,微分时间为4s仅是本申请中的一个示例。
其中,所谓PID是Proportional(比例)、Integral(积分)、Differential(微分)三者的缩写。PID调节是连续控制系统中技术最成熟、应用最广泛的调节方式。PID调节实质是根据输入的偏差值,按照比例、积分、微分的函数关系进行运算,运算结果用以控制输出,其控制原理如图2所示。
其中,比例调节作用:即PID中的P,反映控制系统的偏差信号,偏差一旦产生,控制系统便会立即产生控制作用以减小偏差。比例控制器的输出u(t)与输入偏差e(t)成正比,能迅速反映偏差,从而减小偏差,但不能消除静差。静差是指系统控制过程趋于稳定时,给定值与输出量的实测值之差,也即偏差。偏差存在,才能使控制器维持一定的控制量输出,因此比例控制器必然存在着静差。
积分调节作用:即PID中的I,主要用于消除静差提高系统的无差度。积分作用的强弱,取决于积分时间常数Ti,Ti越大积分作用越弱,反之则越强。积分控制作用的存在与偏差e(t)的存在时间有关,只要系统存在着偏差,积分环节就会不断起作用,对输入偏差进行积分,使控制器的输出及执行器的开度不断变化,产生控制作用以减小偏差。
微分调节作用:即PID中的D,微分作用反映系统偏差信号的变化率,具有预见性,能预见偏差变化的趋势,因此能产生超前的控制作用,在偏差还没有形成之前,已被微分调节作用消除。因此,可以改善系统的动态性能。在微分时间选择合适情况下,可以减少超调,减少调节时间。微分作用对噪声干扰有放大作用,因此过强的加微分调节,对系统抗干不利。此外,微分反应的是变化率,而当输入没有变化时,微分作用输出为零。微分作用不能单独使用,需要与另外两种调节规律相结合,组成PD或PID控制器。
其中,PID控制算法的公式如下:
步骤S103:利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将所述曝气目标值作为目标值,将所述训练数据中除所述曝气目标值外的其余参数作为特征参数。
在得到实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值之后,将溶解氧的时间序列数据、氧化还原电位的时间序列数据、实际溶解氧与预设溶解氧目标值的差值、微分时间段内溶解氧以及氧化还原电位各自的微分值、积分时间段内溶解氧以及氧化还原电位各自的积分值,以及曝气目标值作为训练数据,利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将曝气目标值作为目标值,将训练数据中除曝气目标值外的其余参数作为特征参数。这样,在实际运行过程中,直接调用该模型便可预测曝气目标值。
可选地,在训练时,将训练数据按照预设比例(例如4:1)采用k折交叉划分为训练集和测试集,然后,利用训练集对初始网络模型进行拟合迭代训练,并利用测试集挑选出拟合绝对平均误差最小的最优模型,作为能预测曝气目标值的网络模型。其中,所谓k折交叉,也即将训练数据划分为k个互不相交的大小相同的子集,然后每次训练时,将其中的一个子集作为测试集,剩余的k-1个子集作为训练集,由于选取的测试集有k种选择,因此重复k次就可以保证每一种子集都被作为测试集挑选了一次;在每次训练后都能得到一个模型,用这个模型在相应的测试集上测试,计算并保存模型的评估指标,这样就可以得到k个模型,每个模型都在相应的测试集上计算测试误差,得到k个测试误差,选取拟合绝对平均误差最小的模型即为最优模型。
其中,该初始网络模型可以是决策树模型,例如,可以是LightGBM模型。其中,LightGBM模型是一个实现GBDT(Gradient Boosting Decision Tree)算法的框架,支持高效率的并行训练,并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。
在得到能预测曝气目标值的网络模型后,便可以根据该网络模型去预测污水曝气处理过程中的曝气值。下面将结合图3对本申请实施例提供的曝气值预估方法进行说明。
步骤S201:获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据。
当需要预测处理过程中的曝气值时,获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据。
步骤S202:基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
在获取到获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据后,基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值。例如,可以是将溶解氧和所述氧化还原电位的时间序列数据作为PID控制的特征,初始化积分时间、微分时间,例如,初始化积分时间为10s,微分时间为4s,根据PID控制算法,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。
步骤S203:将特征数据输入利用上述模型训练方法训练得到的网络模型进行处理,得到曝气目标值。
其中,特征数据包括所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
本申请实施例还提供了一种模型训练装置100,如图4所示。该模型训练装置100包括:获取模块110、处理模块120以及训练模块130。
获取模块110,用于获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值。其中,所述获取模块110,还用于:获取与污水曝气处理相关的历史指标时间序列数据以及对应的曝气目标值,所述历史指标时间序列数据中除了包含所述溶解氧和所述氧化还原电位外,还包括其他指标数据;将所述曝气目标值作为拟合目标值,将所述历史指标时间序列数据中各指标作为特征数据,拟合所述拟合目标值与所述历史指标序列数据中各指标间的关系,得到所述历史指标序列数据中各指标对所述拟合目标值的重要度;按照特征重要度从所述历史指标时间序列数据选出对所述曝气目标值影响较大的溶解氧和氧化还原电位的时间序列数据。可选地,处理模块120,用于将所述溶解氧和所述氧化还原电位的时间序列数据作为PID控制的特征,初始化积分时间、微分时间;根据PID控制算法,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。
处理模块120,用于基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。训练模块130,用于利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将所述曝气目标值作为目标值,将所述训练数据中除所述曝气目标值外的其余参数作为特征参数,所述训练数据包括:所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、积分时间段内溶解氧以及氧化还原电位各自的积分值,以及所述曝气目标值。
可选地,处理模块120,用于将所述训练数据按照预设比例折交叉划分训练集和测试集;利用所述训练集对初始网络模型进行拟合迭代训练,并利用所述测试集挑选出拟合绝对平均误差最小的最优模型,作为所述能预测曝气目标值的网络模型。
本申请实施例所提供的模型训练装置100其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种曝气值预估装置200,如图5所示,该曝气值预估装置200包括:获取模块210以及处理模块220。
获取模块210,用于获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据。
处理模块220,用于基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
所述处理模块220,还用于将特征数据输入利用上述的模型训练装置100训练得到的网络模型进行处理,得到曝气目标值,所述特征数据包括所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
本申请实施例所提供的曝气值预估装置200其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
如图6所示,图6示出了本申请实施例提供的一种电子设备300的结构框图。所述电子设备300包括:收发器310、存储器320、通讯总线330以及处理器340。
所述收发器310、所述存储器320、处理器340各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线330或信号线实现电性连接。其中,收发器310用于收发数据。存储器320用于存储计算机程序,如存储有图4以及图5中所示的软件功能模块,如图4的模型训练装置100,图5的曝气值预估装置200。其中,模型训练装置100或曝气值预估装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器320中或固化在所述电子设备300的操作系统(operating system,OS)中的软件功能模块。所述处理器340,用于执行模型训练装置100包括的软件功能模块或计算机程序时,处理器340,用于:获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值;基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值;利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将所述曝气目标值作为目标值,将所述训练数据中除所述曝气目标值外的其余参数作为特征参数,所述训练数据包括:所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、积分时间段内溶解氧以及氧化还原电位各自的积分值,以及所述曝气目标值。
所述处理器340,用于执行曝气值预估装置200包括的软件功能模块或计算机程序时,处理器340,用于:获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据;基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值;将特征数据输入利用上述的模型训练方法训练得到的网络模型进行处理,得到曝气目标值,所述特征数据包括所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
其中,存储器320可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器340可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器340也可以是任何常规的处理器等。
其中,上述的电子设备300,包括但不限于计算机、服务器等。
本申请实施例还提供了一种非易失性计算机可读取存储介质(以下简称存储介质),该存储介质上存储有计算机程序,该计算机程序被计算机如上述的电子设备300运行时,执行上述所示的模型训练方法以及曝气值预估方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,笔记本电脑,服务器,或者电子设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种模型训练方法,其特征在于,包括:
获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值;
基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值;
利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将所述曝气目标值作为目标值,将所述训练数据中除所述曝气目标值外的其余参数作为特征参数,所述训练数据包括:所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、积分时间段内溶解氧以及氧化还原电位各自的积分值,以及所述曝气目标值。
2.根据权利要求1所述的方法,其特征在于,获取污水曝气处理过程中对的溶解氧和氧化还原电位,包括:
获取与污水曝气处理相关的历史指标时间序列数据以及对应的曝气目标值,所述历史指标时间序列数据中除了包含所述溶解氧和所述氧化还原电位外,还包括其他指标数据;
将所述曝气目标值作为拟合目标值,将所述历史指标时间序列数据中各指标作为特征数据,拟合所述拟合目标值与所述历史指标序列数据中各指标间的关系,得到所述历史指标序列数据中各指标对所述拟合目标值的重要度;
按照特征重要度从所述历史指标时间序列数据选出对所述曝气目标值影响较大的溶解氧和氧化还原电位的时间序列数据。
3.根据权利要求1所述的方法,其特征在于,基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值,包括:
将所述溶解氧和所述氧化还原电位的时间序列数据作为PID控制的特征,初始化积分时间、微分时间;
根据PID控制算法,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值。
4.根据权利要求1所述的方法,其特征在于,利用所述训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,包括:
将所述训练数据按照预设比例折交叉划分训练集和测试集;
利用所述训练集对初始网络模型进行拟合迭代训练,并利用所述测试集挑选出拟合绝对平均误差最小的最优模型,作为所述能预测曝气目标值的网络模型。
5.一种曝气值预估方法,其特征在于,包括:
获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据;
基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值;
将特征数据输入利用如权利要求1-4任一项所述的模型训练方法训练得到的网络模型进行处理,得到曝气目标值,所述特征数据包括所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
6.一种模型训练装置,其特征在于,包括:
获取模块,用于获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据以及对应的曝气目标值;
处理模块,用于基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,积分时间段内溶解氧以及氧化还原电位各自的积分值;
训练模块,用于利用训练数据对初始网络模型进行拟合训练,得到训练好的能预测曝气目标值的网络模型,其中,训练时,将所述曝气目标值作为目标值,将所述训练数据中除所述曝气目标值外的其余参数作为特征参数,所述训练数据包括:所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、积分时间段内溶解氧以及氧化还原电位各自的积分值,以及所述曝气目标值。
7.根据权利要求6所述的装置,其特征在于,
所述获取模块,还用于:获取与污水曝气处理相关的历史指标时间序列数据以及对应的曝气目标值,所述历史指标时间序列数据中除了包含所述溶解氧和所述氧化还原电位外,还包括其他指标数据;将所述曝气目标值作为拟合目标值,将所述历史指标时间序列数据中各指标作为特征数据,拟合所述拟合目标值与所述历史指标序列数据中各指标间的关系,得到所述历史指标序列数据中各指标对所述拟合目标值的重要度;按照特征重要度从所述历史指标时间序列数据选出对所述曝气目标值影响较大的溶解氧和氧化还原电位的时间序列数据。
8.一种曝气值预估装置,其特征在于,包括:
获取模块,用于获取污水曝气处理过程中的溶解氧和氧化还原电位的时间序列数据;
处理模块,用于基于所述溶解氧和所述氧化还原电位的时间序列数据,求解出实际溶解氧与预设溶解氧目标值的差值,微分时间段内溶解氧以及氧化还原电位各自的微分值,所述积分时间段内溶解氧以及氧化还原电位各自的积分值;
所述处理模块,还用于将特征数据输入利用如权利要求6-7任一项所述的模型训练装置训练得到的网络模型进行处理,得到曝气目标值,所述特征数据包括所述溶解氧的时间序列数据、所述氧化还原电位的时间序列数据、所述实际溶解氧与预设溶解氧目标值的差值、所述微分时间段内溶解氧以及氧化还原电位各自的微分值、所述积分时间段内溶解氧以及氧化还原电位各自的积分值。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述处理器与所述存储器连接;
所述存储器,用于存储程序;
所述处理器,用于调用存储于所述存储器中的程序,以执行如权利要求1-4中任一项所述的方法,或者,执行如权利要求5所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器运行时,执行如权利要求1-4中任一项所述的方法,或者,执行如权利要求5所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342718.0A CN112390388B (zh) | 2020-11-25 | 2020-11-25 | 一种模型训练方法、曝气值预估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342718.0A CN112390388B (zh) | 2020-11-25 | 2020-11-25 | 一种模型训练方法、曝气值预估方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112390388A true CN112390388A (zh) | 2021-02-23 |
CN112390388B CN112390388B (zh) | 2022-06-14 |
Family
ID=74604012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342718.0A Active CN112390388B (zh) | 2020-11-25 | 2020-11-25 | 一种模型训练方法、曝气值预估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112390388B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115806344A (zh) * | 2022-11-22 | 2023-03-17 | 曲誉环境综合治理有限公司 | 一种orp控制精准曝气的系统 |
CN115827253A (zh) * | 2023-02-06 | 2023-03-21 | 青软创新科技集团股份有限公司 | 一种芯片资源算力分配方法、装置、设备及存储介质 |
CN116040713A (zh) * | 2023-02-27 | 2023-05-02 | 南栖仙策(南京)高新技术有限公司 | 一种污水处理中的曝气方法、装置、设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108439580A (zh) * | 2018-05-30 | 2018-08-24 | 北京天诚同创电气有限公司 | 溶解氧浓度控制系统、方法和装置 |
CN109992367A (zh) * | 2017-12-29 | 2019-07-09 | 广东欧珀移动通信有限公司 | 应用处理方法和装置、电子设备、计算机可读存储介质 |
EP3686409A1 (en) * | 2019-01-25 | 2020-07-29 | General Electric Company | Electric machines with air gap control systems, and systems and methods of controlling an air gap in an electric machine |
-
2020
- 2020-11-25 CN CN202011342718.0A patent/CN112390388B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992367A (zh) * | 2017-12-29 | 2019-07-09 | 广东欧珀移动通信有限公司 | 应用处理方法和装置、电子设备、计算机可读存储介质 |
CN108439580A (zh) * | 2018-05-30 | 2018-08-24 | 北京天诚同创电气有限公司 | 溶解氧浓度控制系统、方法和装置 |
EP3686409A1 (en) * | 2019-01-25 | 2020-07-29 | General Electric Company | Electric machines with air gap control systems, and systems and methods of controlling an air gap in an electric machine |
Non-Patent Citations (1)
Title |
---|
孙骞等: "基于模糊神经网络的自适应精确曝气系统设计", 《桂林电子科技大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115806344A (zh) * | 2022-11-22 | 2023-03-17 | 曲誉环境综合治理有限公司 | 一种orp控制精准曝气的系统 |
CN115806344B (zh) * | 2022-11-22 | 2023-08-04 | 曲誉环境综合治理有限公司 | 一种orp控制精准曝气的系统 |
CN115827253A (zh) * | 2023-02-06 | 2023-03-21 | 青软创新科技集团股份有限公司 | 一种芯片资源算力分配方法、装置、设备及存储介质 |
CN115827253B (zh) * | 2023-02-06 | 2023-05-09 | 青软创新科技集团股份有限公司 | 一种芯片资源算力分配方法、装置、设备及存储介质 |
CN116040713A (zh) * | 2023-02-27 | 2023-05-02 | 南栖仙策(南京)高新技术有限公司 | 一种污水处理中的曝气方法、装置、设备、存储介质 |
CN116040713B (zh) * | 2023-02-27 | 2023-11-21 | 南栖仙策(南京)高新技术有限公司 | 一种污水处理中的曝气方法、装置、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112390388B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112390388B (zh) | 一种模型训练方法、曝气值预估方法、装置及电子设备 | |
Rittmann et al. | A framework for good biofilm reactor modeling practice (GBRMP) | |
Iacopozzi et al. | A modified Activated Sludge Model No. 3 (ASM3) with two-step nitrification–denitrification | |
Pittoors et al. | Modeling dissolved oxygen concentration for optimizing aeration systems and reducing oxygen consumption in activated sludge processes: a review | |
CN109205781B (zh) | 控制系统及控制方法 | |
De Pauw et al. | Practical aspects of sensitivity function approximation for dynamic models | |
Keskitalo et al. | Calibration and validation of a modified ASM1 using long‐term simulation of a full‐scale pulp mill wastewater treatment plant | |
Piotrowski et al. | Mixed integer nonlinear optimization of biological processes in wastewater sequencing batch reactor | |
Trojanowicz et al. | Model extension, calibration and validation of partial nitritation–anammox process in moving bed biofilm reactor (MBBR) for reject and mainstream wastewater | |
Sotomayor et al. | Software sensor for on-line estimation of the microbial activity in activated sludge systems | |
Drewnowski et al. | Model based evaluation of plant improvement at a large wastewater treatment plant (WWTP) | |
Sin | Systematic calibration of activated sludge models | |
Kocijan et al. | Sequencing batch-reactor control using Gaussian-process models | |
Alasino et al. | Wastewater treatment plant synthesis and design: Combined biological nitrogen and phosphorus removal | |
Chen et al. | An efficient approach based on bi-sensitivity analysis and genetic algorithm for calibration of activated sludge models | |
Zhang et al. | Shortcut nitrification–denitrification in a sequencing batch reactor by controlling aeration duration based on hydrogen ion production rate online monitoring | |
Liu et al. | Multi-objective optimization of cascade controller in combined biological nitrogen and phosphorus removal wastewater treatment plant | |
Boiocchi et al. | Evaluating the potential impact of energy-efficient ammonia control on the carbon footprint of a full-scale wastewater treatment plant | |
CN112897695A (zh) | 自动碳源投加的控制方法和设备 | |
Kaneko et al. | A chemometric approach to prediction of transmembrane pressure in membrane bioreactors | |
Flores-Alsina et al. | Modelling the impacts of operational conditions on the performance of a full-scale membrane aerated biofilm reactor | |
Kapumbe et al. | Modeling and simulation of membrane bioreactor model based on ASM3 for domestic wastewater treatment. | |
Ruiz et al. | Sensitivity analyses and simulations of a full-scale experimental membrane bioreactor system using the activated sludge model No. 3 (ASM3) | |
Cruz Bournazou et al. | An approach to mechanistic event recognition applied on monitoring organic matter depletion in SBRs | |
d’Antonio et al. | Modelling the biological processes of MBR treatment plants |
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 |