CN113798315B - 基于机器学习的热强化sve技术气体排放控制方法 - Google Patents
基于机器学习的热强化sve技术气体排放控制方法 Download PDFInfo
- Publication number
- CN113798315B CN113798315B CN202111206190.9A CN202111206190A CN113798315B CN 113798315 B CN113798315 B CN 113798315B CN 202111206190 A CN202111206190 A CN 202111206190A CN 113798315 B CN113798315 B CN 113798315B
- Authority
- CN
- China
- Prior art keywords
- concentration
- soil
- vocs gas
- sve
- vocs
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09C—RECLAMATION OF CONTAMINATED SOIL
- B09C1/00—Reclamation of contaminated soil
- B09C1/06—Reclamation of contaminated soil thermally
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09C—RECLAMATION OF CONTAMINATED SOIL
- B09C2101/00—In situ
Landscapes
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Treating Waste Gases (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了基于机器学习的热强化SVE技术气体排放控制方法,包括:测量土壤在不同温度恒温加热处理下所排放的VOCs气体浓度,以及VOCs气体浓度随土壤温度的变化数据;对VOCs气体浓度进行区间划分,得到多个浓度区间;将多个浓度区间作为不同类,并使用SVM和随机森林方法对所述不同类进行训练,得到最终模型;通过最终模型对后续通过热强化SVE修复土壤所产生的VOCs气体浓度进行预测,并通过调控热强化SVE修复土壤过程中的加热温度,实现控制VOCs气体的排放;通过该方法能够有效控制在使用热强化SVE技术修复土壤过程中所排放的VOCs气体。
Description
技术领域
本发明属于土壤修复技术领域,特别是基于机器学习的热强化SVE技术气体排放控制方法。
背景技术
气相抽提技术(SVE)是一种应用广泛的土壤原位修复技术,但是其在使用过程中经常受到污染物种类、土的透气性、含水率、土层均匀性等因素影响,从而难以在低渗透性有机物污染场地和半挥发性有机物污染场地修复中取得良好的修复效果。为了提高其修复效果、扩大适用范围,SVE技术常与其它原位修复技术相结合,通过互补形成SVE增强技术,例如热强化SVE技术。但是通过热强化SVE技术在修复土壤过程中,会产生大量污染气体,从而对人类健康产生巨大危害。
因此,在通过热强化SVE技术修复土壤过程中,如何有效控制污染气体(VOCs)排放,已经成为当前研究的关键问题。
发明内容
鉴于上述问题,本发明提供基于机器学习的热强化SVE技术气体排放控制方法,在使用热强化SVE技术修复土壤过程中,通过该方法能够有效控制污染气体(VOCs)排放。
本发明实施例提供了基于机器学习的热强化SVE技术气体排放控制方法,包括:
S1、测量土壤在不同温度恒温加热处理下所排放的VOCs气体浓度,以及所述VOCs气体浓度随土壤温度的变化数据;
S2、对所述VOCs气体浓度进行区间划分,得到多个浓度区间;
S3、将所述多个浓度区间作为不同类,并使用SVM和随机森林方法对所述不同类进行训练,得到最终模型;
S4、根据所述最终模型对后续通过热强化SVE修复土壤所产生的VOCs气体浓度进行预测,并通过调控热强化SVE修复土壤过程中的加热温度,实现控制VOCs气体的排放。
进一步地,所述S1包括:
在密闭装置中通过不同温度对所述土壤进行恒温加热处理预设时长;
从开始加热时,每隔预设周期记录一次当前时刻下的土壤温度,以及所述当前时刻下的土壤温度对应的VOCs气体浓度。
进一步地,随着所述土壤温度不断增高,所述土壤排放的VOCs气体浓度逐渐趋于稳定,此时的VOCs气体浓度为VOCs气体最高浓度。
进一步地,所述S2具体包括:
将浓度为0到所述VOCs气体最高浓度作为一个总浓度区间,对所述总浓度区间进行划分,得到多个浓度区间。
进一步地,所述S3具体包括:
S31、通过SVM和随机森林算法根据所述多个浓度区间设计出对应的多个子分类器,并对所述子分类器进行训练,得到多个训练结果;
S32、通过Bagging方法对所述多个训练结果进行集成,得到最终训练结果;
S33、将所述最终训练结果和所述VOCs气体最高浓度相乘,得到预计排放的VOCs气体浓度;
S34、通过Bagging方法对所述多个子分类器进行投票,生成土壤含水率、有机质含量、渗透性、加热温度、前T个时刻的VOCs气体浓度与当前时刻VOCs气体浓度的关系,从而形成最终模型。
与现有技术相比,本发明记载的基于机器学习的热强化SVE技术气体排放控制方法,能够有效控制在使用热强化SVE技术修复土壤过程中所排放的污染气体(VOCs),并为后续对所排放的污染气体进行处理奠定了基础。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的基于机器学习的热强化SVE技术气体排放控制方法流程图。
图2为本发明实施例提供的不同种类土壤不同初始浓度的污染物挥发的动力学拟合模型图。
图3为本发明实施例提供的马尔可夫模型图。
图4为本发明实施例提供的Bagging投票图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1所示,本发明实施例提供了基于机器学习的热强化SVE技术气体排放控制方法,具体包括如下步骤:
S1、测量土壤在不同温度恒温加热处理下所排放的VOCs气体浓度,以及所述VOCs气体浓度随土壤温度的变化数据;
S2、对所述VOCs气体浓度进行区间划分,得到多个浓度区间;
S3、将所述多个浓度区间作为不同类,并使用SVM和随机森林方法对所述不同类进行训练,得到最终模型;
S4、通过所述最终模型对后续通过热强化SVE修复土壤所产生的VOCs气体浓度进行预测,并通过调控热强化SVE修复土壤过程中的加热温度,实现控制VOCs气体的排放。
上述方法可以应用于不同类型的土壤。
下面分别对上述各个步骤进行详细的说明。
在上述步骤S1中,首先在密闭装置中对土壤进行恒温加热处理,本实施例中,为获取更多实验数据,因此对土壤恒温加热了1小时;并从开始加热时,每隔60s记录一次土壤在当前的温度,以及当前时刻土壤排放的VOCs气体浓度;之后改变恒温加热处理时的温度,重新对上述土壤进行恒温加热处理并记录不同时刻下所排放的VOCs气体浓度,以及VOCs气体浓度对应时刻下的土壤温度;从而获取到多组数据,具体情况可参考图2,从图2中可以看出,VOCs气体挥发速率与温度成正相关;
通过对所获取到的多组数据进行对比,可以发现随着土壤温度不断增高,土壤所排放的VOCs气体浓度逐渐趋于稳定,并且趋于稳定后的VOCs气体浓度最高;且每一时刻生成的VOCs气体只与前K个时刻的加热温度以及生成VOCs气体浓度有关,该过程相当于K阶马尔可夫过程;因此在本实施例中,通过所述马尔可夫模型提取出k+1个时间的VOCs气体浓度特征,生成特征矩阵;该马尔可夫模型参考图3。
在上述步骤S2中,将浓度为0到所述VOCs气体最高浓度作为一个总浓度区间,在本实施例中,按照每5%对该总浓度区间进行划分,从而得到多个浓度区间;在本实施例中,共得到了20个浓度区间。
在上述步骤S3中,通过SVM和随机森林算法过CNN根据上述多个浓度区间设计出对应的多个子分类器,并通过传统机器学习方法结合上述步骤S2中所得到的特征矩阵对多个子分类器分别进行训练,得到多个训练结果;之后通过Bagging方法利用投票的方式对上述多个分类结果进行集成;得到最终训练结果,即预计排放气体浓度所在区间;具体参照图4;将该最终训练结果乘以VOCs气体最高浓度,可得到预计排放的VOCs气体具体浓度;
通过Bagging方法对所述多个子分类器进行投票,生成土壤含水率、有机质含量、渗透性、加热温度、前T个时刻的VOCs气体浓度与当前时刻VOCs气体浓度的关系,从而形成最终模型。
在上述步骤S4中,根据所述模型对后续通过热强化SVE修复土壤所产生的VOCs气体浓度进行预测,并通过调控热强化SVE修复土壤过程中的加热温度,实现控制VOCs气体的排放;当VOCs气体浓度降低到一定程度时,可以对其进行催化氧化处理,即催化燃烧处理,将其转化成水和二氧化碳;并且当VOCs气体浓度降低到一定程度时,可以提高燃烧效率;对于所产生的VOCs气体,在检测出VOCs气体的重要成分后,通过控制这些重要成分的浓度,使其原理爆炸浓度区间,可以有效避免可燃气体发生爆炸。
本发明实施例提供的基于机器学习的热强化SVE技术气体排放控制方法,可以应用于多种不同类型的土壤中。
本发明实施例提供了基于机器学习的热强化SVE技术气体排放控制方法,采用人工智能方法来控制排放气体浓度,相比传统的负反馈方法更加灵活,能够适应多种土壤环境,也能够对修复土壤过程中所产生的气体浓度实现近似精确控制;且传统方法需要大量理论推导,而本发明所提供的方法能够适应各种突变状况,对相关理论要求相对宽松,能够让非本领域的人也能够理解相关问题;传统方法中仅通过机器学习方法对浓度进行分类预测,但是由于特征过少导致预测结果不准确,而本发明通过马尔科夫假设对特征进行了扩充,有效地解决了这一问题,提高了预测结果的准确度;并且本发明实施例所提供的机器学习方法比较简单,占用资源少,易于推广。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.基于机器学习的热强化SVE技术气体排放控制方法,其特征在于,包括:
S1、测量土壤在不同温度恒温加热处理下所排放的VOCs气体浓度,以及所述VOCs气体浓度随土壤温度的变化数据;
S2、对所述VOCs气体浓度进行区间划分,得到多个浓度区间;
S3、将所述多个浓度区间作为不同类,并使用SVM和随机森林方法对所述不同类进行训练,得到最终模型;
S4、通过所述最终模型对后续通过热强化SVE修复土壤所产生的VOCs气体浓度进行预测,并通过调控热强化SVE修复土壤过程中的加热温度,实现控制VOCs气体的排放;
所述S1包括:
在密闭装置中通过不同温度对所述土壤进行恒温加热处理预设时长;
从开始加热时,每隔预设周期记录一次当前时刻下的土壤温度,以及所述当前时刻下的土壤温度对应的VOCs气体浓度。
2.如权利要求1所述的基于机器学习的热强化SVE技术气体排放控制方法,其特征在于,随着所述土壤温度不断增高,所述土壤排放的VOCs气体浓度逐渐趋于稳定,此时的VOCs气体浓度为VOCs气体最高浓度。
3.如权利要求2所述的基于机器学习的热强化SVE技术气体排放控制方法,其特征在于,所述S2具体包括:
将浓度为0到所述VOCs气体最高浓度作为一个总浓度区间,对所述总浓度区间进行划分,得到多个浓度区间。
4.如权利要求3所述的基于机器学习的热强化SVE技术气体排放控制方法,其特征在于,所述S3具体包括:
S31、通过SVM和随机森林算法根据所述多个浓度区间设计出对应的多个子分类器,并对所述子分类器进行训练,得到多个训练结果;
S32、通过Bagging方法对所述多个训练结果进行集成,得到最终训练结果;
S33、将所述最终训练结果和所述VOCs气体最高浓度相乘,得到预计排放的VOCs气体浓度;
S34、通过Bagging方法对所述多个子分类器进行投票,生成土壤含水率、有机质含量、渗透性、加热温度、前T个时刻的VOCs气体浓度与当前时刻VOCs气体浓度的关系,从而形成最终模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111206190.9A CN113798315B (zh) | 2021-10-16 | 2021-10-16 | 基于机器学习的热强化sve技术气体排放控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111206190.9A CN113798315B (zh) | 2021-10-16 | 2021-10-16 | 基于机器学习的热强化sve技术气体排放控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113798315A CN113798315A (zh) | 2021-12-17 |
CN113798315B true CN113798315B (zh) | 2022-07-29 |
Family
ID=78897750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111206190.9A Active CN113798315B (zh) | 2021-10-16 | 2021-10-16 | 基于机器学习的热强化sve技术气体排放控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113798315B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871992A (zh) * | 2019-01-30 | 2019-06-11 | 北京工业大学 | 基于r-svm的tft-lcd工业智能预测方法 |
GB201906691D0 (en) * | 2019-05-13 | 2019-06-26 | Univ Liverpool John Moores | Estimating concentration of a substance |
CN109978050A (zh) * | 2019-03-25 | 2019-07-05 | 北京理工大学 | 基于svm-rf的决策规则提取及约简方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106513430B (zh) * | 2017-01-09 | 2022-11-08 | 北京石油化工学院 | 一种基于热强化sve的烃类污染土壤修复系统 |
CN107038334B (zh) * | 2017-02-27 | 2019-12-17 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 |
CN110428113A (zh) * | 2019-08-09 | 2019-11-08 | 云南电网有限责任公司电力科学研究院 | 一种基于随机森林的变压器油中溶解气体浓度预测方法 |
CN111461355B (zh) * | 2020-03-20 | 2023-10-31 | 北京工业大学 | 基于随机森林的二噁英排放浓度迁移学习预测方法 |
CN112183709B (zh) * | 2020-09-22 | 2023-11-10 | 生态环境部华南环境科学研究所 | 一种垃圾焚烧废气二噁英超标预测预警方法 |
CN111968708B (zh) * | 2020-10-23 | 2020-12-29 | 浙江浙能技术研究院有限公司 | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 |
-
2021
- 2021-10-16 CN CN202111206190.9A patent/CN113798315B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871992A (zh) * | 2019-01-30 | 2019-06-11 | 北京工业大学 | 基于r-svm的tft-lcd工业智能预测方法 |
CN109978050A (zh) * | 2019-03-25 | 2019-07-05 | 北京理工大学 | 基于svm-rf的决策规则提取及约简方法 |
GB201906691D0 (en) * | 2019-05-13 | 2019-06-26 | Univ Liverpool John Moores | Estimating concentration of a substance |
Also Published As
Publication number | Publication date |
---|---|
CN113798315A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Ozone concentration forecast method based on genetic algorithm optimized back propagation neural networks and support vector machine data classification | |
Behera et al. | Artificial neural network model for predicting methane percentage in biogas recovered from a landfill upon injection of liquid organic waste | |
Li et al. | Model NOx emissions by least squares support vector machine with tuning based on ameliorated teaching–learning-based optimization | |
CN110544513B (zh) | 基于单峰热解曲线的炭化可燃物热解动力学参数计算方法 | |
CN105091590B (zh) | 烧结主抽风机智能节电的方法及系统 | |
CN104616072B (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN112036100B (zh) | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 | |
CN113987937A (zh) | 基于卷积神经网络的热强化sve有害气体浓度检测方法 | |
CN113798315B (zh) | 基于机器学习的热强化sve技术气体排放控制方法 | |
Qin et al. | A fuzzy composting process model | |
CN107477772A (zh) | 基于室内监测数据的住宅新风系统控制方法 | |
CN115358152B (zh) | 垃圾焚烧气体控制与反馈调节系统和方法 | |
Sundar et al. | Modeling the impact of media awareness programs on mitigation of carbon dioxide emitted from automobiles | |
Tian et al. | Coke oven flue temperature control based on improved implicit generalized predictive control | |
CN103162731A (zh) | 一种高炉热风炉燃烧效果在线分析及量化方法 | |
Xi et al. | Data driven forecast of droplet combustion | |
Abdul-Jalal | Engine thermal management with model predictive control | |
Bhattacharyya et al. | Deciphering environmental air pollution with large scale city data | |
CN114779865B (zh) | 一种低氧气调系统的控制方法以及低氧气调系统 | |
Sharma et al. | Data Ensemble Model for Prediction of Oxygen Content in Gas fired Boiler for Efficient Combustion | |
Zhang et al. | CO Emission Prediction of MSWI Processes Based on Nonlinear Feature Reduction Long Short-Term Memory Neural Network | |
CN103065001A (zh) | 一种基于非稳态cfd模拟的烘房工艺设计方法 | |
CN115981384B (zh) | 一种智能生物质orc蒸发压力控制设备 | |
Eisenberger | Chaos control: Climate stabilization by closing the global carbon cycle | |
CN117476125A (zh) | 一种基于数据分析的腐竹余液回收数据处理系统 |
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 |