CN113947142A - 一种酸性气体排放浓度预测方法、系统及存储介质 - Google Patents
一种酸性气体排放浓度预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113947142A CN113947142A CN202111197687.9A CN202111197687A CN113947142A CN 113947142 A CN113947142 A CN 113947142A CN 202111197687 A CN202111197687 A CN 202111197687A CN 113947142 A CN113947142 A CN 113947142A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- acid gas
- machine learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002253 acid Substances 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000010791 domestic waste Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 230000002378 acidificating effect Effects 0.000 abstract description 3
- 239000003344 environmental pollutant Substances 0.000 abstract description 3
- 231100000719 pollutant Toxicity 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 28
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004056 waste incineration Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种酸性气体排放浓度预测方法、系统及存储介质,涉及酸性气体排放浓度预测技术领域,根据各地焚烧厂入厂的生活垃圾组分及焚烧厂工艺流程等数据,对模型结构进行设计,针对模型输入数据进行预处理,包括数据归一化、缺失值补充;利用机器学习模型将N组数据输入,训练基于自动检测酸性气体排放数据的机器学习预测模型,通过输入层、隐藏层和输出层的多次迭代后,最终获得生活垃圾焚烧发电厂酸性气体的预测浓度值。实现了基于大数据通过机器学习对气态污染物的排放浓度预测。
Description
技术领域
本发明涉及酸性气体排放浓度预测技术领域,更具体的说是涉及一种酸性气体排放浓度预测方法、系统及存储介质。
背景技术
长期以来,垃圾填埋一直是占据生活垃圾处理处置市场的主要技术,但是随着城市周边的适用地日趋饱和,多数城市面临垃圾围城无处填埋的窘况。而填埋由于占地大,处置不当容易污染地下水,运营不当容易引发填埋场火灾释放大量有毒有害废气,危害周边环境和居民的健康。
焚烧技术由于占地小,且可实现生活垃圾中化学能转化为电能,即可满足焚烧厂自用,还可上网作为商品用电。生活垃圾焚烧发电技术被大力推广,但由于生活垃圾来源广,成分十分复杂,焚烧过程会产生大量污染物,其中餐厨垃圾和塑料PVC中含有大量的Cl元素,焚烧会使其生成酸性气体HCl。而橡胶等组分中含有S元素,焚烧过程将与烟气生成SO2,HCl和SO2被称为垃圾焚烧过程的酸性气体。酸性气体排入环境中后将成为导致酸雨等,酸雨具有腐蚀性,长期排放对农田、建筑等将造成巨大危害。同时酸性气体在炉内也会造成设备腐蚀,设备腐蚀限制了焚烧厂向高参数改进,因为一旦升高温度和压力,腐蚀反应的速率将呈指数倍增长,是焚烧厂提能增效的主要掣肘。
目前由于生活垃圾焚烧厂烟气排放数据逐渐公开,使得基于大数据的生活垃圾焚烧过程的酸性气体排放预测成为可能,同时目前机器学习模型日趋完善,在各个行业中都有应用,效果显著,生活垃圾焚烧厂运营过程提升改造,进入智能化数字时代刻不容缓。因此,对本领域技术人员来说,如何基于机器学习进行酸性气体排放浓度的准确预测是亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种酸性气体排放浓度预测方法、系统及存储介质,以解决背景技术中的问题,使得基于大数据通过机器学习进行酸性气体排放浓度预测得以实现。
为了实现上述目的,本发明采用如下技术方案:一方面,提供一种酸性气体排放浓度预测方法,具体步骤包括如下:
采集数据样本并对所述数据样本进行预处理,得到第一数据样本;
将所述第一数据样本分为测试集、训练集和验证集;
构建机器学习模型;
将所述训练集输入到所述机器学习模型中进行训练,将酸性气体排放数据的实际值与预测值的误差前馈进行模型优化,得到最终预测模型。
可选的,所述数据样本包括连续变量、分类变量、酸性气体浓度;所述连续变量为生活垃圾组分,所述分类变量为焚烧炉类型;所述生活垃圾组分、焚烧炉类型作为输入数据,酸性气体浓度作为输出数据。
可选的,对输入数据进行预处理,包括连续变量预处理和分类变量预处理。
可选的,所述连续变量预处理步骤为:
对所述连续变量进行去共线性,得到第一变量;
将所述第一变量进行归一化,得到最终变量。
通过采用上述技术方案,具有以下有益的技术效果:进行去线性处理,可以避免生活垃圾组分原始数据对机器学习模型预测过程的影响,避免输入变量的共线性,并通过预处理,将组分数据归一化,消除不同类别数据差异的影响。
可选的,所述去共线性的转化公式为:
θn=arc cosxn
其中,i为生活垃圾组分,xi为生活垃圾组分的含量,n为生活垃圾组分的种类。
可选的,所述分类变量预处理的步骤为:
对所述分类变量进行数据相关性分析筛选,得到不同的变量分组;
通过独热编码对所述变量分组进行重编辑,形成多维矩阵。
通过采用上述技术方案,具有以下有益的技术效果:将分类变量中无明确优先顺序的文字转化为可计算的多维数值矩阵,与连续变量的多维矩阵连接,组成输入矩阵。
可选的,所述测试集采用变量并联输入的方式输入所述机器学习模型。
通过采用上述技术方案,具有以下有益的技术效果:可以避免输入变量串联带来的误差传递积累。
可选的,利用所述测试集采用均方根参数作为误差传递函数,构成前馈式机器学习预测模型。
通过采用上述技术方案,具有以下有益的技术效果:利用测试集进行多次迭代前馈反馈可以提高模型的精确度。
另一方面,提供一种酸性气体排放浓度预测系统,包括数据采集模块、模型构建模块、模型训练模块;其中,
所述数据采集模块,用于采集数据样本并对所述数据样本进行预处理,得到第一数据样本,将所述第一数据样本分为测试集、训练集和验证集;
所述模型构建模块,用于构建机器学习模型;
所述模型训练模块,用于将所述训练集输入到所述机器学习模型中进行训练,将酸性气体排放数据的实际值与预测值的误差前馈进行模型优化,得到最终预测模型。
最后,提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种酸性气体排放浓度预测方法的步骤。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种酸性气体排放浓度预测方法、系统及存储介质,基于大数据通过机器学习对气态污染物的排放预测,测算精度高、灵敏度好、稳定性优异;此外,进行去共线性处理,可以避免生活垃圾组分原始数据对机器学习模型预测过程的影响,避免输入变量的共线性,并通过预处理,将组分数据归一化,消除不同类别数据差异的影响,提高模型预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明的机器学习的网络结构图;
图3为本发明实施例的预测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例1公开了一种酸性气体排放浓度预测方法,如图1所示,具体步骤包括如下:
采集数据样本并对数据样本进行预处理,得到第一数据样本;
将第一数据样本分为测试集、训练集和验证集;
构建机器学习模型;
将训练集输入到机器学习模型中进行训练,将酸性气体排放数据的实际值与预测值的误差前馈进行模型优化,得到最终预测模型。
进一步的,为保证模型预测过程的精度,数据样本通过编码随机分配一定比例至测试集、训练集和验证集。
进一步的,数据样本包括连续变量、分类变量、酸性气体浓度;连续变量为生活垃圾组分,分类变量为焚烧炉类型;生活垃圾组分、焚烧炉类型作为输入数据,酸性气体浓度作为输出数据。
对输入数据进行预处理,包括连续变量预处理和分类变量预处理。连续变量生活垃圾组分数据预处理,通过将其进行去线性处理,避免生活垃圾组分原始数据对机器学习模型预测过程的影响,避免输入变量的共线性,并通过预处理,将组分数据归一化,消除不同类别数据差异的影响;
具体的,连续变量预处理步骤为:
对连续变量进行去共线性,得到第一变量;
将第一变量进行归一化,得到最终变量。
去共线性的转化公式为:
θn=arc cosxn
其中,i为生活垃圾组分,xi为生活垃圾组分的含量,n为生活垃圾组分的种类。
分类变量预处理的步骤为:
基于自建的我国生活垃圾焚烧厂炉型、烟气净化工艺等类别参数数据库,通过数据相关性分析筛选输入的类别变量;
类别变量筛选完毕后,对不同的变量分组进行预处理,由于不同的类别变量中类别数不一致,将生成多组多维矩阵,以消除文字在运行过程的影响。
由于输入数据中含有多组分类变量,每组分类变量的类别数不相等,处理生成的多个多维矩阵需要进行组合,转化为多个矩阵输入后与预处理后的连续变量采用变量并联输入的方式输入机器学习模型。
更进一步的,模型训练过程主要是通过机器学习模型对输入数据进行训练,将预测值与测试集中的原始数据进行拟合,设定损失数下降到一定程度时,自动结束迭代循环,具体步骤如下:
为避免输入变量串联带来的误差传递积累,采用变量并联输入的形式,将变量数据输入;
输入模型的数据,为校验模型的精确度,采用均方根参数作为误差传递系数,构建前馈式机器学习预测模型。
如图2所示,利用测试集采用均方根参数作为误差传递函数,构成前馈式机器学习预测模型,可以进一步提高模型预测的精度。
精度检验主要是指在机器学习模型训练过程的精度检验以及训练完成后利用验证集的精度检验两部分,具体步骤如下:
为保证模型预测过程的精度,加载的输出数据,通过编码随机分配一定比例至测试集、训练集和验证集,测试集用于多次迭代前馈损失,验证集则用于最终网络精度测定。
本发明实施例2提供一种酸性气体排放浓度预测系统,包括数据采集模块、模型构建模块、模型训练模块;其中,
数据采集模块,用于采集数据样本并对数据样本进行预处理,得到第一数据样本,将第一数据样本分为测试集、训练集和验证集;
模型构建模块,用于构建机器学习模型;
模型训练模块,用于将训练集输入到机器学习模型中进行训练,将酸性气体排放数据的实际值与预测值的误差前馈进行模型优化,得到最终预测模型。
以典型酸性气体SO2排放预测为例,最终优化模型的测试集中实际值与预测值的拟合如图3所示,拟合斜率为1.003,表明两者区别非常小,模型具备较好的精度。
最后,提供一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时实现一种酸性气体排放浓度预测方法的步骤。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种酸性气体排放浓度预测方法,其特征在于,具体步骤包括如下:
采集数据样本并对所述数据样本进行预处理,得到第一数据样本;
将所述第一数据样本分为测试集、训练集和验证集;
构建机器学习模型;
将所述训练集输入到所述机器学习模型中进行训练,将酸性气体排放数据的实际值与预测值的误差前馈进行模型优化,得到最终预测模型。
2.根据权利要求1所述的一种酸性气体排放浓度预测方法,其特征在于,所述数据样本包括连续变量、分类变量、酸性气体浓度;所述连续变量为生活垃圾组分,所述分类变量为焚烧炉类型;所述生活垃圾组分、焚烧炉类型作为输入数据,酸性气体浓度作为输出数据。
3.根据权利要求2所述的一种酸性气体排放浓度预测方法,其特征在于,对输入数据进行预处理,包括连续变量预处理和分类变量预处理。
4.根据权利要求3所述的一种酸性气体排放浓度预测方法,其特征在于,所述连续变量预处理的步骤为:
对所述连续变量进行去共线性,得到第一变量;
将所述第一变量进行归一化,得到最终变量。
6.根据权利要求3所述的一种酸性气体排放浓度预测方法,其特征在于,所述分类变量预处理的步骤为:
对所述分类变量进行数据相关性分析筛选,得到不同的变量分组;
通过独热编码对所述变量分组进行重编辑,形成多维矩阵。
7.根据权利要求1所述的一种酸性气体排放浓度预测方法,其特征在于,所述测试集采用变量并联输入的方式输入所述机器学习模型。
8.根据权利要求1所述的一种酸性气体排放浓度预测方法,其特征在于,利用所述测试集采用均方根参数作为误差传递函数,构成前馈式机器学习预测模型。
9.一种酸性气体排放浓度预测系统,其特征在于,包括数据采集模块、模型构建模块、模型训练模块;其中,
所述数据采集模块,用于采集数据样本并对所述数据样本进行预处理,得到第一数据样本,将所述第一数据样本分为测试集、训练集和验证集;
所述模型构建模块,用于构建机器学习模型;
所述模型训练模块,用于将所述训练集输入到所述机器学习模型中进行训练,将酸性气体排放数据的实际值与预测值的误差前馈进行模型优化,得到最终预测模型。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8中任意一项所述的一种酸性气体排放浓度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197687.9A CN113947142A (zh) | 2021-10-14 | 2021-10-14 | 一种酸性气体排放浓度预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197687.9A CN113947142A (zh) | 2021-10-14 | 2021-10-14 | 一种酸性气体排放浓度预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947142A true CN113947142A (zh) | 2022-01-18 |
Family
ID=79330431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197687.9A Pending CN113947142A (zh) | 2021-10-14 | 2021-10-14 | 一种酸性气体排放浓度预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947142A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454327A (zh) * | 2023-12-26 | 2024-01-26 | 山东建筑大学 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356710A (zh) * | 2017-07-06 | 2017-11-17 | 环境保护部华南环境科学研究所 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统 |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
WO2019154248A1 (zh) * | 2018-02-12 | 2019-08-15 | 浙江大学 | 一种焚烧炉内生活垃圾组分实时检测装置和方法 |
CN112070156A (zh) * | 2020-09-07 | 2020-12-11 | 广东电科院能源技术有限责任公司 | 一种由gru网络的气体排放浓度预测方法及系统 |
-
2021
- 2021-10-14 CN CN202111197687.9A patent/CN113947142A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356710A (zh) * | 2017-07-06 | 2017-11-17 | 环境保护部华南环境科学研究所 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统 |
WO2019154248A1 (zh) * | 2018-02-12 | 2019-08-15 | 浙江大学 | 一种焚烧炉内生活垃圾组分实时检测装置和方法 |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
CN112070156A (zh) * | 2020-09-07 | 2020-12-11 | 广东电科院能源技术有限责任公司 | 一种由gru网络的气体排放浓度预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
林杰斌 等: "SPSS 12统计建模与应用实务", vol. 2006, 28 February 2006, 中国铁道出版社, pages: 427 * |
穆璐莹;王伟权;张沁慧;: "垃圾焚烧发电厂烟气干法脱酸系统温度的控制", 中国环保产业, no. 12, 20 December 2014 (2014-12-20) * |
许崇涛 等: "城市生活垃圾焚烧过程中NO_x的生成与控制研究进展", 工业锅炉, no. 4, 30 April 2014 (2014-04-30), pages 1 - 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454327A (zh) * | 2023-12-26 | 2024-01-26 | 山东建筑大学 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
CN117454327B (zh) * | 2023-12-26 | 2024-03-15 | 山东建筑大学 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
Mottola | Kinetic aspects of analytical chemistry | |
Frey et al. | Characterizing, simulating, and analyzing variability and uncertainty: an illustration of methods using an air toxics emissions example | |
CN110489785B (zh) | 一种大气污染物在线源解析方法及系统 | |
Burchard-Levine et al. | A hybrid evolutionary data driven model for river water quality early warning | |
CN113570163B (zh) | 基于数学模型的大气臭氧浓度预测方法、系统和装置 | |
CN112034801B (zh) | 挥发性有机污染物总量排污系数计算方法、系统及终端 | |
Guo et al. | Modeling and optimization of wet flue gas desulfurization system based on a hybrid modeling method | |
CN112183709B (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
CN110135057B (zh) | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 | |
CN112034800B (zh) | 挥发性有机污染物无组织排放量计算方法、系统、介质及终端 | |
CN111260149B (zh) | 一种二噁英排放浓度预测方法 | |
CN114912079B (zh) | 污水厂碳排放量的计算方法、装置、设备及存储介质 | |
CN113947142A (zh) | 一种酸性气体排放浓度预测方法、系统及存储介质 | |
CN110070220A (zh) | 一种基于神经网络算法的氨氮指标软测量方法 | |
Gocheva-Ilieva et al. | Assaying SARIMA and generalised regularised regression for particulate matter PM10 modelling and forecasting | |
Zomchak et al. | Economic Growth and Environmental Degradation: Data Intelligence for Sustainable Environment | |
CN111462835A (zh) | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 | |
CN105241823A (zh) | 基于稀疏表示的火电厂烟气光谱定量分析方法 | |
CN116720610A (zh) | 一种用于住宅建筑的碳排放预测方法及系统 | |
CN116110506A (zh) | 一种mswi过程二噁英排放浓度在线软测量方法 | |
CN114813618A (zh) | 一种基于机器学习和红外光谱技术快速识别固体废物碳比例的方法 | |
CN109872079A (zh) | 基于生命周期评价的燃煤热电系统环境影响评估方法 | |
Karaca et al. | Application of inductive learning: air pollution forecast in Istanbul, Turkey | |
CN117454327B (zh) | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
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 |