CN114647971A - 一种溶解氧调控方法和装置 - Google Patents
一种溶解氧调控方法和装置 Download PDFInfo
- Publication number
- CN114647971A CN114647971A CN202011511781.2A CN202011511781A CN114647971A CN 114647971 A CN114647971 A CN 114647971A CN 202011511781 A CN202011511781 A CN 202011511781A CN 114647971 A CN114647971 A CN 114647971A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- aeration
- aerator
- rule table
- control rule
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 193
- 239000001301 oxygen Substances 0.000 title claims abstract description 193
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005273 aeration Methods 0.000 claims abstract description 66
- 238000005276 aerator Methods 0.000 claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 43
- 230000001105 regulatory effect Effects 0.000 claims abstract description 41
- 230000001276 controlling effect Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000009360 aquaculture Methods 0.000 description 7
- 244000144974 aquaculture Species 0.000 description 7
- 238000006213 oxygenation reaction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 241000251468 Actinopterygii Species 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K63/00—Receptacles for live fish, e.g. aquaria; Terraria
- A01K63/04—Arrangements for treating water specially adapted to receptacles for live fish
- A01K63/042—Introducing gases into the water, e.g. aerators, air pumps
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明涉及一种溶解氧调控方法和装置，其中，溶解氧调控方法包括：采集待调控水质的数据，生成输入因子；根据输入因子，通过溶解氧预测模型，获得预测溶解氧；根据预测溶解氧，通过控制规则表，确定增氧量，其中，控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成，该方法具有调节精度高、调节及时的特点。
Description
技术领域
本发明涉及农业计算机信息处理领域，尤其涉及一种溶解氧调控方法和装置。
背景技术
我国是水产养殖大国，养殖水体是水产品栖息的重要场所，其中水体溶解氧是确保水产品健康生长最重要的生态因子。
目前，水产养殖溶解氧调控基本上依靠养殖工人经验，采用定时加氧或者全天大功率开启增氧机方式为养殖鱼类提供生存所需的氧气。
然而，依靠养殖工人经验采用定时加氧，主观因素多、不确定性大，难以获得精确的溶解氧调节，全天大功率开启增氧机使溶解氧含量处于过饱和状态，不仅造成资源的严重浪费，增加养殖成本，而且，长期处于溶解氧过饱和的水体会使鱼类患一种气泡病，尤其对鱼卵和幼鱼的危害更大。因此，如何获得溶解氧的精确调节，是一个亟待解决的问题。
发明内容
针对现有技术存在的问题，本发明提供一种溶解氧调控方法和装置。
本发明提供一种溶解氧调控方法，包括：
采集待调控水质的数据，生成输入因子；
根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；
根据所述预测溶解氧，通过所述控制规则表，确定增氧量，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
根据本发明提供一种溶解氧调控方法，所述生成控制规则表，包括：
通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系；
根据所述量化关系生成所述控制规则表。
根据本发明提供一种溶解氧调控方法，所述生成输入因子，包括：
分析所述水质数据与溶解氧之间的相关性，获得所述输入因子。
根据本发明提供一种溶解氧调控方法，所述增氧量通过控制增氧机的开启时间获得。
根据本发明提供一种溶解氧调控方法，通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系之前，包括：
通过不同起始溶解氧浓度、不同曝气流量下的溶解氧增氧实验，获得所述溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的相互关系数据。
本发明还提供一种溶解氧调控装置，包括：
采集单元，采集待调控水质的数据，生成输入因子；
预测单元，根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；
控制单元，根据所述预测溶解氧，通过所述控制规则表，确定增氧机开启时间，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
根据本发明提供一种溶解氧调控装置，所述控制单元通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系；
根据所述量化关系生成所述控制规则表。
根据本发明提供一种溶解氧调控装置，所述预测单元通过分析所述水质数据与溶解氧之间的相关性，获得所述输入因子。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述溶解氧调控方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述溶解氧调控方法的步骤。
本发明提供的溶解氧调控方法和装置，通过采集待调控水质的数据，生成输入因子；根据输入因子，通过溶解氧预测模型，获得预测溶解氧；根据预测溶解氧，通过控制规则表，确定增氧量。利用控制规则表获得曝气流量，溶解氧初始浓度，增氧机开启时间之间的量化关系，通过预测模型模型提前得到预测溶解氧。利用控制规则表实现了溶解氧的精确调节。
附图说明
图1为本发明提供的溶解氧调控方法的流程示意图之一；
图2为本发明提供的溶解氧调控方法的流程示意图之二；
图3为本发明提供的溶解氧增氧实验数据；
图4为本发明提供的溶解氧调控方法的三维曲面图；
图5为本发明提供的溶解氧调控装置的结构示意图；
图6为本发明提供的溶解氧调控装置的结构框图；
图7为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
下面结合图1描述本发明的溶解氧调控方法。
图1是根据本发明一个实施例的溶解氧调控方法的原理框图。如图1所示，根据本发明一个实施例的溶解氧调控方法包括：
S101、采集待调控水质的数据，生成输入因子。
具体的，待调控水质的数据包括溶解氧、温度、pH值、浊度、叶绿素等。
S102、根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧。
具体的，可以选择通过人工神经网络或者深度学习网络构建溶解氧预测模型，以输入因子作为溶解氧预测模型的输入量，预测获得待调控水质的溶解氧。
通过提前预测待调控水质的溶解氧，能够提供及时的氧调节。
S103、根据所述预测溶解氧，通过所述控制规则表，确定增氧量，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
具体的，控制规则表建立了溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系，根据预测溶解氧，查询控制规则表可以获得确定增氧量。
本发明的溶解氧调控方法通过控制规则表，建立了溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系，能够精确调控溶解氧，具有溶解氧调控精度高、调控及时的特点。
本发明实施例还包括一种溶解氧调控方法，如图2所示，根据本发明一个实施例的溶解氧调控方法包括：
S201、采集待调控水质的数据。
S202、分析所述水质数据与溶解氧之间的相关性，获得所述输入因子。
具体的，分析步骤S201中的待调控水质的数据与溶解氧之间的相关性，选择待调控水质的数据中的主要因子作为输入因子。
S203、根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧。
第二个实施例中的步骤S203和第一个实施例的步骤S102一样，因此，对于具体的解释就不做详细展开。
S204、通过不同起始溶解氧浓度、不同曝气流量下的溶解氧增氧实验，获得所述溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的相互关系数据。
具体的，本实施例中以养殖水缸中的水作为带调节的水对象，分别在4种不同曝气流量(0.9m3/h,1.8m3/h,2.7m3/h,3.6m3/h)和在不同溶解氧初始浓度下，进行增氧实验，记录每一种实验达到饱和浓度时增氧机的开启时间。这样得到一个三维矩阵数据(曝气流量，溶解氧初始浓度，增氧机开启时间)。图3为实验记录的部分实验数据。其中，曝气流量(m3/h)是指通入水中的空气流量，可以通过调节增氧机的工作功率获得；溶解氧初始浓度(mg/L)是指开启增氧机时刻的溶解氧浓度；增氧机开启时间(h)是指溶解氧到达饱和时需要的时间。由图3可见，通过实验获得了曝气流量，溶解氧初始浓度，增氧机开启时间之间的关系。
S205、通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系；根据所述量化关系生成所述控制规则表。
具体的，将步骤S204获得的记录的数据在Matlab中进行曲面拟合，得到如图4所示的三维曲面图。图4中的点A的含义为，当溶解氧初始浓度为4.903mg/L，在曝气流量3.426m3/h的作用下，养殖水体溶解氧达到饱和时，增氧机需要开启0.5119h。由图4可知，当溶解氧初始浓度越低，曝气流量越小时，水中溶解氧达到饱和值所需要的时间就越长；相同曝气流量下，溶解氧初始浓度越高，到达饱和值时，增氧机开启时间就越少；相同初始溶解氧浓度下，曝气流量越大，到达饱和值时，增氧机开启时间就越少。根据图4，可以将曝气流量(增氧机工作功率)，溶解氧增氧初始浓度和增氧机开启时间之间的关系进行精确量化，制定成一个可以合理控制增氧机的控制规则库。
S206、根据所述预测溶解氧，通过所述控制规则表，确定增氧量。
第二个实施例中的步骤S206和第一个实施例的步骤S103一样，因此，对于具体的解释就不做详细展开。
本发明的溶解氧调控方法具有调控精度高的特点。
下面对本发明提供的溶解氧调控装置进行描述，下文描述的溶解氧调控装置与上文描述的溶解氧调控可相互对应参照。如图5所示，本发明提供的溶解氧调控装置包括：
采集单元501，采集待调控水质的数据，生成输入因子。
具体的，待调控水质的数据包括溶解氧、温度、pH值、浊度、叶绿素等。
预测单元502，根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧。
具体的，可以选择通过人工神经网络或者深度学习网络构建溶解氧预测模型，以输入因子作为溶解氧预测模型的输入量，预测获得待调控水质的溶解氧。
通过提前预测待调控水质的溶解氧，能够提供及时的氧调节。
控制单元503，根据所述预测溶解氧，通过所述控制规则表，确定增氧量，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
具体的，控制规则表建立了溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系，根据预测溶解氧，查询控制规则表可以获得确定增氧机开启时间。
本发明的溶解氧调控装置通过控制规则表，建立了溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系，能够精确调控溶解氧，具有溶解氧调控精度高、调控及时的特点。
本发明实施例还包括一种溶解氧调控装置包括：采集待调控水质的数据，生成输入因子，根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；根据所述预测溶解氧，通过所述控制规则表，确定增氧机开启时间。对于前述特征的详细解释，可以参见前述实施例，在此便不再赘述。
可选的，所述控制单元通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系；根据所述量化关系生成所述控制规则表。所述预测单元通过分析所述水质数据与溶解氧之间的相关性，获得所述输入因子。
具体的，图6为本发明提供的溶解氧调控装置的结构框图。如图6所示，增氧数据单元601，通过不同起始溶解氧浓度、不同曝气流量下的溶解氧增氧实验，获得所述溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的相互关系数据。在Matlab中对所得的相互关系数据进行曲面拟合，得到三维曲面图，可以将曝气流量(增氧机工作功率)，溶解氧增氧初始浓度和增氧机开启时间之间的关系进行精确量化，制定成可以合理控制增氧机的控制规则库603。水质数据获取单元602，用于获取待调控水质的数据，包括溶解氧、温度、pH值、浊度、叶绿素等。分析待调控水质的数据与溶解氧之间的相关性，选择待调控水质的数据中的主要因子作为输入因子。预测模型604可以选择通过人工神经网络或者深度学习网络构建，水质数据获取单元602确定的输入因子作为预测模型604的输入量，获得预测溶解氧。
将控制规则库603和预测模型604嵌入水产养殖水质监控平台605，水产养殖水质监控平台605中的计算机监控中心，基于预测模型604提供的溶解氧的预测值，调用控制规则库603，得到合理的增氧控制量606。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)703、存储器(memory)702和通信总线704，其中，处理器701，通信接口703，存储器702通过通信总线704完成相互间的通信。处理器701可以调用存储器702中的逻辑指令，以执行溶解氧调控方法，该方法包括：采集待调控水质的数据，生成输入因子；根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；根据所述预测溶解氧，通过所述控制规则表，确定增氧机开启时间，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
此外，上述的存储器701中的逻辑指令可以通过软件功能单元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，本发明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，服务器，或者网络设备等)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的溶解氧调控方法，该方法包括：采集待调控水质的数据，生成输入因子；根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；根据所述预测溶解氧，通过所述控制规则表，确定增氧机开启时间，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的溶解氧调控方法，该方法包括：采集待调控水质的数据，生成输入因子；根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；根据所述预测溶解氧，通过所述控制规则表，确定增氧机开启时间，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种溶解氧调控方法，其特征在于，包括：
采集待调控水质的数据，生成输入因子；
根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；
根据所述预测溶解氧，通过所述控制规则表，确定增氧量，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
2.根据权利要求1所述的溶解氧调控方法，其特征在于，所述生成控制规则表，包括：
通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系；
根据所述量化关系生成所述控制规则表。
3.根据权利要求1所述的溶解氧调控方法，其特征在于，所述生成输入因子，包括：
分析所述水质数据与溶解氧之间的相关性，获得所述输入因子。
4.根据权利要求1所述的溶解氧调控方法，其特征在于，
所述增氧量通过控制增氧机的开启时间获得。
5.根据权利要求2所述的溶解氧调控方法，其特征在于，通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系之前，包括：
通过不同起始溶解氧浓度、不同曝气流量下的溶解氧增氧实验，获得所述溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的相互关系数据。
6.一种溶解氧调控装置，其特征在于，包括：
采集单元，采集待调控水质的数据，生成输入因子；
预测单元，根据所述输入因子，通过溶解氧预测模型，获得预测溶解氧；
控制单元，根据所述预测溶解氧，通过所述控制规则表，确定增氧量，其中，所述控制规则表通过溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的关系而生成。
7.根据权利要求6所述的溶解氧调控装置，其特征在于，所述控制单元通过曲面拟合获得溶解氧增氧初始浓度、曝气流量和增氧机开启时间之间的量化关系；
根据所述量化关系生成所述控制规则表。
8.根据权利要求6所述的溶解氧调控装置，其特征在于，所述预测单元通过分析所述水质数据与溶解氧之间的相关性，获得所述输入因子。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述溶解氧调控方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述溶解氧调控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011511781.2A CN114647971A (zh) | 2020-12-18 | 2020-12-18 | 一种溶解氧调控方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011511781.2A CN114647971A (zh) | 2020-12-18 | 2020-12-18 | 一种溶解氧调控方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114647971A true CN114647971A (zh) | 2022-06-21 |
Family
ID=81991429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011511781.2A Pending CN114647971A (zh) | 2020-12-18 | 2020-12-18 | 一种溶解氧调控方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114647971A (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 |
| CN115879771A (zh) * | 2023-02-20 | 2023-03-31 | 华南师范大学 | 一种养殖池塘溶解氧智能调控方法及系统 |
| CN116998453A (zh) * | 2023-09-28 | 2023-11-07 | 中国科学院水生生物研究所 | 一种用于水产养殖的智能低氧预警系统 |
-
2020
- 2020-12-18 CN CN202011511781.2A patent/CN114647971A/zh active Pending
Cited By (5)
| 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 |
| CN115879771A (zh) * | 2023-02-20 | 2023-03-31 | 华南师范大学 | 一种养殖池塘溶解氧智能调控方法及系统 |
| CN116998453A (zh) * | 2023-09-28 | 2023-11-07 | 中国科学院水生生物研究所 | 一种用于水产养殖的智能低氧预警系统 |
| CN116998453B (zh) * | 2023-09-28 | 2024-01-05 | 中国科学院水生生物研究所 | 一种用于水产养殖的智能低氧预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114647971A (zh) | 一种溶解氧调控方法和装置 | |
| Kooijman | Dynamic energy and mass budgets in biological systems | |
| CN108450386B (zh) | 一种工厂化水产养殖的水质调控系统与方法 | |
| Imsland et al. | Stochastic simulation of size variation in turbot: possible causes analysed with an individual‐based model | |
| Adrian et al. | Flies evolved small bodies and cells at high or fluctuating temperatures | |
| Solari et al. | A general allometric and life-history model for cellular differentiation in the transition to multicellularity | |
| Salas et al. | Coping with the loss of large, energy‐dense prey: a potential bottleneck for Weddell Seals in the Ross Sea | |
| White | Limitation of populations by weather-driven changes in food: a challenge to density-dependent regulation | |
| Chaparro‐Pedraza et al. | Environmental change effects on life‐history traits and population dynamics of anadromous fishes | |
| Hagiwara et al. | Mass culture and preservation of Brachionus plicatilis sp. complex | |
| Sukrismon et al. | Smart fish pond for economic growing in catfish farming | |
| Kirkman et al. | Dive behaviour and foraging effort of female Cape fur seals Arctocephalus pusillus pusillus | |
| CN114442686B (zh) | 溶解氧浓度的控制方法、装置、电子设备及存储介质 | |
| CN117493860B (zh) | 一种海洋贝类养殖生态容量评估方法及系统 | |
| Ellis et al. | What is stocking density? | |
| Carpenter | Temporal variance in lake communities: blue-green algae and the trophic cascade | |
| Chojnacki et al. | Physical characteristics and simulated transport of pallid sturgeon and shovelnose sturgeon eggs | |
| Downing et al. | Effects of resources and mortality on the growth and reproduction of Nile perch in Lake Victoria | |
| Nakazawa et al. | Implications of resting eggs of zooplankton for the paradox of enrichment | |
| Thornton et al. | Modeling and optimization of algae growth | |
| CN109460869B (zh) | 水环境预警方法和装置 | |
| Biswas et al. | Climate change impacts on fish catch in the world fishing grounds | |
| CN112772474B (zh) | 基于大泷六线鱼种群动态deb-ibm模型以及建模方法 | |
| Woods et al. | Oxygen profiles in egg masses predicted from a diffusion–reaction model | |
| Zeller et al. | A preliminary north-east Atlantic marine ecosystem model: the Faroe Islands and ICES Area Vb |
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 |