CN114649066A - 一种提升d-氨基酸减缓mbr膜污染效能的智能优化方法 - Google Patents
一种提升d-氨基酸减缓mbr膜污染效能的智能优化方法 Download PDFInfo
- Publication number
- CN114649066A CN114649066A CN202011490381.8A CN202011490381A CN114649066A CN 114649066 A CN114649066 A CN 114649066A CN 202011490381 A CN202011490381 A CN 202011490381A CN 114649066 A CN114649066 A CN 114649066A
- Authority
- CN
- China
- Prior art keywords
- daa
- mbr
- membrane
- operating conditions
- pollution
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 77
- 150000008574 D-amino acids Chemical class 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000000979 retarding effect Effects 0.000 title description 4
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000010865 sewage Substances 0.000 claims abstract description 8
- 238000012417 linear regression Methods 0.000 claims abstract description 6
- 238000011217 control strategy Methods 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 238000009285 membrane fouling Methods 0.000 claims description 16
- 238000002474 experimental method Methods 0.000 claims description 4
- 244000005700 microbiome Species 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000002209 hydrophobic effect Effects 0.000 claims description 3
- 238000005211 surface analysis Methods 0.000 claims description 3
- 239000007864 aqueous solution Substances 0.000 claims description 2
- 239000012459 cleaning agent Substances 0.000 claims description 2
- 239000010802 sludge Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013433 optimization analysis Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000012554 master batch record Methods 0.000 description 25
- 238000013461 design Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/1236—Particular type of activated sludge installations
- C02F3/1268—Membrane bioreactor systems
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/28—Anaerobic digestion processes
- C02F3/2853—Anaerobic digestion processes using anaerobic membrane bioreactors
-
- 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)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Microbiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Hydrology & Water Resources (AREA)
- Organic Chemistry (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Separation Using Semi-Permeable Membranes (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明从数学模型的角度,利用多元线性回归分析(MLR)与响应面优化(RSM)相结合的方法,通过对D‑氨基酸(DAA)应用于MBR污水处理过程中操作条件参数的智能调控与优化预测,实现MBR膜污染的减缓并促进DAA在MBR系统中的进一步应用,可为MBR膜生物污染问题的解决提供新型、有效的控制策略。本发明将DAA‑MBR中操作条件与膜污染速率之间的关系进行拟合优化分析,定量评价了各个操作条件对膜污染速率的影响程度,并确定了操作条件的最佳组合工艺参数。同时有效预测了试验范围内和试验范围外的各个水平的操作条件下DAA‑MBR膜污染速率的数值与趋势。本发明不仅能够通过智能调控和优化操作条件实现DAA‑MBR膜污染的减缓,促进DAA在MBR中的应用,而且计算简便、实用性强,可为膜生物污染控制中的工艺优化提供指导。
Description
技术领域
本发明属于污水处理领域,具体涉及一种提升D-氨基酸减缓MBR水处理过程中膜污染效能的智能优化方法,即利用多元线性回归分析(MLR)与响应面优化(RSM)相结合的方法,通过对D-氨基酸应用于MBR污水处理过程中操作条件参数的智能调控与优化预测,实现MBR膜污染的减缓并促进D-氨基酸在MBR系统中的进一步应用。
背景技术
膜生物反应器(Membrane Bioreactor,MBR)利用膜分离装置代替传统的二沉池,实现了固液的有效分离,被视为最具发展潜力和应用前景的污水处理新工艺之一。然而膜污染是限制MBR进一步工业化应用的瓶颈问题,如何减缓MBR膜污染问题是目前研究的热点。MBR中的膜污染主要是由于微生物自发地聚集在膜表面及膜孔内,形成生物膜,造成膜的不可逆堵塞,引起膜通量的持续下降。一旦形成,生物膜很难根除。传统的基于物理化学原理的减缓膜生物污染方法,如膜表面改性、操作条件的优化、物理化学清洗等,具有效率低、耗能,对微生物有害等缺点。近期D-氨基酸(DAA)作为一种新型的、环境友好型的非杀菌的生物抑制剂,引起了广泛的关注。
然而,DAA应用于MBR膜生物污染控制的可行性还未可知。因此,通过将DAA简单地投加到MBR系统中,建立一种新型的DAA-MBR系统,以期为DAA有效缓减MBR膜生物污染提供一条可行的途径。此外,利用DAA控制MBR膜生物污染的过程中,操作条件是影响膜生物污染性能的关键因素。因此,研究操作条件对提高DAA在MBR系统中的潜在适用性、减缓膜生物污染具有重要的意义。
目前,通过数学模型优化实验条件以促进研究的发展已经引起高度重视。由于整个实验周期冗长,实验过程复杂,难度较大;此外,对不同实验条件的探索还会增加实验操作的成本,甚至会限制对所研究的DAA-MBR膜生物污染科学规律本质的认识。
综上所述,本发明的目的在于从数学模型的角度,利用多元线性回归分析(MLR)与响应面优化(RSM)相结合的方法,通过对D-氨基酸应用于MBR污水处理过程中操作条件参数的智能调控与优化预测,实现MBR膜污染的减缓并提升D-氨基酸在MBR系统中的进一步应用,可为MBR膜生物污染问题的解决提供新型、有效的控制策略。
发明内容
本发明的目的在于针对利用DAA抑制MBR膜生物污染的操作优化过程中存在的问题,提出一种利用MLR与RSM相结合实现对DAA-MBR系统污水处理过程中操作条件参数的智能调控和优化预测的新方法。
即通过利用MLR拟合线性方程来模拟预测变量(DAA-MBR系统的膜污染速率)和响应变量(操作条件)之间的关系,以定量评价单个操作条件对膜污染速率的影响程度,筛选主控因子;为进一步优化操作参数,基于MLR单因素试验的基础上,应用响应面分析中的Box-Behnken原理设计三因素两水平试验,以DAA-MBR系统操作条件为自变量,膜污染速率为响应值,进一步考察操作条件的交互作用,探寻最优操作条件组合工艺参数,并优化实现最低的膜污染速率。此外,MLR和RSM分别能实现单因素操作条件和多因素操作条件交互组合下对DAA-MBR膜污染速率的预测,使用相对较少的数据提供有用的结果,实现DAA-MBR系统中对操作条件的智能调控与优化预测,可进一步减缓DAA-MBR系统的膜生物污染并提升DAA在MBR中的应用。
本发明通过以下技术方案来实现其目的:
(1)MLR单因素交互分析
MLR模型可以通过拟合线性方程来模拟变量(独立变量)和响应变量(独立变量)之间关系的性质。系数值可以帮助采用合适的模型进行预估线性相关自变量的回归方程并给出因变量的准确预测,相关系数分析可定量评价单个影响因子对响应变量的影响程度,筛选主控因子。通过这种方式,MLR可用于确定各种操作条件参数对MBR膜污染速率的影响,并为DAA应用于MBR减缓膜生物污染提供指导。本研究中的MLR公式表示如下:
开发MLR模型涉及的步骤如下:
步骤一:建立DAA-MBR概念性操作条件-膜污染速率的MLR模型,如图2所示;
步骤二:根据模型中包含的变量收集数据,即设计试验方案,并进行重复试验,得到与其相关操作条件有关的DAA-MBR系统膜污染速率;
步骤三:将收集的数据进行处理并导人到SPSS软件中,进行多元线性逐步回归,同时进行显著性和复相关系数的检验,建立反映自变量与因变量关系的最优方程;
步骤四:该数值模型可用于定量评价单个操作条件对DAA-MBR膜污染的影响程度,筛选主控因子以及判定各个操作条件之间的交互作用。
(2)RSM多因素组合优化
MLR模型反映了各个操作条件与DAA-MBR膜污染速率之间的联系及其交互作用,为进一步综合各个情况以寻找使得DAA-MBR膜污染速率较低的最佳操作条件组合,提出了一种基于Box-Behnken响应面法优化操作条件以减缓DAA-MBR膜污染速率并提高DAA在MBR中应用的方法。通过建立连续变量曲线模型,对影响响应值的因素水平及其交互作用进行优化,从而可以快速有效地确定多因子系统的最佳条件。
本发明将DAA-MBR的膜污染速率作为响应值,选取对污染速率影响较大的三个操作条件,在单因素试验基础上,设计三因素两水平的响应面分析试验,进而优化DAA-MBR系统的最佳操作组合工艺条件。
RSM多因素系统组合优化涉及的步骤如下:
步骤一:根据(1)中的MLR模型,得出DAA-MBR系统中影响膜污染速率的操作条件,并筛选各个操作条件的参数范围;
步骤二:根据步骤一各操作条件的参数范围,结合响应面法,以操作条件为考察对象,以DAA-MBR膜污染速率为评价指标,设计三因素两水平试验表;
步骤三:根据步骤二得出的三因素两水平试验表,运用Design Expert 8.0软件进行Box-Behnken响应面优化设计。
步骤四:根据优化后的操作条件组合工艺可得出影响DAA-MBR膜污染速率的最佳操作条件组合,进一步验证试验结论并指导未来的操作工艺设计。
(3)模型组合优化预测
基于RSM响应面法优化预测,将复杂的、未知的函数关系在试验范围的小区域范围内用多项式进行拟合。同时,所得的模型是连续的,在试验条件寻优过程中,可以连续地对试验范围内的各个水平进行预测。
而基于MLR模型分析的预测方法是通过多元线性回归方程预测单个影响因素在不同情况下所对应的膜污染速率变化趋势,同时定量预测试验范围以外的膜污染速率随特定操作条件的变化等。
综上所述,本发明提出一种提升D-氨基酸减缓MBR膜污染效能的智能优化方法具有以下优点:
(1)该组合模型考虑了试验的随机误差,将DAA-MBR中操作条件与膜污染速率之间的关系进行拟合优化分析,定量评价了各个操作条件对膜污染速率的影响程度,并确定了操作条件的最佳组合工艺参数。
(2)该组合模型有效预测了试验范围内和试验范围外的各个水平的操作条件下DAA-MBR膜污染速率的数值与趋势。
(3)该方法不仅能够通过智能调控和优化操作条件实现DAA-MBR膜污染的减缓,促进DAA在MBR中的应用,而且计算简便、实用性强,可为MBR膜生物污染问题的解决提供新型、有效的控制策略。
附图说明
图1为提升D-氨基酸减缓MBR膜污染效能的智能优化方法的机制原理图。
图2为MLR的概念模型图。
图3为采用MLR模型预测的趋势图。
图4为采用RSM模型预测的趋势图。
具体实施方式
以下将结合附图和具体实施例对本发明作进一步阐述。需要注意的是,此处是对本发明的进一步说明,而不是对本发明的限制。
实施例1:
在本实施例中,选取由实验测得的跨膜压差(TMP)经过数据处理后得到能够反映膜污染速率的数据作为评价指标,操作条件作为影响因子,利用SPSS 22.0软件对二者进行多元线性回归分析。具体分类及数值如下:
表1评价指标与影响因素的参数范围及分类表
其中,膜特性、DAA添加时间和DAA控制模式为3个影响膜污染速率的影响因素,其所对应的参数范围分别为-1和1。其中,膜特性所对应的-1代表亲水性膜组件,1代表的是疏水性的膜组件;DAA添加时间中,-1代表的是运行前添加,即DAA先与微生物反应4h后再将污泥接种到MBR中,1代表的是运行后添加,即运行到TMP达到15kPa时添加DAA;DAA控制模式中,-1代表DAA作为清洗剂,在膜组件污染后,将膜组件在D-氨基酸的水溶液中浸泡4h,1代表DAA作为添加剂,添加到MBR中进行膜污染控制。
通过数据整理分析,不同操作条件下的膜污染速率的统计表如下:
表2不同操作条件下的膜污染速率数值统计表
将以上数据经过处理后导人到SPSS 22.0软件中进行多元线性逐步回归分析,可得到的反应操作条件与膜污染速率之间的最优方程为:
y=1.281+0.089-0.287x3 2-0.126x1x2+0.088x1x3+0.049x2x3
其中,整个复相关系数R2为1.000,显著性P<0.5,说明各个操作条件对膜污染速率产生显著影响,具有统计学意义。此外,膜特性、DAA添加时间、DAA控制模式等操作条件的皮尔逊相关系数分别为0.352、0.349、-0.721,证明三者对于膜污染速率的贡献率均较大,尤其是DAA控制模式。
由以上的MLR模型可得,膜特性、DAA添加时间、DAA控制模式均对膜污染速率产生显著影响,因此,将这三个影响因素均作为考察对象,结合膜污染速率作为评价指标,运用RSM优化法探寻最优的操作条件的组合工艺,即膜特性:疏水性膜;DAA添加时间:运行前添加;DAA控制模式:添加剂。
其中,三因素两水平试验表如表2所示,采用Box-Behnken响应面法优化得到最优的操作条件组合为:
经过以上分析,通过该组合模型有效预测了试验范围内和试验范围外的各个水平的操作条件下DAA-MBR膜污染速率的数值与趋势,如图3和图4。
Claims (7)
1.从数学模型的角度,利用多元线性回归分析(MLR)与响应面优化(RSM)相结合的方法,通过对D-氨基酸(DAA)应用于MBR污水处理过程中操作条件参数的智能调控与优化预测,实现MBR膜污染速率的减缓并促进DAA在MBR系统中的进一步应用,可为MBR膜生物污染问题的解决提供新型、有效的控制策略。
2.根据权利要求1所述的DAA应用于MBR污水处理过程中的操作条件为膜特性、DAA添加时间、DAA控制模式等。
3.根据权利要求2所述的操作条件的参数范围分别为-1和1。
其中,膜特性所对应的-1代表亲水性膜组件,1代表的是疏水性的膜组件;DAA添加时间中,-1代表的是运行前添加,即DAA先与微生物反应4h后再将污泥接种到MBR中,1代表的是运行后添加,即运行到TMP达到15kPa时添加DAA;DAA控制模式中,-1代表DAA作为清洗剂,在膜组件污染后,将膜组件在D-氨基酸的水溶液中浸泡4h,1代表DAA作为添加剂添加到MBR中进行膜污染控制。
4.根据权利要求1所述的膜污染速率为由实验测得的跨膜压差(TMP)经过计算处理后得到能够反映膜污染速率的数据。
5.根据权利要求1所述的MLR模型,即将收集的数据进行处理并导入到SPSS软件中,进行多元线性逐步回归。
6.根据权利要求1所述的RSM模型,将DAA-MBR的膜污染速率作为响应值,依据MLR模型选取对污染速率影响较大的三个操作条件,在单因素试验基础上,设计三因素两水平的响应面分析试验。
7.根据权利要求1所述的将MLR和RSM结合,可有效预测试验范围内和试验范围外的各个水平的操作条件下DAA-MBR膜污染速率的数值与趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490381.8A CN114649066A (zh) | 2020-12-17 | 2020-12-17 | 一种提升d-氨基酸减缓mbr膜污染效能的智能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490381.8A CN114649066A (zh) | 2020-12-17 | 2020-12-17 | 一种提升d-氨基酸减缓mbr膜污染效能的智能优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114649066A true CN114649066A (zh) | 2022-06-21 |
Family
ID=81991338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011490381.8A Pending CN114649066A (zh) | 2020-12-17 | 2020-12-17 | 一种提升d-氨基酸减缓mbr膜污染效能的智能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114649066A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102892427A (zh) * | 2010-03-31 | 2013-01-23 | 稳定性科技有限公司 | 用于稳定病毒颗粒、多肽或生物材料的赋形剂 |
CN103241830A (zh) * | 2013-05-30 | 2013-08-14 | 南开大学 | 一种mbr膜生物污染的综合控制方法 |
CN103933865A (zh) * | 2014-03-26 | 2014-07-23 | 南京大学 | 一种快速确定水处理中纳滤膜种类和操作条件的方法 |
CN111612235A (zh) * | 2020-05-13 | 2020-09-01 | 吉林省农业科学院 | 一种养殖污水处理磁分离工艺参数组合优化方法 |
-
2020
- 2020-12-17 CN CN202011490381.8A patent/CN114649066A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102892427A (zh) * | 2010-03-31 | 2013-01-23 | 稳定性科技有限公司 | 用于稳定病毒颗粒、多肽或生物材料的赋形剂 |
CN103241830A (zh) * | 2013-05-30 | 2013-08-14 | 南开大学 | 一种mbr膜生物污染的综合控制方法 |
CN103933865A (zh) * | 2014-03-26 | 2014-07-23 | 南京大学 | 一种快速确定水处理中纳滤膜种类和操作条件的方法 |
CN111612235A (zh) * | 2020-05-13 | 2020-09-01 | 吉林省农业科学院 | 一种养殖污水处理磁分离工艺参数组合优化方法 |
Non-Patent Citations (4)
Title |
---|
CHUNYU LI等: "Membrane fouling mitigation by coupling applied electric field in membrane system:Configuration,mechamism and performance", 《ELECTROCHIMICA ACTA》, 28 June 2018 (2018-06-28), pages 124 - 134 * |
XIAOYAN GUO等: "A novel membrane biofouling mitigation strategy of D-amino acid supported by polydopamine and halloysite nanotube", 《JOURNAL OF MEMBRANE SCIENCE》, 20 February 2019 (2019-02-20), pages 131 - 140 * |
沈昊: "D一氨基酸控制MBR膜生物污染的探索研究", 《万方》, 31 December 2013 (2013-12-31), pages 1 - 3 * |
沈昊等: "MBR膜生物污染的生物控制方法研究进展", 《水处理技术》, 31 December 2016 (2016-12-31), pages 12 - 18 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
Ferrero et al. | Automatic control systems for submerged membrane bioreactors: A state-of-the-art review | |
Haimi et al. | Data-derived soft-sensors for biological wastewater treatment plants: An overview | |
Badrnezhad et al. | Modeling and optimization of cross-flow ultrafiltration using hybrid neural network-genetic algorithm approach | |
Regmi et al. | The future of WRRF modelling–outlook and challenges | |
KR102440371B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
CN114275912A (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. | Statistical comparison between SARIMA and ANN’s performance for surface water quality time series prediction | |
CN112488286A (zh) | 一种用于mbr膜污染在线监测方法及系统 | |
Yao et al. | Predicting membrane fouling in a high solid AnMBR treating OFMSW leachate through a genetic algorithm and the optimization of a BP neural network model | |
CN103605882B (zh) | 一种丝状菌污泥膨胀指数svi特征模型的构建方法 | |
CN113274885B (zh) | 应用于膜法污水处理的膜污染智能化预警方法 | |
Besharati Fard et al. | Estimation of effluent parameters of slaughterhouse wastewater treatment with artificial neural network and B-spline quasi interpolation | |
CN114649066A (zh) | 一种提升d-氨基酸减缓mbr膜污染效能的智能优化方法 | |
Dey et al. | Fractional-order models identification and control within a supervisory control framework for efficient nutrients removal in biological wastewater treatment plants | |
Fan et al. | Optimization control of SBR wastewater treatment process based on pattern recognition | |
CN117776336A (zh) | 水预处理方法及厌氧氨氧化水处理工艺 | |
CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
CN105372995A (zh) | 污水处理系统测控方法 | |
Negara et al. | Next generation sequencing analysis of wastewater treatment plant process via support vector regression | |
Hu | The application of artificial neural network in wastewater treatment | |
CN113830878B (zh) | 水资源处理方法及装置 | |
CN113838542A (zh) | 化学需氧量智能预测方法和系统 | |
CN111798134A (zh) | 一种基于数据驱动模型的提高污水处理厂甲烷产量方法 | |
Caraman et al. | Predictive control of a wastewater 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 |