CN114841083A - 基于空间污染治理大数据的水体污泥自动分析模型及方法 - Google Patents

基于空间污染治理大数据的水体污泥自动分析模型及方法 Download PDF

Info

Publication number
CN114841083A
CN114841083A CN202210776530.XA CN202210776530A CN114841083A CN 114841083 A CN114841083 A CN 114841083A CN 202210776530 A CN202210776530 A CN 202210776530A CN 114841083 A CN114841083 A CN 114841083A
Authority
CN
China
Prior art keywords
water body
pollution
degree
sludge
abnormal
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
Application number
CN202210776530.XA
Other languages
English (en)
Other versions
CN114841083B (zh
Inventor
钟伟亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Ruili Environmental Protection Engineering Co ltd
Original Assignee
Jiangsu Ruili Environmental Protection Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Ruili Environmental Protection Engineering Co ltd filed Critical Jiangsu Ruili Environmental Protection Engineering Co ltd
Priority to CN202210776530.XA priority Critical patent/CN114841083B/zh
Publication of CN114841083A publication Critical patent/CN114841083A/zh
Application granted granted Critical
Publication of CN114841083B publication Critical patent/CN114841083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明涉及污泥处理技术领域，具体涉及基于空间污染治理大数据的水体污泥自动分析模型及方法，该方法利用了计算机进行辅助设计和处理，还利用数据库和云数据库服务等互联网数据服务，以实现对水体污染地检测目的。该方法获取污泥中有害物质含量、滤液的清澈程度和压滤时间；由压滤时间得到污泥的含固量；由各有害物质的有害物质含量和清澈程度的变化情况得到物质变化指标；对水体区域分类得到异常簇；根据水体区域的物质变化指标和含固量得到最终影响程度。本发明通过分析有害物质含量、滤液的清晰程度和污泥的含固量得到水体区域的最终影响程度，达到对水体污染源地检测的目的。

Description

基于空间污染治理大数据的水体污泥自动分析模型及方法
技术领域
本发明涉及污泥处理技术领域，具体涉及基于空间污染治理大数据的水体污泥自动分析模型及方法。
背景技术
随着社会的发展，环境污染问题越来越严重，特别是水污染。河流周围常建有各种各样的工厂，工厂产出的工业废水会对环境造成严重的影响，虽然现如今对废水的排放有着一定的规定，但在规定范围内排放的废水不可避免的还是会对河流生态造成影响，特别是工厂、矿井或者是养殖场产生的氮、汞、硫、磷等对环境有害的物质。
目前，常见的对水体污染检测的方法为仅根据水体中污染物的浓度得到水体的污染程度，该方法不能得到污染物的排放地，得不到具体引起污染物含量异常的污染物排放区域，就难以达到对水体污染进行根源治理的目的。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于空间污染治理大数据的水体污泥自动分析模型及方法，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了基于空间污染治理大数据的水体污泥自动分析方法，该方法包括以下步骤：
获取不同时刻水体污泥中的各有害物质的有害物质含量、压滤处理后滤液的清澈程度和压滤时间；
根据所述压滤时间得到水体污泥的含固量；获取有害物质含量序列的第一标准差和第一均值，获取清澈程度序列的第二标准差和第二均值，所述第一标准差、所述第一均值、所述第二标准差和所述第二均值的乘积为污染程度；
根据各种有害物质在单位时间内污染程度的变化情况得到物质变化指标；比较相邻水体区域的所述污染程度得到污染下降影响；根据所述污染下降影响对水体区域进行分类，得到异常簇；
获取最上游水体区域的物质变化指标和异常簇内异常水体区域的物质变化指标的比值作为第一影响程度；所述第一影响程度和所述异常水体区域的含固量的乘积为最终影响程度。
优选的，其特征在于，所述根据所述压滤时间得到水体污泥的含固量，包括：
以不同时刻的所述压滤时间的均值为指数，以自然常数为底数的指数函数为所述水体污泥的含固量。
优选的，其特征在于，所述根据各种有害物质在单位时间内污染程度的变化情况得到物质变化指标，包括：
基于任意有害物质，获取有害物质在单位时间内污染程度的变化差值的第一均值；
多个有害物质对应的第一均值之和为物质变化指标。
优选的，其特征在于，所述污染下降影响为：相邻水体区域的污染程度的比值为所述污染下降影响。
优选的，其特征在于，所述根据所述污染下降影响对水体区域进行分类，得到异常簇，包括：
利用K-means聚类算法根据所述污染下降影响对多个水体区域进行聚类，得到三个簇；
获取每个簇内各水体区域的污染下降影响的均值，将最大的污染下降影响的均值对应的簇作为异常簇。
第二方面，本发明一个实施例提供了基于空间污染治理大数据的水体污泥自动分析模型，所述自动分析模型包括数据采集模块、污染程度获取模块、异常簇获取模块和最终影响程度获取模块；
所述数据采集模块用于获取不同时刻水体污泥中的各有害物质的有害物质含量、压滤处理后滤液的清澈程度和压滤时间；
所述污染程度获取模块用于根据所述压滤时间得到水体污泥的含固量；获取有害物质含量序列的第一标准差和第一均值，获取清澈程度序列的第二标准差和第二均值，所述第一标准差、所述第一均值、所述第二标准差和所述第二均值的乘积为污染程度；
所述异常簇获取模块用于根据各种有害物质单位时间内污染程度的变化情况得到物质变化指标；比较相邻水体区域的所述污染程度得到污染下降影响；根据所述污染下降影响对水体区域进行分类，得到异常簇；
所述最终影响程度获取模块用于获取最上游水体区域的物质变化指标和异常簇内异常水体区域的物质变化指标的比值作为第一影响程度；所述第一影响程度和所述异常水体区域的含固量的乘积为最终影响程度。
本发明实施例至少具有如下有益效果：
本发明实施例利用污泥处理技术领域，该自动分析模块包括数据采集模块、污染程度获取模块、异常簇获取模块和最终影响程度获取模块。该方法具体是水体污染数据处理，其中利用了计算机进行辅助设计和处理，同时利用数据库和云数据库服务等互联网数据服务，以实现对水体污染地检测目的。该方法首先获取不同时刻水体污泥中有害物质含量、滤液的清澈程度和压滤时间；根据压滤时间得到水体污泥的含固量，由于水体污泥可以吸附有害物质，故对水体污泥中的含固量进行分析，以更准确的获取水体区域中的污染情况；由各有害物质的有害物质含量和清澈程度的变化情况得到物质变化指标；比较相邻水体区域的污染程度得到污染下降影响；根据污染下降影响对水体区域进行分类，得到异常簇，仅对得到的异常簇进行后续的分析，降低了计算量；根据最上游水体区域的物质变化指标、异常簇内异常水体区域的物质变化指标和含固量得到最终影响程度。本发明实施例通过分析污泥过滤前有害物质的含量、过滤后滤液的清晰程度进而得到污泥的污染程度，结合水体中污泥的含固量得到固体杂质对各个异常水体区域有害物质的最终影响程度，最终影响程度异常的区域的污染源进行治理，达到了对水体污染进行根源治理的目的。
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例所提供的基于空间污染治理大数据的水体污泥自动分析模型的模块结构示意图；
图2为本发明一个实施例所提供的基于空间污染治理大数据的水体污泥自动分析方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于空间污染治理大数据的水体污泥自动分析模型及方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了基于空间污染治理大数据的水体污泥自动分析模型及方法，该方法适用于水体污泥污染程度检测场景。将河流分成多个水体区域，在各个水体区域布置便携式智能有害物质分析仪、板框机、光率计和计时器。为了解决仅检测污染物浓度而不能得到引起污染物含量异常的排放区域的问题，本发明实施例通过分析污泥过滤前有害物质的含量、过滤后滤液的清晰程度进而得到污泥的污染程度，结合水体中污泥的含固量得到固体杂质对各个异常水体区域有害物质的最终影响程度，最终影响程度异常的区域的污染源进行治理，达到了对水体污染进行根源治理的目的。
请参阅图1，该基于空间污染治理大数据的水体污泥自动分析模型包括数据采集模块、污染程度获取模块、异常簇获取模块和最终影响程度获取模块；
数据采集模块10用于获取不同时刻水体污泥中的各有害物质的有害物质含量、压滤处理后滤液的清澈程度和压滤时间；
污染程度获取模块20用于根据压滤时间得到水体污泥的含固量；获取有害物质含量序列的第一标准差和第一均值，获取清澈程度序列的第二标准差和第二均值，第一标准差、第一均值、第二标准差和第二均值的乘积为污染程度；
异常簇获取模块30用于根据各种有害物质单位时间内污染程度的变化情况得到物质变化指标；比较相邻水体区域的污染程度得到污染下降影响；根据污染下降影响对水体区域进行分类，得到异常簇；
最终影响程度获取模块40用于获取最上游水体区域的物质变化指标和异常簇内异常水体区域的物质变化指标的比值作为第一影响程度；第一影响程度和异常水体区域的含固量的乘积为最终影响程度。
基于各个模块，执行如图2所示的基于空间污染治理大数据的水体污泥自动分析方法。该方法具体步骤如下：
步骤S100，获取不同时刻水体污泥中的各有害物质的有害物质含量、压滤处理后滤液的清澈程度和压滤时间。
首先，将一条河流均分为多个水体区域，对每个水体区域的污染情况进行分析。
由于当河流周围存在工厂，矿井或者养殖场时，这些地区的附近的河流水体中存在一定的氮、汞、硫和磷等对环境有害的物质。含有有害物质的河水中的部分有害物质转移到污泥中，导致污泥含水量高，且有害物质含量偏高。
使用便携式智能有害物质分析仪，对不同时刻河流中不同水体区域中污泥内所含有害物质进行检测，有害物质分析仪的数据刷新频率为1天每次，获取一个月内的不同有害物质的有害物质含量，也即获取不同时刻水体污泥中的各有害物质的有害物质含量和有害物质含量序列。需要说明的是，如对于第n天的数据，第n天对应的有害物质含量序列，获取历史数据库中第n天之前的29天的有害物质含量，前29天的有害物质含量和第n天的有害物质含量构成第n天对应的有害物质含量序列；以此类推，可得到每天对应的有害物质含量序列，且每天对应的有害物质含量序列均不相同。获取前29天的有害物质含量的历史数据，是因为在本发明实施例中将每个月的天数固定设置为30。
在使用板框机对污泥进行压滤处理后，过滤后的滤波会根据污泥不同的污染程度显现为不同的清澈程度，当污泥的污染越严重，压滤处理后的水体的滤液越不清澈。使用光率计对滤液的透光程度进行获取，透光程度也即为清澈程度，当滤液的清澈程度越高时，说明当前过滤的污泥污染较轻，反之，当滤液清澈程度越低时，说明当前过滤的污泥污染较为严重。
光率计的数据采集时间匹配于有害物质分析仪，对每天压滤后的滤液的清晰程度进行采集，得到不同时刻滤液的清澈程度，得到清澈程度序列。
由于河流一直处于流动状态，河内的一个固体杂质也一直处于变化状态，而在使用板框机对污泥进行压滤处理时，板框机的压滤时间也反映了污泥的一个含固量情况。
对不同时刻采集的污泥压滤时间进行读取。具体的：使用计时器对每次采集的压滤时间进行采集，采集压滤时间的频率与有害物质分析仪和光率计的采集频率相匹配，当压滤时间越长，说明污泥中污染物含量较多。即得到不同时刻的压滤时间和对应的压滤时间序列。
步骤S200，根据压滤时间得到水体污泥的含固量；获取有害物质含量序列的第一标准差和第一均值，获取清澈程度序列的第二标准差和第二均值，第一标准差、第一均值、第二标准差和第二均值的乘积为污染程度。
由于当污泥中固体污染物含量越多时，对应的压滤时间越长，故可以根据压滤时间得到水体污泥的含固量。具体的：以不同时刻的压滤时间的均值为指数，也即获取压滤时间序列内各压滤时间的均值为指数，以自然常数为底数的指数函数为水体污泥的含固量。压滤时间越长，该水体区域的含固量越高。
通过分析过滤前污泥中有害物质的数据信息，结合过滤后的滤液透光程度，得到该水体区域污泥的污染程度。获取有害物质含量序列的标准差和均值，作为第一标准差和第一均值。获取清澈程度序列的标准差和均值，作为第二标准差和第二均值。将有害物质含量序列和清澈程度序列对应的第一标准差、第二标准差、第一均值和第二均值的乘积作为两个序列对应的实时的该水体区域的污染程度。
即结合该水体区域的单位时间内的有害物质含量的均值和压滤后滤液的透光程度，得到了该水体区域的污染程度，透光程度也即清澈程度。需要说明的是，由于每天每个水体区域对应的有害物质含量序列、清澈程度序列均不相同，故对应的每天每个水体区域均对应一个污染程度。
步骤S300，根据各种有害物质在单位时间内污染程度的变化情况得到物质变化指标；比较相邻水体区域的污染程度得到污染下降影响；根据污染下降影响对水体区域进行分类，得到异常簇。
由于河流处于流动情况，各水体区域附近的工厂每天对河流的影响程度都不一样，因为可以根据各种有害物质单位时间内污染程度的变化情况得到河流各水体区域的物质变化指标。
根据各种有害物质单位之间内污染程度的变化情况得到物质变化指标，具体的：
基于任意有害物质，获取有害物质在单位时间内污染程度的变化差值的第一均值，多个有害物质对应的第一均值之和为物质变化指标。在本发明实施中设置有害物质为氮、汞、硫和磷。
该第
Figure DEST_PATH_IMAGE002
个水体区域的物质变化指标
Figure DEST_PATH_IMAGE004
的计算公式为：
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE008
为第
Figure DEST_PATH_IMAGE010
天第
Figure 330654DEST_PATH_IMAGE002
个水体区域中硫的污染程度；
Figure DEST_PATH_IMAGE012
为第
Figure DEST_PATH_IMAGE014
天第
Figure 60844DEST_PATH_IMAGE002
个水体区域中硫的污染程度；
Figure DEST_PATH_IMAGE016
为第
Figure 965215DEST_PATH_IMAGE010
天第
Figure 298107DEST_PATH_IMAGE002
个水体区域中汞的污染程度；
Figure DEST_PATH_IMAGE018
为第
Figure 735649DEST_PATH_IMAGE014
天第
Figure 948324DEST_PATH_IMAGE002
个水体区域中汞的污染程度；
Figure DEST_PATH_IMAGE020
为第
Figure 841456DEST_PATH_IMAGE010
天第
Figure 774777DEST_PATH_IMAGE002
个水体区域中磷的污染程度；
Figure DEST_PATH_IMAGE022
为第
Figure 771552DEST_PATH_IMAGE014
天第
Figure 252998DEST_PATH_IMAGE002
个水体区域中磷的污染程度；
Figure DEST_PATH_IMAGE024
为第
Figure 131962DEST_PATH_IMAGE010
天第
Figure 806657DEST_PATH_IMAGE002
个水体区域中氮的污染程度；
Figure DEST_PATH_IMAGE026
为第
Figure 159403DEST_PATH_IMAGE014
天第
Figure 776198DEST_PATH_IMAGE002
个水体区域中氮的污染程度。在本发明实施例中将一个月的天数记为30。
该物质变化指标的计算公式中，
Figure DEST_PATH_IMAGE028
即为有害物质硫在单位时间内污染程度的变化差值的第一均值。
有害物质分析仪可以对各种有害物质的变化情况进行分析，进而得到有害物质含量，有害物质含量越高，对应的清澈程度越低，由有害物质含量和清澈程度共同作用得到有害物质的物质变化指标，该物质变化指标反映了水体区域有害物质的变化情况，水体区域对应的物质变化指标越大，说明该水体区域附近有工厂存在或者是发生了异常。
由于河水流动速度大于污泥的流动速度，因此随着水体流动会带走污泥中的一些有害物质，故对河流的相邻区域进行检测，处于下游区域的污染程度应低于上游区域，故在对该段河流整体进行分析时，河流的污染程度应该是呈线性下降，逐级递减。
因此依次对不同相邻区域的污染程度进行比较，比较相邻水体区域的污染程度得到污染下降影响。具体的：相邻水体区域的污染程度的比值为污染下降影响。以当前水体区域的相邻上游水体区域的污染程度作为污染下降影响的分母，当前水体区域的污染程度作为污染下降影响的分子，当污染下降影响值越小，则说明两个水体区域污染程度相差越大，且该相邻水体区域的污染程度是呈下降趋势的。
正常情况下，河流污泥的污染程度会随着河水的流动逐渐下降，若河水流速一定各个区域的污染程度下降速度应保持一致。但是由于各个区域污泥内的固体杂质的影响可能会对某些有害物质进行吸附，导致该水体区域的污染程度的下降速度发生异常。
基于一条河流内的污泥数据进行采集分析，可以认为不同水体区域的水流速度一致，但是会受到河流周边其他各种环境因素的影响，各个水体区域的污染下降影响均不相同。基于污染下降影响对不同水体区域进行分组，以达到得到异常水体区域，可将异常水体区域进行具体分析的目的。
进一步的，利用K-means聚类算法根据污染下降影响对多个水体区域进行聚类，得到三个簇。
基于采集各个水体区域的固体杂质含量可得知，当含固量越高，则吸附的有害物质量就越大，则含固量越高的水体区域对应的有害物质量就越大，对应的水体区域的污染程度就越高。
获取每个簇内各水体区域的污染下降影响的均值，将最大的污染下降影响的均值对应的簇作为异常簇，其下降速度异常，说明该簇内的水体区域为异常水体区域，异常水体区域内含固量较高，导致其对有害物质的吸附效果大，吸附效果越大就越容易将有害物质留在该异常水体区域，故异常水体区域的有害物质含量和污染程度就高于上游水体区域。
步骤S400，获取最上游水体区域的物质变化指标和异常簇内异常水体区域的物质变化指标的比值作为第一影响程度；第一影响程度和异常水体区域的含固量的乘积为最终影响程度。
由于不同的固体杂质对各个污染物的吸附效果都不一样，所以当污染物随着河水流动时，可能会导致某一种有害物质会被某水体区域的污泥吸附，而其他有害物质会随着河水流动下降，这种情况会导致个别有害物质下降，但该水体区域整体污染程度还是较高的，故进一步的对水体区域的物质变化指标进行分析。
将河流最上游的水体区域的物质变化指标作为对比项。对于步骤S300得到的异常簇，对各个异常水体区域内不同含固量对有害物质的影响程度进行分析，每个异常水体区域对应的物质变化指标与最上游的水体区域的物质变化指标进行对比，并结合每个异常水体区域的含固量对异常水体区域的有害物质的影响程度进行评估，得到各异常水体区域的最终影响程度。
最上游水体区域的物质变化指标和异常簇内异常水体区域的物质变化指标的比值作为第一影响程度，第一影响程度和异常水体区域的含固量的乘积为最终影响程度。
得到各异常水体区域的最终影响程度，根据最终影响程度对异常水体区域附近的工厂等场所进行治理。
综上所述，本发明实施例利用污泥处理技术领域，该自动分析模块包括数据采集模块、污染程度获取模块、异常簇获取模块和最终影响程度获取模块。该方法具体是水体污染数据处理，其中利用了计算机进行辅助设计和处理，同时利用数据库和云数据库服务等互联网数据服务，以实现对水体污染地检测目的，该方法首先获取不同时刻水体污泥中有害物质含量、滤液的清澈程度和压滤时间；根据压滤时间得到水体污泥的含固量；有害物质含量序列的标准差和均值、清澈程度序列的标准差和均值的乘积为污染程度；根据各种有害物质在单位时间内污染程度的变化情况得到物质变化指标；比较相邻水体区域的污染程度得到污染下降影响；根据污染下降影响对水体区域进行分类，得到异常簇；根据最上游水体区域的物质变化指标、异常簇内异常水体区域的物质变化指标和含固量得到最终影响程度。本发明实施例通过分析污泥过滤前有害物质的含量、过滤后滤液的清晰程度进而得到污泥的污染程度，结合水体中污泥的含固量得到固体杂质对各个异常水体区域有害物质的最终影响程度，最终影响程度异常的区域的污染源进行治理，达到了对水体污染进行根源治理的目的。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于空间污染治理大数据的水体污泥自动分析方法，其特征在于，该方法包括以下步骤：
获取不同时刻水体污泥中的各有害物质的有害物质含量、压滤处理后滤液的清澈程度和压滤时间；
根据所述压滤时间得到水体污泥的含固量；获取有害物质含量序列的第一标准差和第一均值，获取清澈程度序列的第二标准差和第二均值，所述第一标准差、所述第一均值、所述第二标准差和所述第二均值的乘积为污染程度；
根据各种有害物质在单位时间内污染程度的变化情况得到物质变化指标；比较相邻水体区域的所述污染程度得到污染下降影响；根据所述污染下降影响对水体区域进行分类，得到异常簇；
获取最上游水体区域的物质变化指标和异常簇内异常水体区域的物质变化指标的比值作为第一影响程度；所述第一影响程度和所述异常水体区域的含固量的乘积为最终影响程度；
其中，所述污染下降影响为：相邻水体区域的污染程度的比值。
2.根据权利要求1所述的基于空间污染治理大数据的水体污泥自动分析方法，其特征在于，所述根据所述压滤时间得到水体污泥的含固量，包括：
以不同时刻的所述压滤时间的均值为指数，以自然常数为底数的指数函数为所述水体污泥的含固量。
3.根据权利要求1所述的基于空间污染治理大数据的水体污泥自动分析方法，其特征在于，所述根据各种有害物质在单位时间内污染程度的变化情况得到物质变化指标，包括：
基于任意有害物质，获取有害物质在单位时间内污染程度的变化差值的第一均值；
多个有害物质对应的第一均值之和为物质变化指标。
4.根据权利要求1所述的基于空间污染治理大数据的水体污泥自动分析方法，其特征在于，所述根据所述污染下降影响对水体区域进行分类，得到异常簇，包括：
利用K-means聚类算法根据所述污染下降影响对多个水体区域进行聚类，得到三个簇；
获取每个簇内各水体区域的污染下降影响的均值，将最大的污染下降影响的均值对应的簇作为异常簇。
5.基于空间污染治理大数据的水体污泥自动分析模型，其特征在于，所述自动分析模型包括数据采集模块、污染程度获取模块、异常簇获取模块和最终影响程度获取模块；
所述数据采集模块用于获取不同时刻水体污泥中的各有害物质的有害物质含量、压滤处理后滤液的清澈程度和压滤时间；
所述污染程度获取模块用于根据所述压滤时间得到水体污泥的含固量；获取有害物质含量序列的第一标准差和第一均值，获取清澈程度序列的第二标准差和第二均值，所述第一标准差、所述第一均值、所述第二标准差和所述第二均值的乘积为污染程度；
所述异常簇获取模块用于根据各种有害物质单位时间内污染程度的变化情况得到物质变化指标；比较相邻水体区域的所述污染程度得到污染下降影响；根据所述污染下降影响对水体区域进行分类，得到异常簇；
所述最终影响程度获取模块用于获取最上游水体区域的物质变化指标和异常簇内异常水体区域的物质变化指标的比值作为第一影响程度；所述第一影响程度和所述异常水体区域的含固量的乘积为最终影响程度。
CN202210776530.XA 2022-07-04 2022-07-04 基于空间污染治理大数据的水体污泥自动分析方法 Active CN114841083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776530.XA CN114841083B (zh) 2022-07-04 2022-07-04 基于空间污染治理大数据的水体污泥自动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776530.XA CN114841083B (zh) 2022-07-04 2022-07-04 基于空间污染治理大数据的水体污泥自动分析方法

Publications (2)

Publication Number Publication Date
CN114841083A true CN114841083A (zh) 2022-08-02
CN114841083B CN114841083B (zh) 2022-09-06

Family

ID=82574625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776530.XA Active CN114841083B (zh) 2022-07-04 2022-07-04 基于空间污染治理大数据的水体污泥自动分析方法

Country Status (1)

Country Link
CN (1) CN114841083B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118261336A (zh) * 2024-05-28 2024-06-28 江西怡杉环保股份有限公司 一种湖泊水污染治理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598701A (zh) * 2015-03-04 2015-05-06 广东工业大学 一种三维场景分段迭代的河网污染仿真推演方法
CN107292501A (zh) * 2017-06-09 2017-10-24 江苏梦兰神彩科技股份有限公司 一种评估废水监测数据质量的方法及设备
CN107514626A (zh) * 2017-09-01 2017-12-26 浙江大唐国际绍兴江滨热电有限责任公司 一种锅炉定排水池排水回收方法及装置
CN109858572A (zh) * 2019-03-13 2019-06-07 中南大学 一种用于污水异常检测的改进型层次聚类方法
CN111310976A (zh) * 2020-01-19 2020-06-19 北京耘数科技有限责任公司 一种基于分布式计算的快速水质预报预警方法及系统
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598701A (zh) * 2015-03-04 2015-05-06 广东工业大学 一种三维场景分段迭代的河网污染仿真推演方法
CN107292501A (zh) * 2017-06-09 2017-10-24 江苏梦兰神彩科技股份有限公司 一种评估废水监测数据质量的方法及设备
CN107514626A (zh) * 2017-09-01 2017-12-26 浙江大唐国际绍兴江滨热电有限责任公司 一种锅炉定排水池排水回收方法及装置
CN109858572A (zh) * 2019-03-13 2019-06-07 中南大学 一种用于污水异常检测的改进型层次聚类方法
CN111310976A (zh) * 2020-01-19 2020-06-19 北京耘数科技有限责任公司 一种基于分布式计算的快速水质预报预警方法及系统
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118261336A (zh) * 2024-05-28 2024-06-28 江西怡杉环保股份有限公司 一种湖泊水污染治理方法及系统

Also Published As

Publication number Publication date
CN114841083B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN114841083B (zh) 基于空间污染治理大数据的水体污泥自动分析方法
CN110232256B (zh) 一种基于kpls和rwfcm的污水处理过程监测方法
KR102296894B1 (ko) 실시간 미세플라스틱 분석장치
Liu et al. Transport and transformation of mercury during wet flue gas cleaning process of nonferrous metal smelting
CN116701885B (zh) 一种废水处理数据采集分析方法
CN118125674B (zh) 一种重金属污染水域的治理设备及方法
Amiri et al. Modification of the Thomas model for predicting unsymmetrical breakthrough curves using an adaptive neural-based fuzzy inference system
CN115166180A (zh) 一种垃圾渗滤液水质分析系统及方法
CN117228894A (zh) 一种精确曝气污水处理工艺方法
Saraswat et al. Potentially toxic metals contamination, health risk, and source apportionment in the agricultural soils around industrial areas, Firozabad, Uttar Pradesh, India: a multivariate statistical approach
CN118039021A (zh) 一种污水污染物检测及报警方法及系统
CN114839343A (zh) 一种便携式水质监测巡检仪装置及使用方法
CN117910809A (zh) 大气污染物健康风险预警指标筛选系统和方法
CN108918491B (zh) 一种呼吸图谱与光谱联用判定河流状态与自净能力的方法
CN115105902B (zh) 一种过滤工业粉尘滤袋更换时间的预警方法
CN117435949A (zh) 基于人工智能的工业废水处理效果检测评价方法
CN109118078B (zh) 一种湖泊重金属污染评估系统
Syaichurrozi et al. Comparison of Alum and Poly Aluminium Chloride at Various Doses in Coagulation Process on Color Removal of Palm Oil Mill Effluent
CN112062396A (zh) 一种富营养化水体生态净化系统及净化方法
CN213301832U (zh) 一种水质收集预处理装置
CN112580248B (zh) 一种介观膜表面污染模拟方法
CN118569603B (zh) 基于cis集成系统智能城市规划管理方法
CN116589018A (zh) 用于修复生态环境中重金属污染的过滤吸附方法
CN116860839B (zh) 基于大数据的气溶胶生产监测管理系统
CN116161725B (zh) 催化剂生产工艺中废水排放区间划分方法和电子设备

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