CN115602258A - 污水处理厂中好氧池内曝气设定值计算方法 - Google Patents

污水处理厂中好氧池内曝气设定值计算方法 Download PDF

Info

Publication number
CN115602258A
CN115602258A CN202211145607.XA CN202211145607A CN115602258A CN 115602258 A CN115602258 A CN 115602258A CN 202211145607 A CN202211145607 A CN 202211145607A CN 115602258 A CN115602258 A CN 115602258A
Authority
CN
China
Prior art keywords
treatment plant
sewage treatment
aeration
biochemical
value
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
Application number
CN202211145607.XA
Other languages
English (en)
Inventor
王鸿程
王爱杰
曾佳越
钱志敏
宋云鹏
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202211145607.XA priority Critical patent/CN115602258A/zh
Publication of CN115602258A publication Critical patent/CN115602258A/zh
Pending legal-status Critical Current

Links

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
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Activated Sludge Processes (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)

Abstract

本发明属于好氧池内曝气设定值探究技术领域，具体涉及污水处理厂中好氧池内曝气设定值计算方法。包括四个步骤：步骤一:污水厂生化段活性污泥机理模型的建立；步骤二：建立GA－BP神经网络模型；步骤三，定时采集当前污水处理厂进水端的水质参数值，得到监测数据集；步骤四，将步骤三中所述的监测数据集相关值对应输入在GA－BP神经网络模型中，得出好氧池曝气设定值。本发明结合了机理(污水厂生化段活性污泥机理模型)与深度学习模型(GA－BP神经网络模型)，能根据污水厂的质水量变化，调节好氧池曝气设定值，进一步保证水质，节约能耗。

Description

污水处理厂中好氧池内曝气设定值计算方法
技术领域
本发明属于好氧池内曝气设定值探究技术领域，具体涉及污水处理厂中好氧池内曝气设定值计算方法。
背景技术
污水从城镇地下管网输送到污水厂内，通过各道环节工序后，将其中的各种污染物质去除以后，各项指标达到排放标准排入水体，这是很复杂的一个过程。
污水的来源涉及方方面面，如家庭生活、学校活动、商圈以及工厂等。针对不同类型的污水采用不同的工艺流程，污水厂的核心处理部分是生化反应池，污水厂中根据进水水质不同，在生化段采用不同的处理工艺。污水厂中，污染物质的降解主要依靠微生物，提供适宜微生物生长的环境，根据微生物所需环境中溶解氧浓度不同。生化反应池大致分为好氧池、缺氧池与厌氧池三种，在好氧池中，微生物降解有机物时需要进行呼吸，利用空气中的氧气进行自身的生命活动，吸收空气中的氧气，降解污水中的有机物，在污水厂中，采用曝气的方式进行溶解氧的供给，不同微生物对溶解氧含量有着不同的需求，浓度过高或过低会影响微生物的存活，不适宜的条件会造成微生物的死亡，故在污水厂中，好氧池内的曝气环节尤为重要。
传统曝气系统一般采用鼓风曝气进行连续式曝气，通过鼓风机连续将空气压缩后通过风管将气体输入到硝化池底部再通过扩散装置(除微孔扩气泡散装置)将气体以气泡形式输入到泥液，同时跟踪生化池中溶解氧含量，根据溶解氧设定值与好氧池中溶解氧含量，两者之间的关系，实时检测溶解氧的含量，从而调节鼓风机的风量大小。
而在操作时其溶解氧设定值(也叫好氧池曝气设定值)不变，污水厂的进水水量及水质每日发生变化，传统水厂二级生化处理工艺好氧池中，往往恒定曝气量设定值，未能实现根据水量及水质变化进行动态在线自动控制，曝气量设定值过高，污水的处理成本也会随之提升，效率降低。当曝气量设定值过低，导致好氧池中氧浓度下降，出现无法完全反硝化的情况，而绪类菌体则会得到大量的繁殖机会，此时的水质将会加速恶化。
发明内容
根据现有技术中的不足，本发明要解决的技术问题是：提供一种污水处理厂中好氧池内曝气设定值计算方法，能根据污水厂的水质水量变化，调节好氧池曝气设定值。
本方案所述污水处理厂中好氧池内曝气设定值计算方法，包括以下步骤：
步骤一：污水厂生化段活性污泥机理模型的建立，具体为：
获取污水处理厂生化工段中各生化反应池的尺寸和运行状态参数,建立初始污水厂生化段活性污泥机理模型；获取污水处理厂进水端的水质参数值，根据所述水质参数对所述初始污水厂生化段活性污泥机理模型进行参数校正，得到污水厂生化段活性污泥机理模型；
步骤二：建立GA－BP神经网络模型，具体为：
建立初始GA－BP神经网络模型；
在不同工况下，采集污水处理厂进水端的水质参数值，得到训练输入参数集；
将所述训练输入参数集中的值分别输入步骤一中所述的污水厂生化段活性污泥机理模型中；将生化反应池中的好氧池从进水端到出水端依次均分为三个区，根据曝气值优化条件得出每个区在不同水质下能耗最低的训练曝气值，得到曝气值训练输出参数集；所述曝气值优化条件为需要满足出水一级A标准；
通过所述训练输入参数集和所述曝气值训练输出参数集对所述初始GA－BP神经网络模型进行训练，得到GA－BP神经网络模型；
步骤三，定时采集当前污水处理厂进水端的水质参数值，得到监测数据集；
步骤四，将步骤三中所述的监测数据集相关值对应输入在GA－BP神经网络模型中，得出好氧池曝气设定值。
进一步，所述污水处理厂生化工段中各生化反应池包括厌氧池、缺氧池以及好氧池。
进一步，所述步骤三中定时的时间为3小时，具体为每隔3小时采集当前污水处理厂进水端的水质参数值。
进一步，所述水处理厂进水端的水质参数值包括进水水量、COD、氨氮、总磷和总氮。
进一步，所述运行状态参数包括内回流比和外回流比。
进一步，所述生化反应池的尺寸包括体积、长度、宽度和水深。
进一步，所述步骤一中还包括获取污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值；根据所述水质参数、ORP和pH值，对所述初始污水厂生化段活性污泥机理模型进行参数校正。
所述步骤二中还包括获取污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值，与步骤二中所述水质参数共同组成后得到训练输入参数集。
所述步骤三中还包括获取污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值，与步骤三中所述水质参数共同组成后得到监测数据集。
ORP和pH值变化量与工艺过程存在定量关系，不同菌类有各自最适宜ORP及pH值，同时ORP可用于指示系统进水COD负荷的高低，同时还和缺氧区出水NOx-N(NO2-N+NO3-N)浓度的高低对应，厌氧段ORP与聚磷菌释磷有着较好的线性关系，等可用ORP、pH观测数据实时反应水质参数中氮元素含量。
与现有技术相比，本发明具有以下有益效果：
本发明结合了机理(污水厂生化段活性污泥机理模型)与深度学习模型(GA－BP神经网络模型)，机理模型对基质降解、微生物生长等各参数之间的数学关系做定量描述，污染物降解过程符合生物代谢理论，深度学习具有很强的学习能力，数据输入进去就可以得到结果，方便快捷，将机理与深度学习结合，能根据污水厂的质水量变化，调节好氧池曝气设定值，进一步保证水质，节约能耗。
附图说明
图1为本发明的流程示意图；
图2为污水厂生化工段A2O工艺示意图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步说明，但不用以限制本发明，凡在本发明精神和原则之内，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。
实施例
如图2所示，本实施例以级AO工艺进行模拟，其中好氧池体积为2550m3，水深7.5m，均分为三区，每区体积为850m3，厌氧池体积为1050m3，以2月29个数据为例，其中进水COD范围为413.5mg/L-62.3mg/L，总氮范围为31.7mg/L-82.8mg/L，氨氮范围为25.1mg/L-55mg/L，总磷范围为0.701mg/L-1.414mg/L，pH范围为7-8.51，从能耗与成本角度说明曝气优化后效果。
本实施例中所述的能耗主要有好氧池中控制溶解氧的鼓风机耗能、污泥泵、浓缩池泵、脱水泵能耗、化学药剂在生产和运输过程中消耗能量；
本实施例中所述的成本有如下几种：
能要成本，采用峰谷分时电量，高峰电价0.92CNY/kWh，平段电价0.62CNY/kWh，低估电价0.32CNY/kWh，高峰时段：8:30-11:00,14:30-21:00；低谷时段12:00-13:00，23:00-7:00；其余时段为平时段；
药剂成本，甲醇用于补充碳源，单价为0.15CNY/kg,25％PAC溶液用于化学沉淀，PAC(100％)单价为2.5CNY/kg；
污泥填埋成本，剩余污泥进行填埋，填埋费用为0.52CNY/kg；
其他成本，包含人工费、维修费、折旧费等固定成本，单位污水价格为2.5CNY/m3，按照如上所给出的标准进行计算。
在上述相关数据下，采用常规现有技术时，运行28天后所消耗能耗为188.56kw，成本为1488CNY/d。
下面以本发明的方法进行好氧池内曝气设定值计算，如图1所示,所述污水处理厂中好氧池内曝气设定值计算方法，包括以下步骤：
步骤一:污水厂生化段活性污泥机理模型的建立，具体为：
获取污水处理厂生化工段中各生化反应池的尺寸和运行状态参数,建立初始污水厂生化段活性污泥机理模型；所述污水处理厂生化工段中各生化反应池包括厌氧池、缺氧池以及好氧池；所述运行状态参数包括内回流比和外回流比。
本实施例采用ASM活性污泥机理模型规则，活性污泥机理模型为ASM模型，从细胞生长动力学的Monod方程出发，结合化工领域的反应器理论与微生物学理论，对基质降解、微生物生长等各参数之间的数学关系做定量描述，本发明中使用ASM2d，该模型是对去除活性污泥系统中的化学需氧量(COD)、氨、磷等综合生物处理过程进行动态模拟的数学模型，以矩阵形式来表述动力学模型。该矩阵描述活性污泥系统中各种组分的变化规律和相互关系。
获取污水处理厂进水端的水质参数值，获取污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值；根据所述水质参数、ORP和pH值，对所述初始污水厂生化段活性污泥机理模型进行参数校正，得到污水厂生化段活性污泥机理模型；
校正指改变化学计量数使真实值与模拟值接近，当仿真得到的出水水质指标浓度预测值与实际值的拟合优度大于设定值，即认为模型校核结束，拟合优度指标R2，
Figure BDA0003855123750000051
其中，Yi是第i个实际值，
Figure BDA0003855123750000052
是所有真实值的平均值，
Figure BDA0003855123750000053
是第i个预测值，N是真实值的总数。
步骤二：建立GA－BP神经网络模型，具体为：
建立初始GA－BP神经网络模型；
遗传算法(GA)优化BP，包括神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。其中、用遗传算法优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好的预测函数输出。遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值，其基本思想就是用个体代表网络的初始权值和阈值、个体值初始化的BP神经网络的预测误差作为该个体的适应度值，通过选择、交叉、变异操作寻找最优个体，即最优的BP神经网络初始权值。
适应度函数根据个体得到BP神经网络的初始权值和阈值，把预测输出个期望的输出之间的误差绝对值和E作为个体适应度值F计算公式为：
Figure BDA0003855123750000061
式中，n为网络输出节点数；yi为BP神经网络第i个节点的期望输出oi为第i个节点的实际输出；k为系数。
选择轮盘赌法，每个个体i的选择概率pi为：
Figure BDA0003855123750000062
式中，Fi为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度求倒数；k为系数；N为种群个体数目。
交叉操作方法采用实数交叉法，第k个染色体ak和第I个染色体a_l在j为的交叉操作方法如下：
akj＝akj(1-b)+aljb
alj＝alj(1-b)+akjb
式中，b是[0，1]之间的随机数。
变异操作选取第i个个体的第j个基因aij进行变异变异操作方法如下：
Figure BDA0003855123750000063
式中，amax为基因aij的上界；amin为基因的下界；
Figure BDA0003855123750000064
是一个随机数；g为当前迭代次数；Gmax是最大的进化次数；r为[0，1]间的随机数。(一下是代码实现种群规模10，进化次数50次交叉概率0.4变异概率0.2)
在不同工况下，采集污水处理厂进水端的水质参数值以及污水处理厂生化工段中各生化反应池中前半段和后半段对应的0RP和pH值，与步骤二中所述水质参数共同组成后得到训练输入参数集，得到训练输入参数集；
将所述训练输入参数集中的值分别输入步骤一中所述的污水厂生化段活性污泥机理模型中；将生化反应池中的好氧池从进水端到出水端依次均分为三个区，根据曝气值优化条件得出每个区在不同水质下能耗最低的训练曝气值，得到曝气值训练输出参数集；所述曝气值优化条件为需要满足出水一级A标准；
出水水质根据GB 18918-2002《城镇污水处理厂污染物排放标准》中的一级A标准，设定为化学需氧量≤50mg/L，总氮≤15mg/L，氨氮≤5mg/L，化学需氧量≤50mg/L，总磷≤0.5mg/L；所述的最佳DO值探究借助于机理软件(污水厂生化段活性污泥机理模型)仿真实现，好氧池分为三区曝气，搜索范围在一区2mg/L-4.5mg/L，二区0mg/L-2mg/L，三区0mg/L-2mg/L范围区间内。
通过所述训练输入参数集和所述曝气值训练输出参数集对所述初始GA－BP神经网络模型进行训练，得到GA－BP神经网络模型；
步骤三，每隔3小时(实际应用时，还可以是1小时、2小时或5小时等)采集当前污水处理厂进水端的水质参数值以及污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值,得到监测数据集；
步骤四，将步骤三中所述的监测数据集相关值对应输入在GA－BP神经网络模型中，得出曝气设定值。
以上步骤中所述水处理厂进水端的水质参数值包括进水水量、COD、氨氮、总磷和总氮。
采用上述污水处理厂中好氧池内曝气设定值计算方法，在满足水质一级A出水标准，单位流量成本最低为优化限定条件优化后，能耗为121.65kw(现有技术为188.56kw)，成本为974.65CNY/d(现有技术为1488CNY/d)，由此可见，本发明在节能消耗，水厂低碳运维上有重要作用。
基于上述技术方案可以看出，本发明至少具有以下优势：
1、本发明确定的DO含量基于机理模型，而非通过经验公式等方法推算，具有污水处理过程动力学机理的支撑。
2、本发明每3小时动态更新DO曝气设定值，可专门针对进水水量及水质波动大的化工园区污水厂，有助于提高污水处理效率与稳定性。
3、本发明好氧池分三区曝气，针对不同水质水量，动态调节三区曝气设定值，避免出现曝气过量及曝气不足情况。
4、本发明在保证出水达标的前提下，节省了额外电能消耗，降低了污水处理的运行成本。

Claims (9)

1.一种污水处理厂中好氧池内曝气设定值计算方法，其特征在于，包括以下步骤：
步骤一:污水厂生化段活性污泥机理模型的建立，具体为：
获取污水处理厂生化工段中各生化反应池的尺寸和运行状态参数,建立初始污水厂生化段活性污泥机理模型；获取污水处理厂进水端的水质参数值，根据所述水质参数对所述初始污水厂生化段活性污泥机理模型进行参数校正，得到污水厂生化段活性污泥机理模型；
步骤二：建立GA－BP神经网络模型，具体为：
建立初始GA－BP神经网络模型；
在不同工况下，采集污水处理厂进水端的水质参数值，得到训练输入参数集；
将所述训练输入参数集中的值分别输入步骤一中所述的污水厂生化段活性污泥机理模型中；将生化反应池中的好氧池从进水端到出水端依次均分为三个区，根据曝气值优化条件得出每个区在不同水质下能耗最低的训练曝气值，得到曝气值训练输出参数集；所述曝气值优化条件为需要满足出水一级A标准；
通过所述训练输入参数集和所述曝气值训练输出参数集对所述初始GA－BP神经网络模型进行训练，得到GA－BP神经网络模型；
步骤三，定时采集当前污水处理厂进水端的水质参数值，得到监测数据集；
步骤四，将步骤三中所述的监测数据集相关值对应输入在GA－BP神经网络模型中，得出曝气设定值。
2.根据权利要求1所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述污水处理厂生化工段中各生化反应池包括厌氧池、缺氧池以及好氧池。
3.根据权利要求1或2所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述步骤三中定时的时间为3小时，具体为每隔3小时采集当前污水处理厂进水端的水质参数值。
4.根据权利要求3所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述水处理厂进水端的水质参数值包括进水水量、COD、氨氮、总磷和总氮。
5.根据权利要求1所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述运行状态参数包括内回流比和外回流比。
6.根据权利要求1所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述生化反应池的尺寸包括体积、长度、宽度和水深。
7.根据权利要求1所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述步骤一中还包括获取污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值；根据所述水质参数、ORP和pH值，对所述初始污水厂生化段活性污泥机理模型进行参数校正。
8.根据权利要求1或7所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述步骤二中还包括获取污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值，与步骤二中所述水质参数共同组成后得到训练输入参数集。
9.根据权利要求8所述污水处理厂中好氧池内曝气设定值计算方法，其特征在于：所述步骤三中还包括获取污水处理厂生化工段中各生化反应池中前半段和后半段对应的ORP和pH值，与步骤三中所述水质参数共同组成后得到监测数据集。
CN202211145607.XA 2022-09-20 2022-09-20 污水处理厂中好氧池内曝气设定值计算方法 Pending CN115602258A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211145607.XA CN115602258A (zh) 2022-09-20 2022-09-20 污水处理厂中好氧池内曝气设定值计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211145607.XA CN115602258A (zh) 2022-09-20 2022-09-20 污水处理厂中好氧池内曝气设定值计算方法

Publications (1)

Publication Number Publication Date
CN115602258A true CN115602258A (zh) 2023-01-13

Family

ID=84842660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211145607.XA Pending CN115602258A (zh) 2022-09-20 2022-09-20 污水处理厂中好氧池内曝气设定值计算方法

Country Status (1)

Country Link
CN (1) CN115602258A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118026321A (zh) * 2024-04-12 2024-05-14 四川欧美华环境工程有限公司 一种污水处理用供气曝气控制系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118026321A (zh) * 2024-04-12 2024-05-14 四川欧美华环境工程有限公司 一种污水处理用供气曝气控制系统

Similar Documents

Publication Publication Date Title
Ilyas et al. The performance of the intensified constructed wetlands for organic matter and nitrogen removal: A review
Fudala-Ksiazek et al. Nitrogen removal via the nitrite pathway during wastewater co-treatment with ammonia-rich landfill leachates in a sequencing batch reactor
Sun et al. Generating “tide” in pilot‐scale constructed wetlands to enhance agricultural wastewater treatment
CN101484394A (zh) 利用异养氨氧化细菌去除污水中c、n污染物的方法
CN112062179A (zh) 用于造纸污水处理ghg减排的溶解氧分层优化控制方法
Pourbavarsad et al. Impact of free ammonia and free nitrous acid on nitritation in membrane aerated bioreactors fed with high strength nitrogen urine dominated wastewater
CN1277768C (zh) 垃圾渗滤液组合处理方法及系统
Foladori et al. How suspended solids concentration affects nitrification rate in microalgal-bacterial photobioreactors without external aeration
CN102249411A (zh) 一种污水处理工艺的优化方法
CN111762958A (zh) 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置
Chen et al. Optimal strategies evaluated by multi-objective optimization method for improving the performance of a novel cycle operating activated sludge process
CN115602258A (zh) 污水处理厂中好氧池内曝气设定值计算方法
Gupta et al. Conventional wastewater treatment technologies
Lopez et al. Innovative and integrated technologies for the treatment of industrial wastewater
CN103792844A (zh) 一种基于有序聚类的污水处理控制方法
Kappelmeyer et al. Operation of a universal test unit for planted soil filters–planted fixed bed reactor
Wałęga et al. Nitrogen and phosphorus removal from sewage in biofilter–activated sludge combined systems
CN102815788B (zh) 一种cass工艺应对异常进水水质冲击的应急调控方法
CN113860633A (zh) 一种高速公路服务区一体化污水处理装置与方法
CN113087321A (zh) 一种集装箱式电芬顿生化池mbr膜联用水处理系统
Khan et al. Effect of carbon dosing on denitrification in an aerated horizontal subsurface flow constructed wetland used for effluent polishing
CN115292936A (zh) 一种污水处理厂多目标优化方法
CN114565154A (zh) 一种渗滤液生化段碳源投加量的预测方法及优化算法
CN116484584B (zh) 一种两级污水处理系统的智能控制方法
CN109534495B (zh) 一种基于微生物基因和活性酶的污水处理方法及系统

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