CN116500091A - 一种基于神经网络的水质toc高效检测方法及其装置 - Google Patents
一种基于神经网络的水质toc高效检测方法及其装置 Download PDFInfo
- Publication number
- CN116500091A CN116500091A CN202310464485.9A CN202310464485A CN116500091A CN 116500091 A CN116500091 A CN 116500091A CN 202310464485 A CN202310464485 A CN 202310464485A CN 116500091 A CN116500091 A CN 116500091A
- Authority
- CN
- China
- Prior art keywords
- sample
- toc
- conductivity
- neural network
- measured
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 104
- 230000003647 oxidation Effects 0.000 claims abstract description 84
- 230000029087 digestion Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000003197 catalytic effect Effects 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 67
- 239000000243 solution Substances 0.000 claims description 55
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 28
- 239000010453 quartz Substances 0.000 claims description 23
- 150000002894 organic compounds Chemical class 0.000 claims description 15
- 230000001590 oxidative effect Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 238000002347 injection Methods 0.000 claims description 13
- 239000007924 injection Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 239000002699 waste material Substances 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 11
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 9
- 238000003556 assay Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 29
- 210000002569 neuron Anatomy 0.000 description 22
- 238000005259 measurement Methods 0.000 description 13
- IWZKICVEHNUQTL-UHFFFAOYSA-M potassium hydrogen phthalate Chemical compound [K+].OC(=O)C1=CC=CC=C1C([O-])=O IWZKICVEHNUQTL-UHFFFAOYSA-M 0.000 description 12
- 230000009471 action Effects 0.000 description 11
- 239000007864 aqueous solution Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 11
- 238000002133 sample digestion Methods 0.000 description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000002848 electrochemical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- TUJKJAMUKRIRHC-UHFFFAOYSA-N hydroxyl Chemical compound [OH] TUJKJAMUKRIRHC-UHFFFAOYSA-N 0.000 description 1
- 229910001410 inorganic ion Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000001699 photocatalysis Effects 0.000 description 1
- 238000013032 photocatalytic reaction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrochemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及水质TOC检测技术领域,尤其一种基于神经网络的水质TOC高效检测方法及其装置,包括以下步骤:S1对水体进行采样和预处理;S2将所述待测样品置于222nm准分子灯的照射下,加入H2O2溶液,进行消解氧化反应,收集反应产生的气体;S3利用电导率检测器测定所述待测样品的电导率;S4测定所述待测样品消解氧化过程中产生的气体中CO2含量,并换算成水体的TOC值;S5建立所述水体消解氧化反应所需的时间、待测样品的初始电导率、根据CO2浓度检测器计算得到的TOC值之间的关系模型,模型建立之后,代替CO2浓度检测器,计算水体的TOC值。本发明通过神经网络机器学习建立TOC的在线检测模型,能够提高检测精度,提升检测效率,简化检测流程。
Description
技术领域
本发明涉及水质TOC检测技术领域,尤其一种基于神经网络的水质TOC高效检测方法及其装置。
背景技术
TOC是指Total Organic Carbon(总有机碳)的缩写,是指有机化合物所含碳元素的量。TOC测试通常通过将样品中的有机物质氧化成二氧化碳,然后测量生成的二氧化碳的含量来计算有机碳的总含量。目前市场上存在的TOC在线分析原理主要有紫外氧化法、高温催化氧化法和电化学法等。
其中,紫外氧化法对选择合适的紫外波长要求高,如果选择的波长不当,就可能导致部分有机物质无法被氧化,从而影响测量结果的准确性。催化氧化法,对催化剂的种类和剂量要求高,通常需要大量的催化剂。电化学法,存在无机离子影响大、维护成本高等问题。
发明内容
本发明的目的是为了克服现有的TOC在线检测的主要问题,提出一种由UV 222nm和H2O2法替换常规消解氧化装置,由于H2O2在UV 222nm处的强吸收,能有效提高氧化效率,节约氧化剂成本。
本申请利用222nm紫外和H2O2对待测样品进行光催化,以使待测样品在光催化的作用下将有机化合物氧化成二氧化碳,通过二氧化碳检测器测量二氧化碳浓度,再通过换算获取TOC浓度值。
消解氧化反应原理为:过氧化氢在UV 222nm照射下生成羟基自由基·OH,·OH与紫外协同将有机物降解为CO2,反应式为:
H2O1+hv→2·OH
有机物+hv→CO2+H2O
有机物+·OH→CO2+H2O
具体方案如下:
一种基于神经网络的水质TOC高效检测方法,具体包括以下步骤:
S1、将水体进行采样后,进行预处理过滤,得到待测样品;
S2、将所述待测样品置于222nm准分子灯的照射下,加入H2O2溶液,进行消解氧化反应,收集反应产生的气体;
S3、利用电导率检测器测定所述待测样品的电导率,定时记录所述待测样品的电导率,当电导率或者电导率的变化率达到阈值时,进行下一步;
S4、利用CO2浓度检测器测定所述待测样品消解氧化过程中产生的气体中CO2含量,并换算成水体的TOC值;
S5、建立所述水体消解氧化反应所需的时间、待测样品的初始电导率、根据CO2浓度检测器计算得到的TOC值之间的关系模型,模型建立之后,代替CO2浓度检测器,计算水体的TOC值。
优选地,步骤S2中所述H2O2溶液的浓度为1-50mmol/L,所述H2O2溶液与所述待测样品按照体积比0-6:5-12混合,
优选地,所述H2O2溶液与所述待测样品按照体积比1:10混合。
优选地,步骤S3中所述定时记录,是指记录待测样品的初始电导率,再间隔0.5-2min测定所述待测样品的电导率的变化,所述测定样品的电导率或变化率低于预设阈值时,视为所述待测样品中的有机化合物被完全消解氧化,进行下一步。
进一步地,步骤S5中所述关系模型的建立方法,包括以下步骤:
P1、收集数据集,将S3中测定的所述待测样品的初始电导率和消解氧化所消耗的时间,作为输入数据,将S4测定的TOC值作为输出数据;
P2、在神经网络数据分析之前,将数据进行归一化处理,再计算;
P3、确定神经网络层数和隐藏层;
P4、采用神经网络算法,设定模型参数;
P5、根据模型进行计算,得到TOC值。
优选地,步骤P1中所述数据集≥100组,其中训练集为80-100组,测试集为0-20组。
优选地,步骤P3中所述隐藏层为1-5,
优选地,步骤P3中所述隐藏层为3。
优选地,步骤P4中所述神经网络算法是指采用BP神经网络。
优选地,步骤P4中所述模型参数包括将学习率设置为0.1-0.2,所述激活函数为sigmoid。
本发明还保护一种由上述任一项所述方法的高效检测装置,包括水样存储罐(1)、注射泵(2)、准分子222nm紫外灯(3)、催化氧化室(4)、CO2浓度检测器(5)、H2O2注射器(6)、电导率检测器(7)、电磁阀(8)、废液桶(9);其中,
所述水样存储罐(1)的出口与所述注射泵(2)相连,所述注射泵(2)与所述催化氧化室(4)的底部进口相连,所述准分子222nm紫外灯(3)设置在所述催化氧化室(4)的侧面,所述催化氧化室(4)的顶部出口与所述CO2浓度检测器(5)相连,所述催化氧化室(4)的顶部与H2O2注射器(6)相连,所述催化氧化室(4)的侧面与所述电导率检测器(7)相连,所述催化氧化室(4)的底部出口与所述电磁阀(8)相连,所述电磁阀(8)与废液桶(9)相连。
进一步地,根据上述所述高效检测装置中所述准分子222nm紫外灯(3)最外面设置石英玻璃套管(15),所述石英玻璃套管(15)内设有同轴套接的内管和外管,所述内管位于所述石英玻璃套管(15)的中心,所述内管由准分子灯石英内壁(11)围合形成封闭区域,所述内管顶部连接正极电缆(10);所述内管之外设有KrCl气体室(12),所述KrCl气体室(12)被所述准分子灯石英外壁(13)包围形成封闭U型气体腔,所述准分子灯石英外壁(13)的表面设置负极铜丝网(14)。
有益效果:
该方法采用UV 222nm和H2O2替代常规消解氧化装置,能够提高消解效率。相比UV254nm,H2O2在UV 222nm处有高达5倍的摩尔吸光系数,能够更快的生成·OH,减少H2O2的消耗量。同时,通过神经网络机器学习建立TOC的在线检测模型,能够提高检测精度,提升检测效率,简化检测流程。
附图说明
为了更清楚地说明本发明的技术方案,下面将对附图作简单的介绍,显而易见地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1是基于UV 222nm和H2O2的TOC在线检测方法流程图;
图2是神经网络模型在TOC在线检测中的应用流程;
图3是本发明UV 222nm TOC高效检测装置示意图;
图3标记:水样存储罐(1)、注射泵(2)、准分子222nm紫外灯(3)、催化氧化室(4)、CO2浓度检测器(5)、H2O2注射器(6)、电导率检测器(7)、电磁阀(8)、废液桶(9);
图4是UV 222nm准分子紫外灯剖视图;
图4标记:正极电缆(10)、子灯石英内壁(11)、KrCl气体室(12)、准分子灯石英外壁(13)、负极铜丝网(14)、石英玻璃套管(15);
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者,均为可以通过市购获得的常规产品。在下面的实施例中,如未特别说明,“%”是指重量百分比,份是指重量份。
实施例中采用的待测样品为1062.7mg/L的邻苯二甲酸氢钾的水溶液,其TOC为50mg/L。
实施例1
参考图1,一种基于神经网络的水质TOC高效检测方法,采用图3、图4所示的检测装置,图3装置的结构包括水样存储罐1,注射泵2,准分子222nm紫外灯3,催化氧化室4,CO2浓度检测器5,H2O2注射器6,电导率检测器7,电磁阀8,废液桶9;
该装置的连接顺序为:
所述水样存储罐1的出口与所述注射泵2相连,所述注射泵2与所述催化氧化室4的底部进口相连,所述准分子222nm紫外灯3设置在所述催化氧化室4的侧面,所述催化氧化室4的顶部出口与所述CO2浓度检测器4相连,所述催化氧化室4的顶部与H2O2注射器4相连,所述催化氧化室4的侧面与所述电导率检测器4相连,所述催化氧化室4的底部入口与所述电磁阀8相连,所述电磁阀8与废液桶9相连。
图4为UV 222nm准分子紫外灯剖视图,该装置包括正极电缆10、准分子灯石英内壁11、KrCl气体室12、准分子灯石英外壁13、负极铜丝网14、石英玻璃套管15;
其中,准分子222nm紫外灯3的结构见图4,准分子222nm紫外灯3最外面设置石英玻璃套管15,在石英玻璃套管15内设有同轴套接的内管和外管,内管位于石英玻璃套管15的中心,内管由准分子灯石英内壁11围合形成封闭区域,内管顶部连接正极电缆10。内管之外设有KrCl气体室12,该KrCl气体室12是由准分子灯石英外壁13包围形成的封闭U型气体腔。准分子灯石英外壁13的表面,设置负极铜丝网14。
运用上述检测装置的方法包括如下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与待测水体的体积比为1:10,所述待测水体在UV 222nm以及H2O2溶液的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
实施例2
参考图1,一种基于神经网络的水质TOC高效检测方法,采用图3、图4所示的检测装置,图3装置的结构包括水样存储罐1,注射泵2,准分子222nm紫外灯3,催化氧化室4,CO2浓度检测器5,H2O2注射器6,电导率检测器7,电磁阀8,废液桶9;
该装置的连接顺序为:
所述水样存储罐1的出口与所述注射泵2相连,所述注射泵2与所述催化氧化室4的底部进口相连,所述准分子222nm紫外灯3设置在所述催化氧化室4的侧面,所述催化氧化室4的顶部出口与所述CO2浓度检测器4相连,所述催化氧化室4的顶部与H2O2注射器4相连,所述催化氧化室4的侧面与所述电导率检测器4相连,所述催化氧化室4的底部入口与所述电磁阀8相连,所述电磁阀8与废液桶9相连。
图4为UV 222nm准分子紫外灯剖视图,该装置包括正极电缆10、准分子灯石英内壁11、KrCl气体室12、准分子灯石英外壁13、负极铜丝网14、石英玻璃套管15;
其中,准分子222nm紫外灯3的结构见图4,准分子222nm紫外灯3最外面设置石英玻璃套管15,在石英玻璃套管15内设有同轴套接的内管和外管,内管位于石英玻璃套管15的中心,内管由准分子灯石英内壁11围合形成封闭区域,内管顶部连接正极电缆10。内管之外设有KrCl气体室12,该KrCl气体室12是由准分子灯石英外壁13包围形成的封闭U型气体腔。准分子灯石英外壁13的表面,设置负极铜丝网14。
运用上述检测装置的方法包括如下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为10mmol/L,H2O2溶液与待测水体的体积比为1:10,所述待测水样在UV 222nm以及H2O2溶液的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
实施例3
参考图1,一种基于神经网络的水质TOC高效检测方法,采用图3、图4所示的检测装置,图3装置的结构包括水样存储罐1,注射泵2,准分子222nm紫外灯3,催化氧化室4,CO2浓度检测器5,H2O2注射器6,电导率检测器7,电磁阀8,废液桶9;
该装置的连接顺序为:
所述水样存储罐1的出口与所述注射泵2相连,所述注射泵2与所述催化氧化室4的底部进口相连,所述准分子222nm紫外灯3设置在所述催化氧化室4的侧面,所述催化氧化室4的顶部出口与所述CO2浓度检测器4相连,所述催化氧化室4的顶部与H2O2注射器4相连,所述催化氧化室4的侧面与所述电导率检测器4相连,所述催化氧化室4的底部入口与所述电磁阀8相连,所述电磁阀8与废液桶9相连。
图4为UV 222nm准分子紫外灯剖视图,该装置包括正极电缆10、准分子灯石英内壁11、KrCl气体室12、准分子灯石英外壁13、负极铜丝网14、石英玻璃套管15;
其中,准分子222nm紫外灯3的结构见图4,准分子222nm紫外灯3最外面设置石英玻璃套管15,在石英玻璃套管15内设有同轴套接的内管和外管,内管位于石英玻璃套管15的中心,内管由准分子灯石英内壁11围合形成封闭区域,内管顶部连接正极电缆10。内管之外设有KrCl气体室12,该KrCl气体室12是由准分子灯石英外壁13包围形成的封闭U型气体腔。准分子灯石英外壁13的表面,设置负极铜丝网14。
运用上述检测装置的方法包括如下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为50mmol/L,H2O2溶液与待测水体的体积比为1:10,所述待测样品在UV 222nm以及H2O2溶液的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
实施例4
参考实施例1,采用不同时间记录电导率,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与待测水体的体积比为1:10,所述待测样品在UV 222nm以及H2O2溶液的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔0.5min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
实施例5
参考实施例1,采用不同时间记录电导率,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与待测水体的体积比为1:10,所述待测样品在UV 222nm以及H2O2溶液的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔2min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
实施例6
参考实施例1,将学习率设置为0.2,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与待测水体的体积比为1:10,所述待测样品在UV 222nm以及H2O2溶液的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.2,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
对比例1
参考实施例1,采用UV 254nm代替将UV 222nm处理水体,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为254nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与水体的体积比为1:10,所述待测样品在UV 254nm以及H2O2的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
结果见表1,相比实施例1,对比例1中消解氧化所需时间增长。
对比例2
参考实施例1,采用UV 308nm代替将UV 222nm处理水体,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为308nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与水体的体积比为1:10,所述待测样品在UV 308nm以及H2O2的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
结果见表1,H2O2在UV 308nm处吸收弱,消解氧化时间大幅增长。
对比例3
参考实施例1,不加入H2O2溶液进行反应,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3,所述待测样品在UV222 nm的作用下发生消解反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
结果见表1,单独紫外辐射也能消解有机物,但无法产生·OH,导致消解能力变弱,消解时间大幅增加。
对比例4
参考实施例1,H2O2溶液与水体按照体积比1:12进行反应,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与待测水体的体积比为1:12,所述待测样品在UV 222nm以及H2O2溶液的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
对比例5
参考实施例1,H2O2溶液与水体按照体积比6:5进行反应,包括以下步骤:
S1:样品采样与预处理:利用取样器对1062.7mg/L的邻苯二甲酸氢钾水溶液进行采样后,进行过滤在内的预处理,得到待测水体,完成后将样品从水样存储罐1置于催化氧化室4中;
S2:有机物氧化处理:催化氧化系统中配置有紫外发射波长为222nm的准分子灯3与H2O2溶液6,H2O2溶液的浓度为20mmol/L,H2O2溶液与水体的体积比为6:5,所述待测样品在UV 222nm以及H2O2的共同作用下发生消解氧化反应,收集产生的气体;
S3:电导率检测:电导率检测器7首先测定刚进入催化氧化室中样品的电导率,在消解氧化反应10min后,每间隔1min中测定样品电导率的变化。当所述测定样品的电导率≤10us/cm或变化率<1%的预设阈值时,判定所述待测样品中的有机化合物被完全消解氧化;
S4:CO2浓度检测:通过CO2浓度检测器5检测样品完成消解氧化后产生的CO2的量,并换算为TOC值;
S5:TOC模型训练:建立起水样消解所需的时间、待测样品的初始电导率、CO2检测器所测得的TOC值之间的关系模型。模型建立之后,代替CO2检测器,计算样品TOC值。
参考图2所示,关系模型的建立方法,包括如下步骤:
P1:数据采集:本案例收集TOC测定中样品的初始电导率、消解所消耗的时间、最终测定的TOC值,前两个数据为输入数据,第三个数据为输出数据。数据集大于等于100组,选择其中80组为训练集,其中20组为测试集;
P2:数据归一化处理:在神经网络数据分析之前,通常需要将数据归一化,利用归一化后的数据进行计算;
P3:神经网络层数以及隐含层的确定:在隐藏层中使用太少的神经元将导致欠拟合。相反,使用过多的神经元同样会导致过拟合,并会增加训练时间。本案例在训练过程中比较1-5层隐藏层训练的训练结果,自主选择最佳隐藏层数为3层;
P4:算法选择:选择BP神经网络算法,将学习率设置为0.1,激活函数为sigmoid;
P5:根据模型计算得到TOC值为50mg/L。
在过量的H2O2溶液条件下,·OH的生成能力达到了最高,消解时间大幅缩短。
表1样品TOC测量(消解)所需时间
以上结果表明,实施例1中的样品在UV 222nm和H2O2溶液条件下,在消解氧化反应中由H2O2产生·OH上有较大的优越性,相比对比例1和对比例2中采用的不同波长,实施例1能够大幅缩短消解时间。同时,由实施例1与对比例3可以看出,在不添加H2O2溶液的条件下,单独紫外辐射也能消解氧化有机物,但无法产生·OH,导致消解氧化能力变弱,消解氧化时间大幅增加。
另外,随着H2O2溶液的增加,在过量的H2O2溶液条件下,·OH的生成能力达到了最高,消解时间大幅缩短。但考虑成本因素,实施例1为最佳方案。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种基于神经网络的水质TOC高效检测方法,其特征在于,具体包括以下步骤:
S1、将水体进行采样后,进行预处理过滤,得到待测样品;
S2、将所述待测样品置于222nm准分子灯的照射下,加入H2O2溶液,进行消解氧化反应,收集反应产生的气体;
S3、利用电导率检测器测定所述待测样品的电导率,定时记录所述待测样品的电导率,当电导率或者电导率的变化率达到阈值时,进行下一步;
S4、利用CO2浓度检测器测定所述待测样品消解氧化过程中产生的气体中CO2含量,并换算成水体的TOC值;
S5、建立所述水体消解氧化反应所需的时间、待测样品的初始电导率、根据CO2浓度检测器计算得到的TOC值之间的关系模型,模型建立之后,代替CO2浓度检测器,计算水体的TOC值。
2.根据权利要求1所述一种基于神经网络的水质TOC高效检测方法,其特征在于:步骤S2中所述H2O2溶液的浓度为1-50mmol/L,所述H2O2溶液与所述待测样品按照体积比0-6:5-12混合,优选为1:10。
3.根据权利要求1所述一种基于神经网络的水质TOC高效检测方法,其特征在于:步骤S3中所述定时记录,是指记录待测样品的初始电导率,再间隔0.5-2min测定所述待测样品的电导率的变化,所述测定样品的电导率或变化率低于预设阈值时,视为所述待测样品中的有机化合物被完全消解氧化,进行下一步。
4.根据权利要求1所述一种基于神经网络的水质TOC高效检测方法,其特征在于:S5中所述关系模型的建立方法包括以下步骤:
P1、收集数据集,将S3中测定的所述待测样品的初始电导率和消解氧化所消耗的时间,作为输入数据,将S4测定的TOC值作为输出数据;
P2、在神经网络数据分析之前,将数据进行归一化处理,再计算;
P3、确定神经网络层数和隐藏层;
P4、采用神经网络算法,设定模型参数;
P5、根据模型进行计算,得到TOC值。
5.根据权利要求4所述一种基于神经网络的水质TOC高效检测方法,其特征在于:步骤P1中所述数据集≥100组,其中训练集为80-100组,测试集为0-20组。
6.根据权利要求4所述一种基于神经网络的水质TOC高效检测方法,其特征在于:步骤P3中所述隐藏层为1-5,优选为3。
7.根据权利要求4所述一种基于神经网络的水质TOC高效检测方法,其特征在于:步骤P4中所述神经网络算法是指采用BP神经网络。
8.根据权利要求4所述一种基于神经网络的水质TOC高效检测方法,其特征在于:步骤P4中所述模型参数包括设置学习率和激活函数,所述学习率设置为0.1-0.2,所述激活函数为sigmoid。
9.一种运用权利要求1-8任一项所述方法的高效检测装置,其特征在于:包括水样存储罐(1)、注射泵(2)、准分子222nm紫外灯(3)、催化氧化室(4)、CO2浓度检测器(5)、H2O2注射器(6)、电导率检测器(7)、电磁阀(8)、废液桶(9);其中,
所述水样存储罐(1)的出口与所述注射泵(2)相连,所述注射泵(2)与所述催化氧化室(4)的底部进口相连,所述准分子222nm紫外灯(3)设置在所述催化氧化室(4)的侧面,所述催化氧化室(4)的顶部出口与所述CO2浓度检测器(5)相连,所述催化氧化室(4)的顶部与所述H2O2注射器(6)相连,所述催化氧化室(4)的侧面与所述电导率检测器(7)相连,所述催化氧化室(4)的底部出口与所述电磁阀(8)相连,所述电磁阀(8)与废液桶(9)相连。
10.根据权利要求9所述高效检测装置,其特征在于:所述准分子222nm紫外灯(3)最外面设置石英玻璃套管(15),所述石英玻璃套管(15)内设有同轴套接的内管和外管,所述内管位于所述石英玻璃套管(15)的中心,所述内管由准分子灯石英内壁(11)围合形成封闭区域,所述内管顶部连接正极电缆(10);所述内管之外设有KrCl气体室(12),所述KrCl气体室(12)被所述准分子灯石英外壁(13)包围形成封闭U型气体腔,所述准分子灯石英外壁(13)的表面设置负极铜丝网(14)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464485.9A CN116500091A (zh) | 2023-04-26 | 2023-04-26 | 一种基于神经网络的水质toc高效检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464485.9A CN116500091A (zh) | 2023-04-26 | 2023-04-26 | 一种基于神经网络的水质toc高效检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116500091A true CN116500091A (zh) | 2023-07-28 |
Family
ID=87322505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310464485.9A Pending CN116500091A (zh) | 2023-04-26 | 2023-04-26 | 一种基于神经网络的水质toc高效检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116500091A (zh) |
-
2023
- 2023-04-26 CN CN202310464485.9A patent/CN116500091A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Analytical approaches for determining chemical oxygen demand in water bodies: a review | |
CN102636446B (zh) | 臭氧紫外协同氧化消解检测总氮总磷的在线检测装置 | |
CN101788522B (zh) | 基于硼掺杂金刚石膜电极的cod在线监测装置和方法 | |
US10302552B2 (en) | Apparatus, composition and method for determination of chemical oxidation demand | |
CN101238364A (zh) | 用光电化学方法进行水分析 | |
CN100454004C (zh) | 臭氧与过氧化氢协同测量化学耗氧量和总有机碳的方法 | |
EP3809129B1 (en) | A total organic carbon analyzer | |
KR101229577B1 (ko) | 총 유기탄소 측정방법 및 장치 | |
CN106153696A (zh) | 化学需氧量检测装置 | |
CN203101266U (zh) | 一种水质化学需氧量快速在线监测仪器 | |
DE112014004882T5 (de) | Kohlenstoffanalyse unter Verwendung von Ferratoxidation | |
CN103575869B (zh) | 臭氧协同紫外检测水体cod的方法及装置 | |
CN102998347A (zh) | 基于超临界水氧化的化学需氧量检测方法和设备 | |
CN113065095B (zh) | 一种基于紫外光谱的水中氮含量检测算法 | |
KR101208190B1 (ko) | 초음파 분해 및 산화환원전위 기반 적정을 통한 화학적 산소요구량 분석방법 및 그 분석장치 | |
Zhang et al. | A carbon-dot fluorescence capillary sensor for the determination of chemical oxygen demand | |
JP4175002B2 (ja) | 酸化・還元剤の注入量制御方法 | |
CN100429500C (zh) | 一种水体化学需氧量的测定方法 | |
CN210604394U (zh) | 一种基于高级氧化技术的水体总铬含量在线检测装置 | |
CN116500091A (zh) | 一种基于神经网络的水质toc高效检测方法及其装置 | |
US20220317080A1 (en) | Derived alkalinity | |
CN112051317B (zh) | 一种cod在线检测方法及设备 | |
CN110441376A (zh) | 一种cod在线检测方法及装置 | |
JP2002107352A (ja) | 水質分析装置 | |
JP2009300203A (ja) | 硫黄の分析方法および分析装置 |
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 |