CN117101438A - 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统 - Google Patents

基于可见光光催化剂pvdf超滤膜生产的控制方法及系统 Download PDF

Info

Publication number
CN117101438A
CN117101438A CN202311088814.0A CN202311088814A CN117101438A CN 117101438 A CN117101438 A CN 117101438A CN 202311088814 A CN202311088814 A CN 202311088814A CN 117101438 A CN117101438 A CN 117101438A
Authority
CN
China
Prior art keywords
ultrafiltration membrane
evidence
trust
belief
cell
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
CN202311088814.0A
Other languages
English (en)
Other versions
CN117101438B (zh
Inventor
韩祥瑞
唐忠瀚
张春梅
王梅兰
黄亚明
韩祥友
吴单单
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 Gerrit Membrane Technology Co ltd
Original Assignee
Jiangsu Gerrit Membrane Technology 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 Gerrit Membrane Technology Co ltd filed Critical Jiangsu Gerrit Membrane Technology Co ltd
Priority to CN202311088814.0A priority Critical patent/CN117101438B/zh
Publication of CN117101438A publication Critical patent/CN117101438A/zh
Application granted granted Critical
Publication of CN117101438B publication Critical patent/CN117101438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D71/00—Semi-permeable membranes for separation processes or apparatus characterised by the material; Manufacturing processes specially adapted therefor
    • B01D71/06—Organic material
    • B01D71/30—Polyalkenyl halides
    • B01D71/32—Polyalkenyl halides containing fluorine atoms
    • B01D71/34—Polyvinylidene fluoride
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D61/00—Processes of separation using semi-permeable membranes, e.g. dialysis, osmosis or ultrafiltration; Apparatus, accessories or auxiliary operations specially adapted therefor
    • B01D61/14—Ultrafiltration; Microfiltration
    • B01D61/145—Ultrafiltration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D67/00—Processes specially adapted for manufacturing semi-permeable membranes for separation processes or apparatus
    • B01D67/0002—Organic membrane manufacture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D69/00—Semi-permeable membranes for separation processes or apparatus characterised by their form, structure or properties; Manufacturing processes specially adapted therefor
    • B01D69/02—Semi-permeable membranes for separation processes or apparatus characterised by their form, structure or properties; Manufacturing processes specially adapted therefor characterised by their properties
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/30—Treatment of water, waste water, or sewage by irradiation
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/44—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis
    • C02F1/444—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis by ultrafiltration or microfiltration
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Water Supply & Treatment (AREA)
  • Organic Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Toxicology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Separation Using Semi-Permeable Membranes (AREA)

Abstract

本发明公开了基于可见光光催化剂PVDF超滤膜生产的控制方法及系统；将真空抽滤机的反应区划分为不同的元胞，每个元胞代表一个区域，具有属性MA(染料截留率模型结果)、MB(盐截留率模型结果)和MC(内分泌干扰物去除率模型结果)。通过将这些元胞置于同一个模拟空间中，本发明可以将其视为一个完整的PVDF超滤膜。一、性能稳定性：在传统的超滤膜生产中，由于制备条件的波动、原材料差异等因素，超滤膜的性能出现不稳定的情况。基于可见光光催化剂PVDF超滤膜生产的控制方法通过实时验证和调整，可以确保转换函数模拟结果与实际证据的一致性。这种方法可以减少性能波动，提高超滤膜的性能稳定性，从而满足产品质量的要求。

Description

基于可见光光催化剂PVDF超滤膜生产的控制方法及系统
技术领域
本发明涉及PVDF生产技术领域，特别涉及基于可见光光催化剂PVDF超滤膜生产的控制方法及系统。
背景技术
可见光催化技术已成为制备功能性聚合膜的重要途径。其中，基于石墨碳氮化物(g-C3N4)的光催化膜备受瞩目，因其中等带隙(2.7eV)和最大吸收波长(约460nm)，使其能在可见光范围内高效吸收光能，促进化学反应。为了克服块状g-C3N4的表面积较小和光生载流子复合速率快的问题，研究人员探索了掺杂、剥离和构筑异质结等方法。这些策略有效提高了g-C3N4的光催化活性，使其在膜制备中发挥更优越的性能。在制备过程中，引入其他材料如石墨烯、氧化石墨烯和碳纳米管等，对提升膜的性能起到关键作用。通过在膜基质中引入亲水性表面改性高分子(LSMM)与含氧石墨氮化碳(OGCN)，可以有效提高光催化活性。不同的膜结构设计影响光催化效率。例如，构建二维石墨烯纳米片皱褶结构，提供了优异的水传输通道，但调节层间距仍是挑战。引入磁性Fe3O4/g-C3N4，形成有序大孔结构，显著增强了膜的光催化活性。
近期的研究(《光催化分离膜的制备及其在水处理中的应用》DOI：10.16085/j.issn.1000-6613.2020-1814)集中在通过一维石墨氮化碳纳米管(g-C3N4NT)插层rGO纳滤膜，提高膜的水通量。同时，也探索了新颖的多功能滤膜，如由g-C3N4、TiO2、CNTs和氧化石墨烯(GO)组装而成的纳滤膜，在去除水中污染物方面表现出良好性能。具体来说，该光辅助多功能滤膜由石墨碳氮化物(g-C3N4)、二氧化钛(TiO2)、碳纳米管(CNTs)和氧化石墨烯(GO)等多种材料组装而成。其中，石墨碳氮化物和二氧化钛之间的异质结形成了丰富的光生电荷，而碳纳米管和氧化石墨烯的引入不仅扩展了石墨烯层之间的层间距，还增强了石墨烯层的稳定性和强度。这些特性共同使得该滤膜在多个方面表现出卓越性能。该光辅助多功能滤膜在水处理方面表现出显著的效果。首先，滤膜具有高水通量，达到了每平方米每小时16升。其次，滤膜对于染料甲基橙的截留率达到100％，显示出出色的去除效果。同时，在盐类截留方面，钠硫酸盐(Na2SO4)的截留率为67％，这意味着滤膜在保持高水通量的同时，能够有效去除水中的盐类。除了染料和盐类，该滤膜在去除其他污染物方面也表现出强大能力。对于水中的氨氮、抗生素和受污染的环境内分泌干扰物(BPA)，分别实现了50％、80％和82％的去除率。这表明该滤膜在处理复杂水质中的不同污染物方面具有广泛的应用前景。
但是发明人经长期工作与研究发现，上述的超滤膜生产方法在某些情况下面临一些挑战和限制：
(1)性能稳定性：传统超滤膜可能受到原材料批次差异、制备条件波动等因素影响，导致性能不稳定。
(2)对生产成本的控制：传统超滤膜生产需要大量的试验和实验验证，以确定最佳的制备条件。
(3)反馈与调整：传统生产过程往往难以实时监测和调整，可能导致问题的迅速扩大。
(4)生产效率：传统生产可能需要大量的试错和优化过程，耗费时间和资源。
为此，提出基于可见光光催化剂PVDF超滤膜生产的控制方法及系统。
发明内容
有鉴于此，本发明实施例希望提供基于可见光光催化剂PVDF超滤膜生产的控制方法及系统，以解决或缓解现有技术中存在的技术问题，即性能稳定性、对生产成本的控制、反馈与调整和生产效率，并对此至少提供一种有益的选择；
本发明实施例的技术方案是这样实现的：
第一方面
基于可见光光催化剂PVDF超滤膜生产的控制方法：
首先，通过建立染料截留率模型(MA)、盐截留率模型(MB)和内分泌干扰物去除率模型(MC)，将不同属性与超滤膜性能参数建立关联。这些模型基于先进的化学理论和实验数据，将各种因素考虑在内，从而准确预测超滤膜的性能表现。然后执行如下步骤：
STEP-1，元胞自动机模拟：将真空抽滤机的反应区划分为不同的元胞，每个元胞代表一个区域，具有属性MA(染料截留率模型结果)、MB(盐截留率模型结果)和MC(内分泌干扰物去除率模型结果)。这些属性是通过建立模型并计算得出的，代表了不同方面的超滤膜性能。通过将这些元胞置于同一个模拟空间中，本发明可以将其视为一个完整的PVDF超滤膜。
每个元胞视为一个二维坐标(i,j)，其中i表示行坐标，j表示列坐标；
MA：表示为MA(i,j)；
MB：表示为MB(i,j)；
MC：表示为MC(i,j)；
使用Moore邻居定义元胞邻居关系，每个元胞与其周围的八个相邻元胞连接，Moore邻居集合N(i,j)：
N(i,j)＝{(i-1,j-1),(i-1,j),(i-1,j+1),(i,j-1),(i,j),(i,j+1),(i
+1,j-1),(i+1,j),(i+1,j+1)}
其中，每个坐标对(i,j)表示一个相邻元胞的坐标。
STEP-2，阈值的反馈与评估：设定阈值Threshold-A，将转换函数映射为线性数值，并将模型计算得到的MA、MB和MC与阈值Threshold-A进行比较。如果某个属性的数值超过阈值Threshold-A，就执行下一步(STEP-3)。
在所述STEP-1中：元胞转换函数f(i，j)为加权求和：
f(i，j)＝wMA*MA(i，j)+wMB*MB(i，j)+wMC*MC(i，j)
其中，wMA、wMB、wMC是相应属性的权重，用来决定每个属性在模拟中的重要性。
计算建立染料截留率模型MA、盐截留率模型MB和内分泌干扰物去除率模型MC的均值和标准差，分别表示为：
μMA、μMB、μMC、σMA、σMB、σMC
1)计算加权平均值：定义一个加权平均值Wavg，表示为：
Wavg＝wMA*μMA+wMB*μMB+wMC*μMC
其中，wMA、wMB和wMC是各属性的权重，表示它们在整体性能中的重要性；
2)计算加权标准差：定义一个加权标准差Wstd，表示为：
Wstd＝√(wMA2*σMA2+wMB2*σMB2+wMC2*σMC2)
3)确定阈值Threshold-A：基于加权平均值和加权标准差，设置阈值Threshold-A为加权平均值加上一个倍数的加权标准差：
Threshold-A＝Wavg+k*Wstd
其中，k是一个可调整的参数，用于控制阈值的灵敏度。
为了模拟PVDF超滤膜的结构，本发明需要定义元胞之间的邻居关系。这种邻居关系可以基于Moore邻居关系等方式进行定义，以确保元胞之间的相互影响和联系得以模拟。这样，本发明就可以在模拟中考虑元胞之间的相互作用，从而更准确地预测整个PVDF超滤膜的性能。通过将这些元胞视为一个整体的PVDF超滤膜，本发明能够更全面地考虑不同属性在超滤膜中的分布和相互作用。这种元胞自动机模拟方法使得本发明可以在模拟中探索不同条件下的性能变化，从而优化生产过程并提高超滤膜的性能稳定性和生产效率。整合了模型、元胞自动机模拟和验证等步骤，该方法为基于可见光光催化剂PVDF超滤膜的生产提供了全面而精确的控制方案。
STEP-3，验证：在这一步中，使用荧光光谱函数作为证据，并将其与线性化的转换函数参数进行验证。为了验证模型的准确性和可靠性。使用皮尔逊系数或D-S证据理论是一种用于处理不确定性的方法，可以帮助在模糊和不确定的环境中进行推理和决策。
在STEP-3中，使用Pearson相关系数：
Pearson correlation coefficient(r)
＝Covariance(spectrum,L(i,j))/(StdDev(spectrum)
*StdDev(L(i,j)))
其中，Covariance表示协方差，StdDev表示标准差，通过计算Pearson相关系数，评估转换函数的输出参数与荧光光谱之间的线性相关性关系。
使用D-S证据理论实施：
1)合并证据：将荧光光谱函数f(spectrum)和转换函数的输出L(i,j)视为两个不同来源的证据，然后根据D-S证据理论，将这两个证据进行合并，以得出一个综合的结论；
2)确定信任分配函数：设信任分配函数分别为Belief和Plausibility，定义如下：
Belief(evidence)＝Confidence(evidence)/(1+Confidence(evidence))
Plausibility(evidence)＝1-Belief(not evidence)
其中，evidence表示某一证据，Confidence表示对该证据的置信度。
3)合并证据的信任分配：
通过使用D-S合并规则，将两个证据的信任分配函数进行合并，得出综合的信任分配函数。
STEP-4，执行生产控制策略：根据验证后的模型参数，预测PVDF超滤膜的性能表现。然后，根据这些预估结果，执行生产控制策略来调整PVDF超滤膜的生产过程。这涉及调整材料含量、工艺参数等，以确保满足设计的性能要求。
第二方面
基于可见光光催化剂PVDF超滤膜生产的控制系统
该控制系统是一个计算机化系统，旨在实现对基于可见光光催化剂PVDF超滤膜生产过程的精确控制。系统由以下主要组件组成：
(1)处理器：控制系统的核心部分，负责执行程序指令、处理数据和进行决策。处理器根据预先设定的控制方法执行各个步骤，以优化超滤膜的生产过程。
(2)存储器：存储器与处理器耦合，用于存储程序指令、模型参数、计算结果和其他关键数据。存储器中存储有执行基于可见光光催化剂PVDF超滤膜生产的控制方法所需的信息。
(3)程序指令：存储在存储器中的程序指令是控制系统的指导，它们定义了如何执行基于可见光光催化剂PVDF超滤膜生产的控制方法的各个步骤。
实现控制方法：
(1)程序执行：处理器执行存储器中存储的程序指令。这些指令描述了建立模型、元胞自动机模拟、阈值反馈与评估、验证和生产控制策略等步骤。
(2)模型参数读取：控制系统从存储器中读取预先计算得到的模型参数，包括染料截留率模型(MA)、盐截留率模型(MB)和内分泌干扰物去除率模型(MC)等。
(3)元胞自动机模拟：处理器根据元胞自动机模拟的定义，对不同属性的元胞进行相互作用模拟，以模拟PVDF超滤膜的结构和性能。
(4)阈值比对：控制系统将模拟得到的MA、MB和MC与预设的阈值Threshold-A进行比对，确定是否需要进行进一步验证。
(5)验证步骤：若某个属性超过阈值Threshold-A，控制系统进入验证步骤，基于荧光光谱函数等方法验证模拟结果的准确性。
(6)参数预测与调整：验证通过后，控制系统根据模拟结果预测PVDF超滤膜的性能。根据预测结果，执行生产控制策略，调整生产参数以确保超滤膜达到预期性能。
总结性的，与现有技术相比，本发明所提供的基于可见光光催化剂PVDF超滤膜生产的控制方法及系统的有益效果如下：
一、性能稳定性：在传统的超滤膜生产中，由于制备条件的波动、原材料差异等因素，超滤膜的性能出现不稳定的情况。基于可见光光催化剂PVDF超滤膜生产的控制方法通过实时验证和调整，可以确保转换函数模拟结果与实际证据的一致性。这种方法可以减少性能波动，提高超滤膜的性能稳定性，从而满足产品质量的要求。
二、生产成本控制：传统的超滤膜生产需要大量的试验和实验验证，增加了生产的成本和时间。而基于可见光光催化剂PVDF超滤膜生产的控制方法通过模拟和验证，可以减少实验成本。通过提前模拟并优化制备条件，减少试错次数和材料浪费，从而降低了生产成本，使生产更具经济性。
三、反馈与调整：传统生产过程往往难以实时监测和调整，导致问题的迅速扩大。基于可见光光催化剂PVDF超滤膜生产的控制方法充分利用实时验证和调整，使生产过程可以在问题出现之前进行调整。这种方法能够快速响应潜在的问题，降低了生产风险，保障了产品质量。
四、生产效率：传统生产需要大量的试错和优化过程，导致生产效率低下。基于可见光光催化剂PVDF超滤膜生产的控制方法通过预估和调整，可以快速找到最优制备条件。这种方法提高了生产效率，减少了试验和优化所需的时间，使生产过程更加高效。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1为本发明的逻辑示意图；
图2为本发明的实施例六、七的函数图；
图3为本发明的实施例九的控制程序示意图；
图4为本发明的实施例九的控制程序示意图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；
实施例一
请参阅图1，本具体实施方式将提供相关技术方案：
基于可见光光催化剂PVDF超滤膜生产的控制方法：
STEP-1，元胞自动机模拟：对真空抽滤机的反应区建立元胞自动机模型；定义元胞邻居关系，将所有元胞视为一个完整的PVDF超滤膜；定义元胞转换函数，对PVDF超滤膜生产的化学特性进行模拟；
具体的，在这一步骤中，本实施例以真空抽滤机的反应区为基础，建立了一个元胞自动机模型。每个区域被视为一个元胞，具有染料截留率属性(MA)、盐截留率属性(MB)和内分泌干扰物去除率属性(MC)。通过将元胞之间的邻居关系定义为Moore邻居关系，本实施例能够将所有元胞视为一个完整的PVDF超滤膜，模拟超滤膜的分布和特性。本实施例定义了一个元胞转换函数，这个函数将元胞的属性MA、MB和MC映射为一个综合的数值，以模拟PVDF超滤膜的化学特性。这个函数考虑了不同属性之间的相互影响，从而更准确地反映了超滤膜的性能。
STEP-2，阈值的反馈与评估：设定阈值Threshold-A，将转换函数映射为线性数值并与阈值Threshold-A比对，如果突破阈值Threshold-A，执行STEP-3；
具体的，本实施例设定了阈值Threshold-A，用于判定超滤膜性能是否达到预期要求。通过将元胞转换函数映射为线性数值，本实施例可以将模拟结果与阈值Threshold-A进行比对。如果某个属性的数值超过了阈值，表示超滤膜的性能在该方面需要进一步验证。
STEP-3，验证：基于荧光光谱函数f(spectrum)作为证据，与线性化的转换函数输出的参数进行验证；
具体的，在这一步骤中，本实施例引入荧光光谱函数f(spectrum)作为证据，与线性化的转换函数输出的参数进行验证。这是通过皮尔逊系数或D-S证据理论来实现的，旨在验证模拟的准确性和可靠性。这一步确保了模拟结果与实际情况的高度一致性。
STEP-4，执行生产控制策略：将验证后的参数作为预估结果，对PVDF超滤膜生产进行调整。
具体的，验证后的参数作为预估结果，被用于调整PVDF超滤膜的生产。根据预估结果，本实施例执行生产控制策略，调整材料配比、工艺参数等，以确保超滤膜达到预期性能。这一步骤实现了对生产过程的实时优化，确保每个生产批次的超滤膜都具备一致的高性能。
在本实施例中，基于(《光催化分离膜的制备及其在水处理中的应用》DOI：10.16085/j.issn.1000-6613.2020-1814)所提供的研究表明，染料截留率、盐截留率和干扰物去除率与产品成效之间的关系，本实施例使用多元回归分析来构建与各种材料含量之间的关系。
在本实施例中，关于建立染料截留率模型MA、盐截留率模型MB和内分泌干扰物去除率模型MC：
染料截留率MA
＝a×(g-C3N4含量)+b×(TiO2含量)+c×(CNTs含量)+d
×(GO含量)+e
这个模型描述了染料截留率与不同成分的含量之间的关系。其中，a、b、c、d和e是待定的系数，反映了每种成分对染料截留率的影响程度。g-C3N4含量、TiO2含量、CNTs含量和GO含量分别代表了超滤膜中石墨碳氮化物、二氧化钛、碳纳米管和氧化石墨烯的含量。通过调整系数和不同成分的含量，可以预测染料截留率在不同条件下的变化趋势。
盐截留率MB
＝f×(g-C3N4含量)+g×(TiO2含量)+h×(CNTs含量)+i×
(GO含量)+j
类似地，盐截留率模型也采用类似的形式，描述了盐截留率与各种成分的含量之间的关系。f、g、h、i和j是待定的系数，反映了不同成分对盐截留率的影响程度。通过调整系数和成分含量，可以预测盐截留率在不同情况下的变化趋势。
内分泌干扰物去除率MC＝k×(g-C3N4含量)+l×(TiO2含量)+m
×(CNTs含量)+n×(GO含量)+o
这个模型描述了内分泌干扰物去除率与不同成分的含量之间的关系。k、l、m、n和o是待定的系数，反映了不同成分对内分泌干扰物去除率的影响程度。通过调整系数和成分含量，可以预测内分泌干扰物去除率在不同条件下的变化趋势。
进一步的，在染料截留率模型MA中，本实施例将不同成分的含量通过加法的形式结合，这些成分对染料截留率的影响是相互独立的。例如石墨碳氮化物(g-C3N4)含量、二氧化钛(TiO2)含量、碳纳米管(CNTs)含量和氧化石墨烯(GO)含量分别对染料截留率有单独的影响。通过确定每个成分的系数(a、b、c、d)，本实施例可以以加法的方式将这些影响结合起来，预测染料截留率在不同条件下的变化。
进一步的，类似地，在盐截留率模型MB中，不同成分对盐截留率的影响是相互独立的。本实施例考虑了同样的成分(g-C3N4、TiO2、CNTs和GO)对盐截留率的影响，通过系数(f、g、h、i)将这些影响以加法的方式结合在一起。这使得本实施例可以预测在不同条件下的盐截留率。
进一步的，内分泌干扰物去除率模型MC同样基于相似的原理。不同成分的含量对内分泌干扰物去除率的影响是相互独立的。通过将各成分(g-C3N4、TiO2、CNTs和GO)的影响以加法的形式结合，用系数(k、l、m、n)来表示它们的影响程度，本实施例能够预测内分泌干扰物去除率在不同情况下的变化。
进一步的，本实施例提供如下系数数值：
a＝0.35
b＝0.22
c＝0.18
d＝0.12
e＝0.05
f＝0.30
g＝0.25
h＝0.15
i＝0.10
j＝0.20
k＝0.25
l＝0.20
m＝0.15
n＝0.12
o＝0.18
以上所述具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例二
根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：
元胞自动机是一种建模方法，通过将系统划分为离散的单元(元胞)，每个元胞具有状态和规则，模拟系统随时间的演化。在可见光光催化剂PVDF超滤膜的情境中，本实施例将真空抽滤机的反应区划分为一个二维网格，每个网格单元作为一个元胞。每个元胞代表一个区域，并具有三个属性：染料截留率MA、盐截留率MB和内分泌干扰物去除率MC。这些属性将在模拟过程中用于预测超滤膜性能。
因此，在本实施例的STEP-1中，包括：
将真空抽滤机的反应区划分为一个二维网格，每个元胞在网格中被赋予一个唯一的二维坐标(i,j)，其中i表示行坐标，j表示列坐标。在这个坐标系下，每个元胞具有特定的属性，即染料截留率MA、盐截留率MB和内分泌干扰物去除率MC。这些属性可以表示为函数关系，MA(i,j)、MB(i,j)和MC(i,j)。
为了模拟元胞之间的相互作用，本实施例引入了Moore邻居关系。每个元胞(i,j)与其周围的八个相邻元胞相连，形成了一个Moore邻居集合N(i,j)，包括了这些相邻元胞的坐标。Moore邻居集合N(i,j)可以表示为以下方式：
N(i,j)＝{(i-1,j-1),(i-1,j),(i-1,j+1),(i,j-1),(i,j),(i,j+1),(i
+1,j-1),(i+1,j),(i+1,j+1)}
其中，每个坐标对(i,j)表示一个相邻元胞的坐标。这个邻居关系允许本实施例模拟元胞之间的信息传递和影响，通过计算相邻元胞的属性来更新当前元胞的属性。
在本实施例中，染料截留率MA：染料截留率是衡量超滤膜对染料的过滤效果的指标。在每个元胞中，染料截留率MA可以表示为函数MA(i,j)，其中(i,j)是元胞的坐标。这个属性的值可以通过常规的实验、模拟、基于先前研究的数据或者如实施例一种所提供的计算方式来获得，它描述了在特定位置(i,j)的元胞上的染料截留率情况。
在本实施例中，盐截留率MB：盐截留率是指超滤膜对盐类物质的截留效果。与染料截留率类似，盐截留率MB也可以表示为MB(i,j)。这个属性衡量了在(i,j)位置上的元胞对盐类物质的过滤性能。
在本实施例中，内分泌干扰物去除率MC：这个属性是用来衡量超滤膜对内分泌干扰物(例如有害物质)的去除效果的。在元胞中，内分泌干扰物去除率MC可以表示为MC(i,j)。它描述了在(i,j)位置上的元胞上的去除内分泌干扰物的能力。
具体的，这些属性参与计算和模拟的方式如下：
在元胞自动机模拟中，每个元胞的属性(MA、MB、MC)会根据其邻居元胞的属性值以及定义的转换函数进行更新。元胞的属性在模拟的每个时间步中会根据其邻居元胞的属性值和预先设定的计算规则进行调整。通过这种方式，本实施例可以模拟超滤膜的性能在不同区域之间的传播和影响。
示例性的，当模拟过程中，某个元胞(i,j)的属性需要更新时，可以利用其邻居元胞的属性值按照特定的计算规则进行更新。这样，整个元胞网格在模拟过程中会逐步演化，反映出超滤膜在不同区域的性能变化。其中一个初始的元胞网格，每个元胞的属性随机分布。例如：
MA(i,j)＝0.4,MB(i,j)＝0.6,MC(i,j)＝0.3
模拟过程：对每个元胞(i,j)计算邻居的属性均值，以更新当前元胞的属性值。使用Moore邻居关系，考虑周围8个相邻元胞的属性。更新规则是加权平均，例如：
MA_new(i,j)＝(MA(i,j)+ΣMA(N(i,j)))/9
MB_new(i,j)＝(MB(i,j)+ΣMB(N(i,j)))/9
MC_new(i,j)＝(MC(i,j)+ΣMC(N(i,j)))/9
其中，N(i,j)是(i,j)元胞的邻居集合。应用更新规则，计算出新的属性值。重复以上步骤，进行多个时间步的模拟。每个时间步，根据周围邻居的属性值更新元胞的属性。随着时间步的增加，元胞网格逐渐演化，不同区域的属性值逐渐趋于稳定。最终，通过模拟可以得到一个新的元胞网格，其中每个元胞的属性值反映了超滤膜在不同区域的性能变化。
总结性的，在本实施例中，这些属性(MA、MB、MC)是用来描述PVDF超滤膜的性能指标，在元胞自动机模拟中，通过定义它们的计算方式和更新规则，可以模拟超滤膜性能在不同位置的变化情况，从而更好地理解和预测可见光光催化剂PVDF超滤膜的生产过程。
进一步的，每个元胞的属性(如染料截留率MA、盐截留率MB和内分泌干扰物去除率MC)可以通过实验测量、模拟计算或先前的数据收集来获得。这些属性的定义需要与元胞的二维坐标(i,j)相关联，以便在元胞自动机模拟中进行使用。具体来说，可以根据实验或模拟结果，将每个元胞的属性值与其二维坐标(i,j)关联。例如，可以通过实验测量得到的数据来估计每个元胞在不同位置上的染料截留率、盐截留率和内分泌干扰物去除率。在模拟过程中，将这些属性值分别赋予每个元胞的二维坐标。例如，如果(i,j)表示一个元胞的坐标，那么可以根据实验数据或模拟结果，将相应的染料截留率、盐截留率和内分泌干扰物去除率值分别赋给MA(i,j)、MB(i,j)和MC(i,j)。
进一步的：
P1、首先，根据实验数据或模拟结果，将每个元胞的染料截留率MA、盐截留率MB和内分泌干扰物去除率MC与其对应的二维坐标关联起来。通过对染料截留率MA、盐截留率MB和内分泌干扰物去除率MC的模型进行演算，以获取不同位置的PVDF超滤膜元胞的染料截留率、盐截留率和内分泌干扰物去除率数据，将实验数据或模拟结果整理成一个二维矩阵或类似的数据结构，其中每行代表一个元胞，每列包含该元胞的坐标、染料截留率、盐截留率和内分泌干扰物去除率。将坐标信息与对应的染料截留率、盐截留率和内分泌干扰物去除率数据关联起来。可以通过矩阵的行索引来表示元胞的坐标，然后将染料截留率、盐截留率和内分泌干扰物去除率作为对应的列数据。将关联后的数据存储到合适的数据结构中，例如二维数组、数据表格或数据库。这些数据将作为模拟过程中每个元胞的初始属性值。
P2、将真空抽滤机的反应区划分为一个二维网格，每个网格单元称为一个元胞，每个元胞具有三个属性：MA、MB和MC。
P3、使用Moore邻居定义元胞的邻居关系。每个元胞与其周围的八个相邻元胞连接，这些邻居元胞的坐标可以用N(i,j)表示。
P4、定义元胞转换函数f(i,j)为加权求和的形式，如之前所述。该函数表示了每个属性在模拟中的重要性。
P5、在模拟的每个时间步中，遍历每个元胞(i,j)。对于每个元胞，计算它的邻居元胞的属性权重加权平均，根据转换函数的定义，更新该元胞的属性值。这可以通过遍历邻居元胞的坐标并计算加权平均来实现。
P5、模拟迭代：重复执行模拟更新步骤，使元胞的属性在每个时间步中逐步演化。模拟可以运行多个时间步，以观察元胞属性随时间的变化。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例三
根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：
在实施例二中，元胞转换函数f(i，j)起着关键作用，它是对元胞的属性MA、MB和MC进行加权求和，从而模拟PVDF超滤膜的生产特性。这一步的目标是根据不同属性的影响程度，综合考虑元胞的性能变化。因此在本实施例的STEP-1中：元胞转换函数f(i，j)为加权求和：
f(i，j)＝wMA*MA(i，j)+wuB*MB(i，j)+wMC*MC(i，j)
其中，wMA、wMB、wMC是相应属性的权重，用来决定每个属性在模拟中的重要性。不同的权重值可以反映出不同属性对PVDF超滤膜特性的影响程度。
这些权重可以用来调整每个属性在模拟中的相对重要性。通过调整权重，本实施例可以更精确地捕捉不同属性对PVDF超滤膜特性的影响程度。
举例来说，假设本实施例希望染料截留率(MA)对超滤膜性能的影响更为重要，可以赋予wMA更大的权重；而如果盐截留率(MB)对性能的影响相对较小，可以给予wMB较小的权重。这种权重的设定能够根据实际需求和实验数据来进行调整，以更好地反映超滤膜的性能变化。
进一步的，决定不同属性对超滤膜性能影响程度的判定标准可以根据生产需求和目标来确定。首先明确生产的主要目标是什么。例如，如果希望超滤膜在处理染料废水时具有更高的净化效果，那么染料截留率(MA)可能需要被赋予更高的权重。进一步的，了解废水中不同污染物的浓度和种类，以及它们对环境和人体健康的影响程度。这将有助于确定哪些属性对废水净化的重要性更高。例如，如果废水中存在高浓度的内分泌干扰物，内分泌干扰物去除率(MC)可能需要被赋予更高的权重。考虑行业规定和法规对废水排放的要求。某些污染物可能有严格的排放标准，因此与这些污染物相关的属性可能需要更高的权重。如果公司追求环境可持续性，可能需要平衡不同属性的影响，以确保超滤膜在处理废水时综合性能良好。
基于上述因素，可以通过专家意见、实验数据分析和环境需求等综合考虑，为每个属性分配适当的权重。例如，如果染料废水的处理是主要目标且有严格的排放标准，可以考虑为染料截留率(MA)赋予较高的权重。这样的判定标准将有助于更精确地捕捉不同属性对超滤膜性能的影响，并更好地满足实际生产需求。
进一步的，如果主要目标是在染料废水处理过程中实现高效净化，高权重分配给染料截留率(MA)可以确保优化染料去除效果，wMA、wMB、wMC分别是0.6、0.2和0.2。
进一步的，如果对于废水中含有多种污染物的情况，权重分配平衡，以综合考虑不同污染物的去除效果，wMA、wMB、wMC分别是0.3、0.4和0.3；
进一步的，如果生产注重环境可持续性，平衡不同属性的权重，以最大限度地减少对环境的影响，wMA、wMB、wMC分别是0.4、0.3和0.3。
示例性的，wMA、wMB、wMC使用以下权重数值：0.4、0.3和0.3；
设当前元胞(i，j)的属性值为：
MA(i，j)＝0.75(染料截留率)；
MB(i,j)＝0.60(盐截留率)；
MC(i,j)＝0.80(内分泌干扰物去除率)；
代入权重和属性值，本实施例得到：
f(i,j)＝0.4*0.75+0.3*0.60+0.3*0.80＝0.30+0.18+0.24
＝0.72
这表示在当前位置(i,j)，综合考虑染料截留率、盐截留率和内分泌干扰物去除率后，转换函数f(i,j)为0.72。这个值可以作为当前位置的性能指标，用于后续的验证和调整。可以理解的是，整个模拟过程会对每个元胞都进行类似的计算，根据周围元胞的属性值和权重来计算综合的转换函数值。这将帮助模拟PVDF超滤膜在不同区域的性能变化，从而指导生产过程中的调整。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例四
根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：
在STEP-2中，本实施例将元胞转换函数f(i,j)映射为一个线性数值L(i,j)，这有助于确定元胞属性在模拟过程中的相对重要性。这个映射后的线性数值L(i,j)可以通过以下方式计算：
L(i,j)＝α*f(i,j)+β
在这个公式中，L(i,j)代表了元胞(i,j)的映射后的线性数值，α是一个缩放因子或斜率，β是一个偏移量。这个映射过程可以将元胞的属性值转换为一个连续的数值，方便与阈值比较以触发后续步骤。
在本实施例中，本实施例希望将元胞转换函数的结果进行缩放和偏移，从而获得一个更具有表征性的线性数值，以便在后续的阈值判定中使用。缩放因子α和偏移量β的选取可以根据实际情况进行调整，以确保映射后的数值范围适合于后续的阈值判定。
在本实施例中，阈值Threshold-A是一个预先设定的值，它代表了某一性能指标的临界点。在模拟过程中，如果元胞的映射后的线性数值L(i,j)超过了阈值Threshold-A，就意味着该元胞的属性值达到了一定的阈值，可能需要进行进一步的验证和调整。这样，通过对映射后的线性数值的阈值判定，本实施例可以识别出超滤膜的某些特定区域或元胞，在性能上达到了预先设定的要求或阈值，从而可以触发后续的验证和调整步骤(STEP-3)。
在本实施例中，通过将元胞转换函数的结果映射为线性数值，并设置阈值Threshold-A进行判定，本实施例能够在模拟过程中更准确地识别出PVDF超滤膜中性能达到预期要求的区域，从而进行后续的验证和调整，以确保超滤膜的制造和性能的稳定性。
示例性的设其对应的属性值为MA(i,j)＝0.75，MB(i,j)＝0.6，MC(i,j)＝0.8。同时，本实施例假设缩放因子α为2.0，偏移量β为0.5。现在，本实施例将元胞转换函数f(i,j)的值计算出来并代入公式L(i,j)＝α*f(i,j)+β，得到映射后的线性数值。
设元胞转换函数为：
f(i,j)＝0.3*MA(i,j)+0.4*MB(i,j)+0.5*MC(i,j)
代入属性值，得到元胞转换函数的结果：
f(i,j)＝0.3*0.75+0.4*0.6+0.5*0.8f(i,j)＝0.225+0.24
+0.4f(i,j)＝0.865
现在，代入公式L(i,j)＝α*f(i,j)+β，计算映射后的线性数值：
L(i,j)＝2.0*0.865+0.5L(i,j)＝1.73+0.5L(i,j)＝2.23
根据这个计算，元胞(i,j)对应的映射后的线性数值为2.23。接下来，本实施例可以将这个线性数值与预设的阈值Threshold-A进行比较，以确定是否需要执行后续的验证步骤。如果映射后的线性数值超过了阈值Threshold-A，就可以触发STEP-3中的验证。
进一步的，α和β的设定可以根据具体的需求和实际情况来进行调整，以确保映射后的线性数值能够有效地与阈值Threshold-A进行比较。通常情况下，α可以表示线性数值的缩放程度，而β则可以表示线性数值的偏移量。
本实施例进一步提供如下方案：
(1)小缩放因子，小偏移量：α＝0.5,β＝0.2；这种设置表示线性数值会被较小地放大，并且整体上会有一个较小的正偏移。适用于对线性数值要求不太严格的情况。
(2)中等缩放因子，无偏移量：α＝1.0,β＝0.0；这种设置表示线性数值会按照原始大小进行映射，没有偏移。适用于对线性数值大小要求较为准确的情况。
(3)大缩放因子，大偏移量：α＝2.0,β＝1.0；这种设置表示线性数值会被较大地放大，并且整体上会有一个较大的正偏移。适用于需要对线性数值进行强烈放大并且有较大的正偏移的情况。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例五
根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：
本实施例在控制方法中，确定阈值Threshold-A的过程旨在根据模型属性的统计信息来判定是否需要进行下一步操作(即执行STEP-3)。这个过程基于模型的性能分布，以及各属性的权重，以达到根据性能表现进行智能决策的目的。
具体的，Threshold-A的确定：
在模型的属性中，染料截留率模型MA、盐截留率模型MB和内分泌干扰物去除率模型MC具有不同的权重(wMA、wMB和wMC)，这反映了它们在整体性能中的相对重要性。加权平均值Wavg被计算为这些属性的均值乘以相应权重的加权和。
进一步的，在STEP-2中，计算建立染料截留率模型MA、盐截留率模型MB和内分泌干扰物去除率模型MC的均值和标准差，加权标准差Wstd是对各属性标准差的加权组合。它考虑了属性之间的变化幅度，权重越大的属性对整体性能的影响越大。表示为：
μMA、μMB、μMC、σMA、σMB、σMC
1)计算加权平均值：定义一个加权平均值Wavg，表示为：
Wavg＝wMA*μMA+wMB*μMB+wMC*μMC
其中，wMA、wMB和wMC是各属性的权重，表示它们在整体性能中的重要性；
2)计算加权标准差：定义一个加权标准差Wstd，表示为：
Wstd＝√(wMA2*σMA2+wMB2*σMB2+wMC2*σMC2)
3)确定阈值Threshold-A：基于加权平均值和加权标准差，设置阈值Threshold-A为加权平均值加上一个倍数的加权标准差：
Threshold-A＝Wavg+k*Wstd
其中，k是一个可调整的参数，用于控制阈值的灵敏度。参数k在设定阈值Threshold-A时用于控制阈值的灵敏度。具体来说，增大k会使阈值更为严格，而减小k则会使阈值更为宽松。这样的调节可以根据实际需求和应用场景来进行，以平衡模型的准确性和灵敏度，从而实现更好的控制效果。
示例性的，设：
μ_MA＝0.85,μ_MB＝0.75,μ_MC＝0.90
σ_MA＝0.04,σ_MB＝0.03,σ_MC＝0.05
w_MA＝0.4,w_MB＝0.3,w_MC＝0.3
k＝2
根据以上数值计算出：
Wavg＝0.85*0.4+0.75*0.3+0.90*0.3＝0.825
Threshold-A＝0.825+2*0.0327≈0.8904
在实际应用中，可以根据生产需求和性能要求，适当调整权重和参数，以得到更精确的阈值Threshold-A，从而实现对PVDF超滤膜生产的有效控制。
进一步的，本实施例提供如下方案：
(1)较小的k值(k＝1)：当需要更为灵敏的控制时，可以选择较小的k值。这会使阈值Threshold-A更为宽松，允许更多情况下的模拟结果通过验证。这可能适用于生产环境要求更高的情况，以便在早期阶段就能发现潜在的问题。
(2)中等的k值(k＝2)：中等的k值会在模型的性能和灵敏度之间取得平衡。阈值Threshold-A会在一定程度上限制模拟结果的通过，从而筛选出显著偏离期望值的情况。这可能适用于一般的生产控制，以确保整体的稳定性和合格性。
(3)较大的k值(k＝3或更大)：当希望模型的验证更为严格时，可以选择较大的k值。这会使阈值Threshold-A更为严格，只有在性能明显超出预期范围时才会触发下一步操作。这适用于对产品性能和质量有较高要求的场景，确保只有严重问题才会引起进一步关注。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例六
根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：
在本实施例中，用Pearson相关系数来评估转换函数的输出参数与荧光光谱之间的线性相关性。这个过程有助于验证转换函数的模拟效果，进一步验证模型的准确性和可靠性；
具体的，Pearson相关系数是一种常用的统计量，用于衡量两个变量之间的相关性程度。在这个场景中，本实施例关注的是荧光光谱与转换函数的输出参数之间的相关性：
Pearson correlation coefficient(r)
＝Covariance(spectrum,L(i,j))/(StdDev(spectrum)
*StdDev(L(i,j)))
其中，Covariance表示协方差，StdDev表示标准差，通过计算Pearson相关系数，评估转换函数的输出参数与荧光光谱之间的线性相关性关系。
Covariance(spectrum,L(i,j))表示荧光光谱与转换函数输出参数L(i,j)之间的协方差。协方差衡量了两个变量之间的总体趋势，正值表示正相关，负值表示负相关。
StdDev(spectrum)是荧光光谱的标准差，用来衡量荧光光谱的变化程度。
StdDev(L(i,j))是转换函数输出参数L(i,j)的标准差，用来衡量转换函数输出的参数变化程度。
通过计算Pearson相关系数，本实施例可以获得一个范围在-1到1之间的值。其含义如下：
r＝1：表示完全正相关，即荧光光谱与转换函数输出参数之间存在正相关关系。
r＝-1：表示完全负相关，即荧光光谱与转换函数输出参数之间存在负相关关系。
r≈0：表示几乎没有相关性。
进一步的，请参阅图2，图2为《光催化分离膜的制备及其在水处理中的应用》(DOI：10.16085/j.issn.1000-6613.2020-1814)所公开的荧光光谱的分析图，可以以此建立函数f(spectrum)，通过Python代码来定义这个函数f(spectrum)：
在上述给定的程序中，f(spectrum)是本实施例的插值函数，可以将x值传递给它以计算近似的y值。这将得到一个基于Lagrange插值的函数表达式。
示例性的，协方差用来衡量两个变量的总体趋势，正值表示正相关，负值表示负相关。在这里，本实施例计算荧光光谱和转换函数输出参数L(i,j)之间的协方差。设本实施例有一组观测数据：
{spectrum1,spectrum2,...,spectrum_n}
表示荧光光谱的数据，可以参阅上述引证文件中给定的参数，和一组观测数据：
{L(i,j)_1,L(i,j)_2,...,L(i,j)_n}
表示对应的转换函数输出参数数据，n表示观测次数。那么协方差可以表示为：
Covariance(spectrum，L(i，j))＝∑[(spectrumk-μspectrum)*(L(i，j)k-μL(i，j))]/n
μ_spectrum和μ_L(i，j)分别是荧光光谱数据和转换函数输出参数数据的均值。
示例性的，标准差用来衡量数据的变化程度。在这里，本实施例计算荧光光谱和转换函数输出参数L(i，j)的标准差。标准差可以表示为：
StdDev(spectrum)＝√[∑(spectrumk-μspectrum)2/n]
StdDev(L(i，j))＝√[∑(L(i，j)k-μL(i，j))2/n]
进一步的，有了协方差和标准差的计算结果，本实施例可以将它们代入Pearson相关系数的公式中；这个公式将计算出一个范围在-1到1之间的值，用于表示荧光光谱和转换函数输出参数之间的相关性。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例七
根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：
在本实施例中，首先使用如实施例六公开的内容计算出函数f(spectrum)；
本实施例不同于实施例六，本实施例可以应用D-S证据理论来进一步验证模拟结果的准确性和可靠性。这个理论提供了一种处理不确定性和不完全信息的方法，通过将不同来源的证据进行合并，得出一个综合的结论。
在STEP-3中，还可以使用D-S证据理论实施：
1)合并证据：在这一步中，本实施例将荧光光谱函数f(spectrum)和转换函数的输出L(i，j)视为两个不同来源的证据。这两个证据来自于不同角度的信息，一个是实验数据的荧光光谱，一个是模拟的转换函数输出。D-S证据理论允许本实施例将这些证据进行合并，以获得更全面的观点和判断；
2)确定信任分配函数：在D-S证据理论中，信任分配函数用于表示对某一证据的置信度。本实施例引入两个关键概念：Belief和Plausibility。Belief表示对某一证据的确信程度，而Plausibility表示不排除某一证据的可能性：
Belief(evidence)＝Confidence(evidence)/(1+Confidence(evidence))
Plausibility(evidence)＝1-Belief(not evidence)
其中，evidence表示某一证据，Confidence表示对该证据的置信度。
3)合并证据的信任分配：
通过使用D-S合并规则，本实施例可以将两个证据的信任分配函数进行合并，从而得出一个综合的信任分配函数。这个综合的信任分配函数能够更好地反映出不同证据之间的关系和权重，以及综合的结论的可靠性。
进一步的，本实施例提供如下生产策略：根据综合信任分配函数中对不同材料含量的权重以及其对性能的影响，调整g-C3N4和TiO2的含量。示例性的，设综合信任分配函数中的权重为：
wMA＝0.4(染料截留率的权重)；
wMB＝0.3(盐截留率的权重)；
wMC＝0.3(内分泌干扰物去除率的权重)；
设对g-C3N4和TiO2的含量进行调整，范围为0到1，其中0表示不含有该材料，1表示最大含量。现在本实施例想要根据输入的权重和性能要求，得出对应的g-C3N4和TiO2的含量。设输入的权重为：
Desired wMA＝0.35
Desired wMB＝0.25
Desired wMC＝0.4
本实施例可以根据以下的公式来计算对应的g-C3N4和TiO2的含量：
g-C3N4含量＝Desired w_MA/(Desired w_MA+Desired w_MB
+Desired w_MC)
TiO2含量＝Desired w_MB/(Desired w_MA+Desired w_MB
+Desired w_MC)
插入具体数值：
g-C3N4含量＝0.35/(0.35+0.25+0.4)≈0.35(比例系数)
TiO2含量＝0.25/(0.35+0.25+0.4)≈0.25(比例系数)
因此，在这个示例中，如果本实施例希望调整性能权重以匹配某些目标，根据信任分配函数的权重，可以计算出对应的g-C3N4和TiO2的含量，以实现所需的性能调整。其原理在于实施例一种所提供的模型，基于之前建立的模型和权重分配，结合实际的材料含量，得出预测的截留率、盐截留率和去除率等性能指标。调整g-C3N4和TiO2的含量会影响模型中的系数，从而影响MA、MB和MC。因此，根据模型的因果关系，可以推断增加或减少g-C3N4和TiO2的含量，如何影响滤膜的性能。例如增加g-C3N4含量可能会增加对染料的截留率。进一步的，还可以根据预测结果，可以进行迭代优化，不断调整g-C3N4和TiO2的含量，直到满足所需的性能要求。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例八
根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：
在STEP-3中，D-S证据理论还包括：
对于两个不同来源的证据，例如荧光光谱函数f(spectrum)和转换函数的输出L(i,j)，首先计算它们各自的信任分配(Belief)分别为Belief_evidence1和Belief_evidence2。然后，通过信任分配的乘积和计算冲突度Conflict，表示两个证据之间的矛盾或冲突程度。冲突度计算如下：
Conflict＝1-∑(Beliefevidence1*Beliefevidence2)
其中，Belief_evidence1和Belief_evidence2分别是两个证据的信任分配；这个冲突度值越大，表示两个证据之间的矛盾程度越高。
计算合并的信任分配：接下来，基于信任冲突度，计算合并后的信任分配函数Belief_combined。合并后的信任分配表示对两个证据的综合置信度。根据信任冲突度，计算合并后的信任分配函数。合并后的信任分配通过对每个可能的组合情况进行计算得出。
Beliefcombined＝Beliefevidence1*Beliefevidence2/(1-Conflict)
计算合并的不确定性分配：接着，基于合并后的信任分配，计算合并的不确定性分配函数，根据合并后的信任分配，计算合并的不确定性分配函数Plausibility_combined：
Plausibilitycombined＝1-∑(Beliefcombinednotevidence)
Belief_combined_not_evidence是不考虑某个证据的合并信任分配；
根据合并信任分配和不确定性分配，使用D-S合并规则计算最终的信任度Trust_combined；最终的信任度根据信任分配和不确定性分配来计算，使用D-S合并规则：
这个信任度值介于0和1之间，可以理解为对两个证据的共同置信度。
在基于可见光光催化剂PVDF超滤膜生产的控制方法中，使用D-S证据理论可以更准确地评估荧光光谱和转换函数输出之间的关系，以及合并后的综合信任度，从而为后续的生产控制策略提供更可靠的决策依据。
示例性的，设：
Belief_Evidence_Spectrum＝0.7
Plausibility_Evidence_Spectrum＝0.3
Belief_Evidence_Transform＝0.6
Plausibility_Evidence_Transform＝0.4
计算信任冲突度(Conflict)：
Conflict＝1-(Belief_Evidence_Spectrum*Belief_Evidence_Transform)
计算得到：Conflict＝1-(0.7*0.6)＝0.58
计算合并信任分配(Belief_combined)：
Belief_combined＝(Belief_Evidence_Spectrum
*Belief_Evidence_Transform)/(1-Conflict)
计算得到：Belief_combined＝(0.7*0.6)/(1-0.58)＝0.9474
计算合并不确定性分配(Plausibility_combined)：
Plausibility_combined＝1-(Belief_Evidence_combined_not_spectrum
+Belief_Evidence_combined_not_transform)
Belief_Evidence_combined_not_spectrum和Belief_Evidence_combined_not_transform分别是不考虑某个证据的合并信任分配。计算得到：
Plausibility_combined＝1-(0.3+0.4)＝0.3
计算最终信任度(Trust_combined)：
Trust_combined＝0.9474/(0.9474+0.3)＝0.7591
因此，在这个示例中，根据D-S证据理论的计算，综合的信任度(Trust_combined)为0.7591。这个值表示了荧光光谱函数和转换函数输出之间的综合置信度，考虑了两者之间的冲突和不确定性。这个综合信任度可以用于后续的决策和控制策略制定。
优选的，阈值区间和调整规则：
如果Trust_combined≥0.8，则增加g-C3N4含量，减少TiO2含量。
如果0.6≤Trust_combined<0.8，则保持当前含量。
如果Trust_combined<0.6，则增加TiO2含量，减少g-C3N4含量。
具体数值调整：设当前g-C3N4含量为0.4，TiO2含量为0.3。根据最终信任度为0.7591，本实施例根据上述规则来调整含量。因为0.6≤0.7591<0.8，所以本实施例保持当前含量，不进行调整。
进一步的，Belief_combined_not_evidence表示在合并证据时不考虑某个特定证据的信任分配。这意味着本实施例将其他证据的信任分配与特定证据的信任分配合并，来计算不考虑该特定证据的合并信任分配。
示例性的，本实施例想要计算合并不考虑E2证据的信任分配。那么可以使用以下步骤：计算E1和E2的合并信任分配Belief_combined(考虑两者的信任分配)。计算E1的信任分配。计算Belief_combined_not_evidence＝Belief_combined/Belief_E1。这样，Belief_combined_not_evidence就是在合并信任分配时不考虑E2证据的情况。
示例数值和应用场景：
Belief_combined(考虑E1和E2的合并信任分配)：0.85；
Belief_E1(只考虑E1证据的信任分配)：0.7；
计算Belief_combined_not_evidence＝0.85/0.7≈1.2143。
该示例性展示表面，强调E1证据的信任分配，同时不考虑E2证据的影响。这可能是因为在某种实际因素下特定情况下，本实施例认为E1更具有可靠性，而E2的影响可能相对较弱。通过设置Belief_combined_not_evidence，本实施例可以更加突出E1证据的影响，从而更好地适应特定情况下的分析和决策需求。上述的实际因素可以根据实际情况进行选择与调控。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
实施例九
本实施例提供基于可见光光催化剂PVDF超滤膜生产的控制方法系统，控制系统包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使处理器执行如实施例一至八中任一项的基于可见光光催化剂PVDF超滤膜生产的控制方法的步骤。其中请结合参阅图3～4，该程序存储于上述控制器内，其采用C++伪代码的形式展示其逻辑，其原理为：
(1)元胞自动机模拟(STEP-1)：在二维网格上表示真空抽滤机的反应区，每个网格单元代表一个元胞，具有染料截留率MA、盐截留率MB和内分泌干扰物去除率MC属性。这个模拟的目的是为了模拟超滤膜的结构和性能分布。
(2)阈值的反馈与评估(STEP-2)：根据元胞转换函数的结果，映射为线性数值L(i,j)，与阈值Threshold-A进行比较。如果L(i,j)超过阈值，即认为该区域可能需要进行验证和调整。
(3)验证与D-S证据理论(STEP-3)：在阈值范围内，使用荧光光谱和转换函数的输出L(i,j)作为两个不同来源的证据，通过D-S证据理论合并这两个证据，计算出综合的信任度，以验证模型的准确性和可靠性。
(4)执行生产控制策略(STEP-4)：根据验证后的信任度，调整超滤膜的生产参数，例如g-C3N4和TiO2的含量，以实现预期的性能要求。
关键函数的原理：
(1)calculateConversionFunction(grid[i][j])：这个函数计算元胞转换函数f(i,j)，根据元胞的属性(MA、MB、MC)以及权重(w_MA、w_MB、w_MC)进行加权求和。这反映了不同属性对超滤膜性能的影响程度。
(2)calculatePearsonCorrelation(spectrum,L_ij)：这个函数计算Pearson相关系数，衡量荧光光谱和转换函数输出的线性数值之间的线性相关性。相关系数越接近1，两个信号的相关性越强。
(3)calculateBelief(evidence)：这个函数计算证据的信任分配，根据合并前的信任冲突度和合并后的信任分配，得出最终的信任度。
(4)adjustProduction(Cell&cell)：这个函数根据信任度和阈值，判断是否需要调整超滤膜的生产参数。如果信任度高于阈值，根据属性权重和影响关系，调整g-C3N4和TiO2的含量，以达到性能要求。
以上具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (9)

1.基于可见光光催化剂PVDF超滤膜生产的控制方法，包括建立染料截留率模型MA、盐截留率模型MB和内分泌干扰物去除率模型MC，其特征在于：执行如下步骤：
STEP-1，元胞自动机模拟：对真空抽滤机的反应区建立元胞自动机模型；定义元胞邻居关系，将所有元胞视为一个完整的PVDF超滤膜；定义元胞转换函数，对PVDF超滤膜生产的化学特性进行模拟；
STEP-2，阈值的反馈与评估：设定阈值Threshold-A，将转换函数映射为线性数值并与阈值Threshold-A比对，如果突破阈值Threshold-A，执行STEP-3；
STEP-3，验证：基于荧光光谱函数f(spectrum)作为证据，与线性化的转换函数输出的参数进行验证；
STEP-4，执行生产控制策略：将验证后的参数作为预估结果，对PVDF超滤膜生产进行调整。
2.根据权利要求1所述的基于可见光光催化剂PVDF超滤膜生产的控制方法，其特征在于：在STEP-1中，包括：
将真空抽滤机的反应区划分为一个二维网格，每个网格单元称为一个元胞，每个元胞具有三个属性：染料截留率MA、盐截留率MB和内分泌干扰物去除率MC；
每个元胞视为一个二维坐标(i,j)，其中i表示行坐标，j表示列坐标；
MA：表示为MA(i,j)；
MB：表示为MB(i,j)；
MC：表示为MC(i,j)；
使用Moore邻居定义元胞邻居关系，每个元胞与其周围的八个相邻元胞连接，Moore邻居集合N(i,j)：
N(i，j)＝{(i-1，j-1)，(i-1，j)，(i-1，j+1)，(i，j-1)，(i，j)，(i，j+1)，(i+1，j-1)，(i+1，j)，(i+1，j+1)}
其中，每个坐标对(i，j)表示一个相邻元胞的坐标。
3.根据权利要求2所述的基于可见光光催化剂PVDF超滤膜生产的控制方法，其特征在于：在所述STEP-1中：元胞转换函数f(i，j)为加权求和：
f(i，j)＝wMA*MA(i，j)+wMB*MB(i，j)+wMC*MC(i，j)
其中，wMA、wMB、wMC是相应属性的权重，用来决定每个属性在模拟中的重要性。
4.根据权利要求1～3任意一项所述的基于可见光光催化剂PVDF超滤膜生产的控制方法，其特征在于：在所述STEP-2中：
L(i，j)＝α*f(i，j)+β
其中，L(i，j)是映射后的线性数值，α是缩放因子或斜率
当线性数值L(i，j)超过阈值Threshold-A时，执行STEP-3。
5.根据权利要求4任意一项所述的基于可见光光催化剂PVDF超滤膜生产的控制方法，其特征在于：在所述STEP-2中，计算建立染料截留率模型MA、盐截留率模型MB和内分泌干扰物去除率模型MC的均值和标准差，分别表示为：
μMA、μMB、μMC、σMA、σMB、σMC
1)计算加权平均值：定义一个加权平均值Wavg，表示为：
Wavg＝wMA*μMA+wMB*μMB+wMC*μMC
其中，wMA、wMB和wMC是各属性的权重，表示它们在整体性能中的重要性；
2)计算加权标准差：定义一个加权标准差Wstd，表示为：
Wstd＝√(wMA2*σMA2+wMB2*σMB2+wMC2*σMC2)
3)确定阈值Threshold-A：基于加权平均值和加权标准差，设置阈值Threshold-A为加权平均值加上一个倍数的加权标准差：
Threshold-A＝Wavg+k*Wstd
其中，k是一个可调整的参数，用于控制阈值的灵敏度。
6.根据权利要求5所述的基于可见光光催化剂PVDF超滤膜生产的控制方法，其特征在于：在STEP-3中，使用Pearson相关系数：
Pearson correlation coefficient(r)
＝Covariance(spectrum，L(i，j))/(StdDev(spectrum)
*StdDev(L(i，j)))
其中，Covariance表示协方差，StdDev表示标准差，通过计算Pearson相关系数，评估转换函数的输出参数与荧光光谱之间的线性相关性关系。
7.根据权利要求5所述的基于可见光光催化剂PVDF超滤膜生产的控制方法，其特征在于：在STEP-3中，使用D-S证据理论实施：
1)合并证据：将荧光光谱函数f(spectrum)和转换函数的输出L(i，j)视为两个不同来源的证据，然后根据D-S证据理论，将这两个证据进行合并，以得出一个综合的结论；
2)确定信任分配函数：设信任分配函数分别为Belief和Plausibility，定义如下：
Belief(evidence)＝Confidence(evidence)/(1+Confidence(evidence))
Plausibility(evidence)＝1-Belief(not evidence)
其中，evidence表示某一证据，Confidence表示对该证据的置信度。
3)合并证据的信任分配：
通过使用D-S合并规则，将两个证据的信任分配函数进行合并，得出综合的信任分配函数。
8.根据权利要求7所述的基于可见光光催化剂PVDF超滤膜生产的控制方法，其特征在于：在STEP-3中，D-S证据理论还包括：
对于两个证据的组合，计算其信任冲突度Conflict，表示两个证据之间的矛盾或冲突程度，冲突度计算如下：
Conflict＝1-∑(Beliefevidence1*Beliefevidence2)
Belief_evidence1和Belief_evidence2分别是两个证据的信任分配；
计算合并的信任分配：根据信任冲突度，计算合并后的信任分配函数。合并后的信任分配通过对每个可能的组合情况进行计算得出。
Beliefcombined＝Bcliefevidence1*Beliefevidence2/(1-Connflict)
计算合并的不确定性分配：根据合并后的信任分配，计算合并的不确定性分配函数Plausibility_combined：
Plausibilitycombined＝1-∑(Beliefcombinednotevidence)
Belief_combined_not_evidence是不考虑某个证据的合并信任分配；
最终的信任度根据信任分配和不确定性分配来计算，使用D-S合并规则：
。
9.基于可见光光催化剂PVDF超滤膜生产的控制系统，其特征在于，所述控制系统包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-8中任一项权利要求所述的基于可见光光催化剂PVDF超滤膜生产的控制方法的步骤。
CN202311088814.0A 2023-08-25 2023-08-25 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统 Active CN117101438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311088814.0A CN117101438B (zh) 2023-08-25 2023-08-25 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311088814.0A CN117101438B (zh) 2023-08-25 2023-08-25 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统

Publications (2)

Publication Number Publication Date
CN117101438A true CN117101438A (zh) 2023-11-24
CN117101438B CN117101438B (zh) 2024-07-23

Family

ID=88801686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311088814.0A Active CN117101438B (zh) 2023-08-25 2023-08-25 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统

Country Status (1)

Country Link
CN (1) CN117101438B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512759A (zh) * 2015-12-01 2016-04-20 武汉大学 一种基于生物地理学优化算法的城市ca模型参数优化方法
CN105528494A (zh) * 2015-12-29 2016-04-27 上海大学 基于三维元胞自动机的轻量化模型生成及优化方法
CN105930614A (zh) * 2016-05-13 2016-09-07 东南大学 一种针对可变限速控制的元胞传输模型参数标定与验证方法
CN113011078A (zh) * 2021-04-09 2021-06-22 中南大学 三元正极材料制备过程中分解反应模拟方法、系统及介质
CN113255221A (zh) * 2021-05-28 2021-08-13 中国石油大学(华东) 一种基于元胞自动机推演的井间连通性分析方法与装置
CN113449936A (zh) * 2021-08-31 2021-09-28 北京市城市规划设计研究院 城市空间演进模拟预测方法、装置、电子设备及存储介质
WO2022174492A1 (zh) * 2021-02-18 2022-08-25 山东省科学院新材料研究所 添加元素对目标元素固溶度调控作用的预测方法及其应用
CN116186920A (zh) * 2022-12-28 2023-05-30 南京航空航天大学无锡研究院 一种改善车用6系铝合金激光焊对接接头下塌及接头软化的工艺方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512759A (zh) * 2015-12-01 2016-04-20 武汉大学 一种基于生物地理学优化算法的城市ca模型参数优化方法
CN105528494A (zh) * 2015-12-29 2016-04-27 上海大学 基于三维元胞自动机的轻量化模型生成及优化方法
CN105930614A (zh) * 2016-05-13 2016-09-07 东南大学 一种针对可变限速控制的元胞传输模型参数标定与验证方法
WO2022174492A1 (zh) * 2021-02-18 2022-08-25 山东省科学院新材料研究所 添加元素对目标元素固溶度调控作用的预测方法及其应用
CN113011078A (zh) * 2021-04-09 2021-06-22 中南大学 三元正极材料制备过程中分解反应模拟方法、系统及介质
CN113255221A (zh) * 2021-05-28 2021-08-13 中国石油大学(华东) 一种基于元胞自动机推演的井间连通性分析方法与装置
CN113449936A (zh) * 2021-08-31 2021-09-28 北京市城市规划设计研究院 城市空间演进模拟预测方法、装置、电子设备及存储介质
CN116186920A (zh) * 2022-12-28 2023-05-30 南京航空航天大学无锡研究院 一种改善车用6系铝合金激光焊对接接头下塌及接头软化的工艺方法

Also Published As

Publication number Publication date
CN117101438B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN110544011B (zh) 一种智能化的体系作战效能评估和优化方法
CN109408774B (zh) 基于随机森林和梯度提升树的预测污水出水指标的方法
CN111985796B (zh) 基于随机森林和智能算法预测混凝土结构耐久性的方法
CN114191953B (zh) 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法
CN102693451A (zh) 基于多参数的氨法烟气脱硫效率预测方法
CN113094988A (zh) 一种基于数据驱动的浆液循环泵运行优化方法及系统
CN108985381B (zh) 氮氧化物排放量预测模型的确定方法、装置及设备
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN112070356A (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN113707228B (zh) 一种基于LightGBM算法的湿法烟气脱硫优化方法
CN111523728A (zh) 一种四阶段混合短时风向预测方法
CN114064746A (zh) 一种信息设备运行状态评估方法
CN117101438B (zh) 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统
CN116844645B (zh) 一种基于多视角分层超图的基因调控网络推断方法
CN114202060A (zh) 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法
CN103793582B (zh) 圆柱壳大开孔接管结构优化方法
CN112133383B (zh) 基于遗传符号回归预测钙钛矿比表面积的方法
CN117709524A (zh) 一种基于贝叶斯优化的钢铁行业碳排放预测方法及系统
CN1327376C (zh) 基于支持向量机的软测量仪表建模方法
CN117829342A (zh) 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法
CN116764571A (zh) 一种基于机器学习的光催化co2还原反应条件优化方法
Pankaj Boindala et al. Robust multi-objective optimization of water distribution systems
CN116312869A (zh) 催化裂化再生烟气氮氧化物预测方法、装置及系统
CN113779858A (zh) 一种燃烧优化方法、系统、存储介质及电子设备
CN111815151A (zh) 一种基于数据挖掘的污水处理厂甲烷产量预测方法

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