CN117174198B - 一种基于氧氯化锆生产的自动检测清洁方法及系统 - Google Patents
一种基于氧氯化锆生产的自动检测清洁方法及系统 Download PDFInfo
- Publication number
- CN117174198B CN117174198B CN202311442760.3A CN202311442760A CN117174198B CN 117174198 B CN117174198 B CN 117174198B CN 202311442760 A CN202311442760 A CN 202311442760A CN 117174198 B CN117174198 B CN 117174198B
- Authority
- CN
- China
- Prior art keywords
- data
- zirconium oxychloride
- wastewater
- strategy
- model
- 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.)
- Active
Links
- CMOAHYOGLLEOGO-UHFFFAOYSA-N oxozirconium;dihydrochloride Chemical compound Cl.Cl.[Zr]=O CMOAHYOGLLEOGO-UHFFFAOYSA-N 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000004140 cleaning Methods 0.000 title claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 239000002351 wastewater Substances 0.000 claims abstract description 134
- 238000004065 wastewater treatment Methods 0.000 claims abstract description 130
- 244000005700 microbiome Species 0.000 claims abstract description 71
- 230000000694 effects Effects 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 33
- 238000011282 treatment Methods 0.000 claims abstract description 33
- 238000005516 engineering process Methods 0.000 claims abstract description 31
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 29
- 239000010931 gold Substances 0.000 claims abstract description 29
- 229910052737 gold Inorganic materials 0.000 claims abstract description 29
- 230000000593 degrading effect Effects 0.000 claims abstract description 25
- 108091033409 CRISPR Proteins 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 108090000790 Enzymes Proteins 0.000 claims abstract description 19
- 238000010354 CRISPR gene editing Methods 0.000 claims abstract description 17
- 102000004190 Enzymes Human genes 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000015556 catabolic process Effects 0.000 claims abstract description 11
- 238000006731 degradation reaction Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 239000007787 solid Substances 0.000 claims abstract description 7
- 238000010362 genome editing Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 29
- 239000000126 substance Substances 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 28
- 238000002360 preparation method Methods 0.000 claims description 22
- 238000011269 treatment regimen Methods 0.000 claims description 19
- 108091027544 Subgenomic mRNA Proteins 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 12
- 230000009931 harmful effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 238000006065 biodegradation reaction Methods 0.000 claims description 11
- 239000003638 chemical reducing agent Substances 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000011049 filling Methods 0.000 claims description 11
- 239000007800 oxidant agent Substances 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000013450 outlier detection Methods 0.000 claims description 10
- 238000012772 sequence design Methods 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 108700005443 Microbial Genes Proteins 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 229910001385 heavy metal Inorganic materials 0.000 claims description 8
- 108020004707 nucleic acids Proteins 0.000 claims description 8
- 102000039446 nucleic acids Human genes 0.000 claims description 8
- 150000007523 nucleic acids Chemical class 0.000 claims description 8
- 238000003151 transfection method Methods 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 7
- 230000001590 oxidative effect Effects 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 239000002207 metabolite Substances 0.000 claims description 6
- 230000000813 microbial effect Effects 0.000 claims description 6
- 239000002105 nanoparticle Substances 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 239000006227 byproduct Substances 0.000 claims description 4
- 238000012136 culture method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 235000015097 nutrients Nutrition 0.000 claims description 4
- 230000035755 proliferation Effects 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000005416 organic matter Substances 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 description 9
- 239000000203 mixture Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000009472 formulation Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012258 culturing Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000000589 high-performance liquid chromatography-mass spectrometry Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000001890 transfection Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 238000010356 CRISPR-Cas9 genome editing Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 101000910035 Streptococcus pyogenes serotype M1 CRISPR-associated endonuclease Cas9/Csn1 Proteins 0.000 description 1
- 206010066901 Treatment failure Diseases 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000005660 chlorination reaction Methods 0.000 description 1
- 150000001805 chlorine compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000254 damaging effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000007857 degradation product Substances 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- -1 organics Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Activated Sludge Processes (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及废水处理技术领域,具体为一种基于氧氯化锆生产的自动检测清洁方法及系统,包括以下步骤:基于废水采样,采用纳米金粒子增强的拉曼散射技术,对废水中的氧氯化锆进行初步检测,生成氧氯化锆的初步浓度数据。本发明中,采用纳米金粒子增强的拉曼散射技术对废水中的氧氯化锆进行初步检测,为分析和处理打下了坚实基础,通过Q‑learning或深度Q网络,结合卷积神经网络和多层感知机,实现对氧氯化锆浓度的精确分析、实时监测和策略优化,提供针对性废水处理策略方案,利用CRISPR技术,促进微生物产生强效的氧氯化锆降解酶,达到高效降解效果,通过机器学习驱动的预测模型,能够对废水处理效果进行持续的预测和策略调整,确保废水处理达到最优效果。
Description
技术领域
本发明涉及废水处理技术领域,尤其涉及一种基于氧氯化锆生产的自动检测清洁方法及系统。
背景技术
废水处理技术领域是关于处理工业、市区、农村和其他类型废水的科学和工程领域。其目的是清除污水中的污染物,使其变得安全,以满足环境法规的要求,以及保护环境和公共卫生。废水处理方法通常包括物理、化学和生物处理过程,以减少或完全去除污染物,如悬浮物、有机物、重金属和微生物等。
其中,基于氧氯化锆生产的自动检测清洁方法归属为一种废水处理方法,其特定于处理与氧氯化锆生产相关的废水。这涉及废水来自氯化工厂或相关的化学生产设施,其中废水中可能存在氯化物或其他危险物质。这种方法的主要目的是检测废水中是否存在氧氯化锆或其他化学物质,并确保处理废水的方法是高效、清洁和符合法规的。该方法的效果是确保废水中的氧氯化锆或其他有害物质得到安全去除或转化,以避免对环境造成污染或危害。为了达成这一目标,可以采用自动检测技术,以便在废水处理过程中实时监测和识别氧氯化锆的存在,通常通过化学传感器、光谱分析、电化学方法或其他自动化技术来实现。一旦检测到氧氯化锆或其他有害物质,废水处理系统可以自动调整工艺,例如调整氧化剂或还原剂的添加,以确保清洁的废水排放。
在现有基于氧氯化锆生产的自动检测清洁方法中,大多数现有方法仅依赖于传统的化学和物理方法进行废水处理,这导致了处理效率较低、处理范围有限,且难以应对复杂和多变的废水成分。其次,由于缺乏高精度的检测技术,现有方法在氧氯化锆的检测和分析上往往存在误差,这直接影响了废水处理的效果和安全性。此外,现有方法在废水处理策略的制定上往往缺乏针对性和灵活性,难以适应不同废水的实际情况。最后,现有方法往往忽略了废水中的关联有害物质,如重金属、有机物、废气排放物的化学副产物等,这使得废水处理后仍然存在潜在的环境和健康风险。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种基于氧氯化锆生产的自动检测清洁方法及系统。
为了实现上述目的,本发明采用了如下技术方案:一种基于氧氯化锆生产的自动检测清洁方法,包括以下步骤:
S1:基于废水采样,采用纳米金粒子增强的拉曼散射技术,对废水中的氧氯化锆进行初步检测,生成氧氯化锆的初步浓度数据;
S2:基于所述氧氯化锆的初步浓度数据,采用Q-learning或深度Q网络算法,进行废水中的氧氯化锆浓度数据分析,并进行策略优化,生成优化的氧化还原添加策略;
S3:基于所述优化的氧化还原添加策略,采用卷积神经网络,进行氧氯化锆浓度的实时监测,并根据策略进行处理,生成处理后的氧氯化锆浓度数据;
S4:基于所述处理后的氧氯化锆浓度数据,采用多层感知机神经网络,对数据进行深度分析,生成废水处理策略方案;
S5:根据所述废水处理策略方案,采用CRISPR技术对微生物基因进行编辑,促进其产生强效的氧氯化锆降解酶,生成降解后的废水数据;
S6:基于所述降解后的废水数据,采用机器学习驱动的预测模型,对废水处理效果进行预测,并根据预测结果调整处理策略,生成废水处理的最终效果数据;
所述氧氯化锆的初步浓度数据具体为废水中氧氯化锆的浓度值,包括氧氯化锆种类及其浓度,所述优化的氧化还原添加策略包括添加的氧化剂和还原剂的种类、量以及添加的时间和频率,所述处理后的氧氯化锆浓度数据具体为经过优化策略处理后的废水中氧氯化锆的浓度值,所述废水处理策略方案具体为基于MLP网络分析的废水中的有害物质关联性,并给出的处理方向和方案,所述降解后的废水数据包括经过微生物酶处理后的废水中氧氯化锆的浓度,所述废水处理的最终效果数据具体指经过所有处理步骤后,废水中的氧氯化锆及关联有害物质的最终浓度和种类,所述关联有害物质包括重金属、有机物、废气排放物的化学副产物。
作为本发明的进一步方案,基于废水采样,采用纳米金粒子增强的拉曼散射技术,对废水中的氧氯化锆进行初步检测,生成氧氯化锆的初步浓度数据的步骤具体为:
S101:基于实验准备,采用实验材料和设备准备方法,进行设备校准和材料准备,生成实验准备状态数据;
S102:基于所述实验准备状态数据,采用样品前处理方法,进行废水样本处理,生成预处理后的废水样本;
S103:基于所述预处理后的废水样本,采用纳米金粒子增强的拉曼散射技术,进行氧氯化锆检测,生成纳米金粒子增强的拉曼散射数据;
S104:基于所述纳米金粒子增强的拉曼散射数据,采用数据处理和分析方法,进行氧氯化锆浓度分析,生成氧氯化锆的初步浓度数据;
所述实验准备状态数据具体为实验所需材料和设备的准备和校准状态,所述预处理后的废水样本包括经过过滤、离心操作后的废水样本,所述纳米金粒子增强的拉曼散射数据具体为废水样本中氧氯化锆的拉曼散射信号数据。
作为本发明的进一步方案,基于所述氧氯化锆的初步浓度数据,采用Q-learning或深度Q网络算法,进行废水中的氧氯化锆浓度数据分析,并进行策略优化,生成优化的氧化还原添加策略的步骤具体为:
S201:基于所述氧氯化锆的初步浓度数据,采用数据预处理方法,进行数据标准化和清洗,生成预处理后的数据;
S202:基于所述预处理后的数据,采用特征选择方法,进行特征变量选择,生成特征变量数据;
S203:基于所述特征变量数据,采用Q-learning或深度Q网络算法,进行模型训练和策略学习,生成优化策略模型;
S204:基于所述优化策略模型,采用模拟方法,进行废水处理策略的优化模拟,生成优化的氧化还原添加策略;
所述预处理后的数据包括去除异常值和标准化处理后的数据,所述特征变量数据具体为选定用于模型训练的特征变量集,所述优化策略模型具体为训练完成的用于废水处理策略优化的模型。
作为本发明的进一步方案,基于所述优化的氧化还原添加策略,采用卷积神经网络,进行氧氯化锆浓度的实时监测,并根据策略进行处理,生成处理后的氧氯化锆浓度数据的步骤具体为:
S301:基于所述优化的氧化还原添加策略,采用参数设置方法,进行卷积神经网络模型构建,生成卷积神经网络模型;
S302:基于所述卷积神经网络模型,采用实时监测方法,进行氧氯化锆浓度的实时监测,生成实时监测数据;
S303:基于所述实时监测数据和优化的氧化还原添加策略,采用策略执行方法,进行废水处理策略执行,生成处理策略数据;
S304:基于所述处理策略数据,采用实时调整方法,进行废水处理过程的实时调整和监测,生成处理后的氧氯化锆浓度数据;
所述卷积神经网络模型包括设定的网络参数和结构,所述实时监测数据包括废水中氧氯化锆的实时浓度值,所述处理策略数据包括实际添加的氧化剂和还原剂的种类、量、添加时间和频率。
作为本发明的进一步方案,基于所述处理后的氧氯化锆浓度数据,采用多层感知机神经网络,对数据进行深度分析,生成废水处理策略方案的步骤具体为:
S401:基于所述氧氯化锆浓度数据,采用异常值检测法,进行数据异常识别,并进行平均值填充处理,生成清洗后的数据;
S402:基于所述清洗后的数据,采用皮尔逊相关系数法,进行特征关联性分析,并进行主成分分析,生成优选特征集;
S403:基于所述优选特征集,采用多层感知机神经网络,进行深度学习模型训练,并进行反向传播算法优化,生成初步模型;
S404:基于所述初步模型,采用K折交叉验证法,进行模型性能评估,并进行调参优化,生成验证模型,基于所述验证模型生成废水处理策略方案;
所述清洗后的数据具体为去除异常值和噪音的氧氯化锆浓度数据,所述优选特征集具体为与模型预测关联的氧氯化锆浓度数据特征,所述初步模型具体为用于对废水处理策略进行初步分析的神经网络模型,所述验证模型具体为经过优化参数后的废水处理策略分析模型。
作为本发明的进一步方案,根据所述废水处理策略方案,采用CRISPR技术对微生物基因进行编辑,促进其产生强效的氧氯化锆降解酶,生成降解后的废水数据的步骤具体为:
S501:基于所述废水处理策略方案,采用CRISPR技术,进行针对氧氯化锆降解酶基因的编辑策略设计,并进行sgRNA序列设计,生成基因编辑方案;
S502:基于所述基因编辑方案,采用核酸转染法,进行微生物基因编辑,并进行培养筛选,生成编辑后微生物;
S503:基于所述编辑后微生物,采用营养液培养法,进行微生物增殖培养,并进行代谢产物分析,生成强化微生物;
S504:使用所述强化微生物,采用生物降解法,进行废水中的氧氯化锆降解处理,并进行离心分离,生成降解后的废水数据;
所述基因编辑方案具体为针对氧氯化锆降解酶的sgRNA序列与Cas9蛋白方案,所述编辑后微生物具体为拥有氧氯化锆降解能力的微生物种群,所述强化微生物具体为经过培养增强其降解氧氯化锆能力的微生物种群。
作为本发明的进一步方案,基于所述降解后的废水数据,采用机器学习驱动的预测模型,对废水处理效果进行预测,并根据预测结果调整处理策略,生成废水处理的最终效果数据的步骤具体为:
S601:基于所述降解后的废水数据,采用频谱分析法,进行废水成分分析,并进行关键指标筛选,生成关键参数数据;
S602:基于所述关键参数数据,采用支持向量机算法,进行废水处理效果预测建模,并进行核函数选择,生成预测模型;
S603:基于所述预测模型,采用蒙特卡洛模拟法,进行废水处理效果预测,并进行预测误差校正,生成预测结果;
S604:基于所述预测结果,采用启发式优化算法,进行废水处理策略调整,并进行策略验证,生成优化后的废水处理策略;
所述关键参数数据包括化学氧需量、生化需氧量、总悬浮固体、溶解氧浓度、pH值、重金属离子浓度、有机物质浓度、电导率、微生物生长指标、成本数据,所述预测模型具体为用于预测废水处理效果的机器学习模型,所述预测结果具体为经过校正后的废水处理效果预测数据。
一种基于氧氯化锆生产的自动检测清洁系统,所述基于氧氯化锆生产的自动检测清洁系统用于执行上述基于氧氯化锆生产的自动检测清洁方法,所述系统包括数据预处理模块、数据分析模块、深度学习模块、模型验证模块、基因编辑模块、微生物处理模块、废水处理效果预测模块。
作为本发明的进一步方案,所述数据预处理模块基于氧氯化锆浓度数据,采用异常值检测法,进行数据纠错,并通过平均值填充法,生成清洗后的数据;
所述数据分析模块基于清洗后的数据,采用皮尔逊相关系数法,进行特征关联性分析,并通过主成分分析,生成优选特征集;
所述深度学习模块基于优选特征集,采用多层感知机神经网络,进行深度训练,并通过反向传播算法,生成初步模型;
所述模型验证模块基于初步模型,采用K折交叉验证法,进行模型性能评估,并通过模型调参优化,生成验证模型;
所述基因编辑模块基于验证模型生成的废水处理策略,采用CRISPR技术,进行基因策略制定,并通过sgRNA序列设计,生成基因编辑方案;
所述微生物处理模块基于基因编辑方案,采用核酸转染法,进行微生物基因编辑,并通过生物降解法以及离心分离,生成降解后的废水数据;
所述废水处理效果预测模块基于降解后的废水数据,采用频谱分析法,进行成分分析,并通过关键指标筛选以及支持向量机算法,生成预测结果。
作为本发明的进一步方案,所述数据预处理模块包括数据异常识别子模块、数据清洗子模块;
所述数据分析模块包括特征关联性分析子模块、主成分分析子模块;
所述深度学习模块包括深度学习模型训练子模块、模型优化子模块;
所述模型验证模块包括模型性能评估子模块、模型调参优化子模块;
所述基因编辑模块包括基因编辑策略设计子模块、sgRNA序列设计子模块;
所述微生物处理模块包括微生物基因编辑子模块、生物降解法子模块、离心分离子模块;
所述废水处理效果预测模块包括废水成分分析子模块、废水处理效果预测建模子模块、预测误差校正子模块。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,采用纳米金粒子增强的拉曼散射技术对废水中的氧氯化锆进行了高精度初步检测,为后续的分析和处理打下了坚实基础。通过Q-learning或深度Q网络,结合卷积神经网络和多层感知机,实现对氧氯化锆浓度的精确分析、实时监测和策略优化,提供了针对性的废水处理策略方案。利用CRISPR技术,促进微生物产生强效的氧氯化锆降解酶,从而达到高效的降解效果。此外,通过机器学习驱动的预测模型,能够对废水处理效果进行持续的预测和策略调整,确保废水处理达到最优效果。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的系统流程图;
图9为本发明的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一:请参阅图1,本发明提供一种技术方案:一种基于氧氯化锆生产的自动检测清洁方法,包括以下步骤:
S1:基于废水采样,采用纳米金粒子增强的拉曼散射技术,对废水中的氧氯化锆进行初步检测,生成氧氯化锆的初步浓度数据;
S2:基于氧氯化锆的初步浓度数据,采用Q-learning或深度Q网络算法,进行废水中的氧氯化锆浓度数据分析,并进行策略优化,生成优化的氧化还原添加策略;
S3:基于优化的氧化还原添加策略,采用卷积神经网络,进行氧氯化锆浓度的实时监测,并根据策略进行处理,生成处理后的氧氯化锆浓度数据;
S4:基于处理后的氧氯化锆浓度数据,采用多层感知机神经网络,对数据进行深度分析,生成废水处理策略方案;
S5:根据废水处理策略方案,采用CRISPR技术对微生物基因进行编辑,促进其产生强效的氧氯化锆降解酶,生成降解后的废水数据;
S6:基于降解后的废水数据,采用机器学习驱动的预测模型,对废水处理效果进行预测,并根据预测结果调整处理策略,生成废水处理的最终效果数据;
氧氯化锆的初步浓度数据具体为废水中氧氯化锆的浓度值,包括氧氯化锆种类及其浓度,优化的氧化还原添加策略包括添加的氧化剂和还原剂的种类、量以及添加的时间和频率,处理后的氧氯化锆浓度数据具体为经过优化策略处理后的废水中氧氯化锆的浓度值,废水处理策略方案具体为基于MLP网络分析的废水中的有害物质关联性,并给出的处理方向和方案,降解后的废水数据包括经过微生物酶处理后的废水中氧氯化锆的浓度,废水处理的最终效果数据具体指经过所有处理步骤后,废水中的氧氯化锆及关联有害物质的最终浓度和种类,关联有害物质包括重金属、有机物、废气排放物的化学副产物。
首先,该方法综合采用纳米金粒子增强的拉曼散射技术对氧氯化锆进行初步检测,能够确保初步的数据采集具有高度的准确性和敏感性,这为后续的数据处理和策略制定提供了强大的数据支持。
通过引入Q-learning或深度Q网络算法,该方法不仅对氧氯化锆浓度数据进行深入分析,而且能够进行策略优化。这一步骤的引入,不仅增强了对废水数据的解读深度,还提供了一种自适应的机制,使得对氧氯化锆的处理策略能够更为智能地进行调整,实现了数据驱动的决策制定。
卷积神经网络在处理图像和高维数据方面有着显著的优势。其在此处的引入,意味着可以进行氧氯化锆浓度的实时监测,为废水处理带来了即时性和精准性,这在传统方法中是难以实现的。
通过多层感知机神经网络的深度分析,为废水处理策略制定提供了更加科学、合理的方向和建议。同时,CRISPR技术的引入,确保了微生物基因编辑的高效性和精确性,增强了氧氯化锆的降解能力,从而显著提高了废水处理的效果。机器学习驱动的预测模型,使得整个处理策略成了一个闭环系统。即使在处理结束后,还可以根据预测结果进行策略的调整和优化,保证了废水处理的最终效果达到了最佳。
请参阅图2,基于废水采样,采用纳米金粒子增强的拉曼散射技术,对废水中的氧氯化锆进行初步检测,生成氧氯化锆的初步浓度数据的步骤具体为:
S101:基于实验准备,采用实验材料和设备准备方法,进行设备校准和材料准备,生成实验准备状态数据;
S102:基于实验准备状态数据,采用样品前处理方法,进行废水样本处理,生成预处理后的废水样本;
S103:基于预处理后的废水样本,采用纳米金粒子增强的拉曼散射技术,进行氧氯化锆检测,生成纳米金粒子增强的拉曼散射数据;
S104:基于纳米金粒子增强的拉曼散射数据,采用数据处理和分析方法,进行氧氯化锆浓度分析,生成氧氯化锆的初步浓度数据;
实验准备状态数据具体为实验所需材料和设备的准备和校准状态,预处理后的废水样本包括经过过滤、离心操作后的废水样本,纳米金粒子增强的拉曼散射数据具体为废水样本中氧氯化锆的拉曼散射信号数据。
收集所需实验设备:
拉曼光谱仪:确保仪器已经校准并具备所需的性能指标。
纳米金粒子:准备高质量的纳米金粒子溶液,确保其浓度和稳定性。
激光源:调整和稳定激光的功率和波长。
样品容器:使用透明的、无拉曼信号干扰的样品容器。
滤纸:选用适当孔径的滤纸,用于废水样本的过滤。
校准拉曼光谱仪,使用标准样品进行仪器的校准,以确保准确的波长和强度测量。检查纳米金粒子的浓度,进行稀释或浓缩。温和搅拌溶液,确保纳米金粒子分散均匀。
废水样本处理,使用干净的取样容器,从废水源头采集样本,确保样本具有代表性。使用适当的过滤器,将废水样本过滤以去除悬浮固体和大颗粒物质。注意不要引入额外的颗粒物。将过滤后的废水样本转移到一个干净的样品容器中。使用离心机对废水样本进行离心操作,以分离悬浮物质和废水。
纳米金粒子增强的拉曼散射检测,在透明的样品容器中放置适量的预处理后的废水样本。向样品中加入适量的纳米金粒子溶液,确保均匀混合。使用激光源激发样品,使样品中的氧氯化锆与纳米金粒子相互作用。使用拉曼光谱仪采集拉曼散射光谱数据,记录拉曼信号。
数据处理和氧氯化锆浓度分析,对采集的拉曼数据进行预处理,包括去除噪声和进行基线校正。使用事先建立的标准曲线或已知浓度的标准样品,利用适当的算法进行氧氯化锆浓度分析。生成氧氯化锆的初步浓度数据,包括氧氯化锆的浓度值。
请参阅图3,基于氧氯化锆的初步浓度数据,采用Q-learning或深度Q网络算法,进行废水中的氧氯化锆浓度数据分析,并进行策略优化,生成优化的氧化还原添加策略的步骤具体为:
S201:基于氧氯化锆的初步浓度数据,采用数据预处理方法,进行数据标准化和清洗,生成预处理后的数据;
S202:基于预处理后的数据,采用特征选择方法,进行特征变量选择,生成特征变量数据;
S203:基于特征变量数据,采用Q-learning或深度Q网络算法,进行模型训练和策略学习,生成优化策略模型;
S204:基于优化策略模型,采用模拟方法,进行废水处理策略的优化模拟,生成优化的氧化还原添加策略;
预处理后的数据包括去除异常值和标准化处理后的数据,特征变量数据具体为选定用于模型训练的特征变量集,优化策略模型具体为训练完成的用于废水处理策略优化的模型。
数据标准化和清洗:对氧氯化锆的初步浓度数据进行标准化处理,以确保数据具有相似的尺度。清洗数据以去除异常值,确保数据的质量和可靠性。
特征变量选择:基于预处理后的数据,使用特征选择方法,如相关性分析或特征重要性评估,确定用于模型训练的特征变量集。这些特征变量应与氧氯化锆浓度相关。
模型训练和策略学习:基于选定的特征变量数据,使用Q-learning或深度Q网络算法进行模型训练和策略学习。在训练过程中,模型将学习如何根据废水中的氧氯化锆浓度数据来制定最佳的氧化还原添加策略。持续迭代和训练,以不断优化模型的性能。
优化模拟:基于训练完成的Q-learning或深度Q网络模型,进行模拟和优化,以生成最佳的氧化还原添加策略。在模拟中,模型将考虑不同的策略变量,如添加氧化剂或还原剂的类型、浓度和投加时间等。模拟涉及不同情景的测试,以评估策略的性能和效果。
生成优化策略:基于模拟的结果,确定最佳的氧化还原添加策略,包括具体的参数设置和投加时间。生成最终的优化策略,该策略可用于废水处理以维护所需的氧氯化锆浓度水平。
请参阅图4,基于优化的氧化还原添加策略,采用卷积神经网络,进行氧氯化锆浓度的实时监测,并根据策略进行处理,生成处理后的氧氯化锆浓度数据的步骤具体为:
S301:基于优化的氧化还原添加策略,采用参数设置方法,进行卷积神经网络模型构建,生成卷积神经网络模型;
S302:基于卷积神经网络模型,采用实时监测方法,进行氧氯化锆浓度的实时监测,生成实时监测数据;
S303:基于实时监测数据和优化的氧化还原添加策略,采用策略执行方法,进行废水处理策略执行,生成处理策略数据;
S304:基于处理策略数据,采用实时调整方法,进行废水处理过程的实时调整和监测,生成处理后的氧氯化锆浓度数据;
卷积神经网络模型包括设定的网络参数和结构,实时监测数据包括废水中氧氯化锆的实时浓度值,处理策略数据包括实际添加的氧化剂和还原剂的种类、量、添加时间和频率。
参数设置和网络结构:定义卷积神经网络(CNN)的结构,包括卷积层、池化层、全连接层等,以及每一层的参数设置。这些参数将影响模型的性能。
实时监测方法:部署氧氯化锆浓度传感器或监测设备,以实时监测废水中的氧氯化锆浓度。采集实时监测数据,包括废水中氧氯化锆的实时浓度值。
策略执行方法:根据卷积神经网络模型和实时监测数据,执行之前优化的氧化还原添加策略。策略执行涉及确定实际添加的氧化剂和还原剂的种类、量、添加时间和频率。
实时调整方法:监测废水处理过程中的氧氯化锆浓度,并与目标浓度进行比较。基于实时监测数据,对废水处理策略进行实时调整,例如增加或减少氧化剂和还原剂的投加量,或者调整添加的时间和频率。
处理后的浓度数据:根据实时调整,生成处理后的氧氯化锆浓度数据,表示废水处理后的氧氯化锆浓度值。
请参阅图5,基于处理后的氧氯化锆浓度数据,采用多层感知机神经网络,对数据进行深度分析,生成废水处理策略方案的步骤具体为:
S401:基于氧氯化锆浓度数据,采用异常值检测法,进行数据异常识别,并进行平均值填充处理,生成清洗后的数据;
S402:基于清洗后的数据,采用皮尔逊相关系数法,进行特征关联性分析,并进行主成分分析,生成优选特征集;
S403:基于优选特征集,采用多层感知机神经网络,进行深度学习模型训练,并进行反向传播算法优化,生成初步模型;
S404:基于初步模型,采用K折交叉验证法,进行模型性能评估,并进行调参优化,生成验证模型,基于验证模型生成废水处理策略方案;
清洗后的数据具体为去除异常值和噪音的氧氯化锆浓度数据,优选特征集具体为与模型预测关联的氧氯化锆浓度数据特征,初步模型具体为用于对废水处理策略进行初步分析的神经网络模型,验证模型具体为经过优化参数后的废水处理策略分析模型。
异常值检测和平均值填充:使用统计方法如Z-Score或IQR来检测异常值。基于异常值检测的结果,决定是否移除或填充异常值。填充异常值的一种方法是使用数据集的平均值。
# 异常值检测和填充示例:
import pandas as pd;
from scipy import stats。
# 通过Z-Score检测异常值:
z_scores = stats.zscore(data);
abs_z_scores = np.abs(z_scores);
filtered_entries = (abs_z_scores < 3).all(axis=1);
cleaned_data = data[filtered_entries]。
# 平均值填充:
mean_value = cleaned_data.mean();
data.fillna(mean_value, inplace=True)。
皮尔逊相关系数法和主成分分析:皮尔逊相关系数可用于测量不同特征之间的线性相关性。主成分分析(PCA)可用于减少特征维度,提取主要成分。
# 皮尔逊相关系数分析:
correlation_matrix = data.corr()。
# 根据相关性选择特征:
# 主成分分析:
from sklearn.decomposition import PCA;
pca = PCA(n_components=2)。
# 选择要保留的主成分数量:
principal_components = pca.fit_transform(data)。
多层感知机神经网络:使用深度学习框架如TensorFlow或PyTorch创建多层感知机(MLP)神经网络。定义网络结构,包括输入层、隐藏层和输出层。使用反向传播算法(由深度学习框架自动处理)进行模型训练。
# 示例使用TensorFlow创建MLP模型:
import tensorflow as tf;
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(input_shape,)),
tf.keras.layers.Dense(32, activation='relu'),
tf.keras.layers.Dense(output_shape)
]);
model.compile(optimizer='adam', loss='mean_squared_error');
model.fit(X_train, y_train, epochs=100, batch_size=32)。
K折交叉验证和参数调优:使用K折交叉验证来评估模型的性能。根据性能指标如均方误差(MSE)或R平方(R^2),调整模型参数。
# 示例使用Scikit-Learn进行K折交叉验证和参数调优:
from sklearn.model_selection import GridSearchCV;
param_grid = {'param_name': [param_values]};
grid_search = GridSearchCV(model, param_grid, cv=5);
grid_search.fit(X, y)。
# 最佳参数:
best_params = grid_search.best_params_。
# 最佳模型:
best_model = grid_search.best_estimator_。
基于验证模型的输出,生成废水处理策略,例如决定添加氧化剂和还原剂的种类、量、添加时间和频率。
请参阅图6,根据废水处理策略方案,采用CRISPR技术对微生物基因进行编辑,促进其产生强效的氧氯化锆降解酶,生成降解后的废水数据的步骤具体为:
S501:基于废水处理策略方案,采用CRISPR技术,进行针对氧氯化锆降解酶基因的编辑策略设计,并进行sgRNA序列设计,生成基因编辑方案;
S502:基于基因编辑方案,采用核酸转染法,进行微生物基因编辑,并进行培养筛选,生成编辑后微生物;
S503:基于编辑后微生物,采用营养液培养法,进行微生物增殖培养,并进行代谢产物分析,生成强化微生物;
S504:使用强化微生物,采用生物降解法,进行废水中的氧氯化锆降解处理,并进行离心分离,生成降解后的废水数据;
基因编辑方案具体为针对氧氯化锆降解酶的sgRNA序列与Cas9蛋白方案,编辑后微生物具体为拥有氧氯化锆降解能力的微生物种群,强化微生物具体为经过培养增强其降解氧氯化锆能力的微生物种群。
针对氧氯化锆降解酶基因的编辑策略设计:确定目标基因(氧氯化锆降解酶)并找到相应的基因序列。设计sgRNA序列以指导Cas9蛋白进行基因编辑。sgRNA应具有高特异性,以减少非特异性编辑。选择适当的Cas9蛋白,例如SpCas9。
# 用于sgRNA设计的工具,如CRISPR-Cas9在线设计工具:
# 定义目标基因序列:
target_gene_sequence = "ATGAGCGCGTGAGCAGGCGG..."。
# 设计sgRNA序列:
sgRNA_sequence = "GATCGCTAAGCTTATGCGTC..."。
核酸转染法进行微生物基因编辑:制备Cas9和sgRNA的复合物。转染复合物到目标微生物中。进行培养和筛选,以筛选出编辑成功的微生物。
# 示例中的转染和培养过程需要在实验室条件下进行:
# 制备Cas9和sgRNA的复合物:
cas9_sgRNA_complex = prepare_cas9_sgRNA_complex(sgRNA_sequence)。
# 转染复合物到微生物中:
transfect_microorganism(cas9_sgRNA_complex)。
# 进行培养和筛选:
screen_for_edited_microorganisms()。
营养液培养法进行微生物增殖:提供合适的培养基,包括所需的氧氯化锆废水成分。控制培养条件,如温度、pH和搅拌速度,以促进微生物的生长。
# 在实验室中准备含有废水成分的培养基:
nutrient_medium = prepare_nutrient_medium()。
# 控制培养条件,培养微生物:
cultivate_microorganisms(nutrient_medium)。
采集微生物培养液样本。使用分析方法,如高效液相色谱-质谱(HPLC-MS),分析代谢产物,包括氧氯化锆的降解产物。
# 采集培养液样本:
culture_samples = collect_culture_samples()。
# 使用分析方法分析代谢产物:
metabolite_analysis = analyze_metabolites(culture_samples)。
生物降解法进行氧氯化锆降解:使用编辑后的微生物进行废水中氧氯化锆的降解处理。控制反应条件,如温度、pH和反应时间。
# 使用编辑后的微生物进行废水处理:
degrade_zirconium_oxychloride(culture_samples)。
# 控制反应条件:
control_reaction_conditions(temperature, pH, reaction_time)。
离心分离:将处理后的废水离心分离,以分离微生物和残留物质。
# 进行离心分离:
centrifuge_processed_wastewater()。
# 获取降解后的废水和微生物:
treated_wastewater, microbial_biomass = separate_components()。
请参阅图7,基于降解后的废水数据,采用机器学习驱动的预测模型,对废水处理效果进行预测,并根据预测结果调整处理策略,生成废水处理的最终效果数据的步骤具体为:
S601:基于降解后的废水数据,采用频谱分析法,进行废水成分分析,并进行关键指标筛选,生成关键参数数据;
S602:基于关键参数数据,采用支持向量机算法,进行废水处理效果预测建模,并进行核函数选择,生成预测模型;
S603:基于预测模型,采用蒙特卡洛模拟法,进行废水处理效果预测,并进行预测误差校正,生成预测结果;
S604:基于预测结果,采用启发式优化算法,进行废水处理策略调整,并进行策略验证,生成优化后的废水处理策略;
关键参数数据包括化学氧需量、生化需氧量、总悬浮固体、溶解氧浓度、pH值、重金属离子浓度、有机物质浓度、电导率、微生物生长指标、成本数据,预测模型具体为用于预测废水处理效果的机器学习模型,预测结果具体为经过校正后的废水处理效果预测数据。
频谱分析法进行废水成分分析:采集降解后的废水样本,使用光谱分析或其他适当的方法分析废水中的各种成分。
# 采集降解后的废水样本:
wastewater_samples = collect_wastewater_samples();
# 使用光谱分析工具进行成分分析:
spectrum_analysis_results = perform_spectrum_analysis(wastewater_samples);
关键指标筛选:从废水成分分析结果中选择关键参数,如化学氧需量(COD)、生化需氧量(BOD)、总悬浮固体等。
# 从分析结果中选择关键参数:
key_parameters = select_key_parameters(spectrum_analysis_results);
支持向量机算法建模:使用关键参数数据进行支持向量机(SVM)模型训练,以预测废水处理效果。
from sklearn.svm import SVR;
from sklearn.model_selection import train_test_split;
# 准备训练数据和目标数据:
X = key_parameters;
y = wastewater_treatment_efficiency;
# 划分训练集和测试集:
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42);
# 创建SVM回归模型:
svm_model = SVR(kernel='linear');
svm_model.fit(X_train, y_train);
蒙特卡洛模拟法进行预测:使用训练好的SVM模型进行废水处理效果的预测。运用蒙特卡洛模拟方法,考虑参数不确定性,以获得预测结果的分布。
import numpy as np。
# 使用SVM模型进行预测:
predicted_efficiency = svm_model.predict(X_test);
# 蒙特卡洛模拟:
num_simulations = 1000;
predicted_efficiency_distribution = np.random.normal(predicted_efficiency, std_deviation, num_simulations);
使用优化算法(例如遗传算法、模拟退火等)来调整废水处理策略。目标是最大化废水处理效果。
# 使用遗传算法示例:
from deap import base, creator, tools, algorithms;
# 定义适应度函数:
def evaluate_treatment_strategy(strategy):
# 在废水处理中应用策略并计算效果:
efficiency = apply_treatment_strategy(strategy);
# 最大化废水处理效果:
return efficiency,
# 创建遗传算法工具箱:
creator.create("FitnessMax", base.Fitness, weights=(1.0,));
creator.create("Individual", list, fitness=creator.FitnessMax);
toolbox = base.Toolbox();
toolbox.register("attr_float", random_strategy_value);
toolbox.register("individual", tools.initRepeat, creator.Individual,toolbox.attr_float, n=len(strategy_parameters));
toolbox.register("population", tools.initRepeat, list,toolbox.individual);
toolbox.register("evaluate", evaluate_treatment_strategy);
toolbox.register("mate", crossover_strategy);
toolbox.register("mutate", mutate_strategy);
toolbox.register("select", tools.selTournament, tournsize=3)。
# 创建种群并运行遗传算法:
population = toolbox.population(n=50);
algorithms.eaSimple(population, toolbox, cxpb=0.7, mutpb=0.2, ngen=20, stats=None, halloffame=None)。
# 获取最佳策略:
best_strategy = tools.selBest(population, k=1)[0]。
请参阅图8,一种基于氧氯化锆生产的自动检测清洁系统,基于氧氯化锆生产的自动检测清洁系统用于执行上述基于氧氯化锆生产的自动检测清洁方法,系统包括数据预处理模块、数据分析模块、深度学习模块、模型验证模块、基因编辑模块、微生物处理模块、废水处理效果预测模块。
数据预处理模块基于氧氯化锆浓度数据,采用异常值检测法,进行数据纠错,并通过平均值填充法,生成清洗后的数据;
数据分析模块基于清洗后的数据,采用皮尔逊相关系数法,进行特征关联性分析,并通过主成分分析,生成优选特征集;
深度学习模块基于优选特征集,采用多层感知机神经网络,进行深度训练,并通过反向传播算法,生成初步模型;
模型验证模块基于初步模型,采用K折交叉验证法,进行模型性能评估,并通过模型调参优化,生成验证模型;
基因编辑模块基于验证模型生成的废水处理策略,采用CRISPR技术,进行基因策略制定,并通过sgRNA序列设计,生成基因编辑方案;
微生物处理模块基于基因编辑方案,采用核酸转染法,进行微生物基因编辑,并通过生物降解法以及离心分离,生成降解后的废水数据;
废水处理效果预测模块基于降解后的废水数据,采用频谱分析法,进行成分分析,并通过关键指标筛选以及支持向量机算法,生成预测结果。
首先,通过高级的数据预处理和分析,系统确保了处理过程的准确性和效率。异常值检测和平均值填充法大大减少了错误数据对结果的影响,为后续的分析提供了准确的数据基础。同时,采用皮尔逊相关系数法和主成分分析,系统能够识别并专注于那些对氧氯化锆浓度影响最大的因素,从而优化资源分配,避免在不重要的参数上浪费时间和资源。
其次,系统中的深度学习模块和模型验证环节的应用,确保了废水处理过程的智能化和精确性。多层感知机神经网络和反向传播算法使模型能够自我学习和自我调整,以适应各种复杂和不断变化的废水成分。K折交叉验证和后续的调参优化确保了模型的可靠性和稳健性,在实际应用中能够达到预期效果,减少可能的人工误差。
更进一步,通过基因编辑和微生物处理模块,这一系统在生物技术方面也展现了巨大的优势。CRISPR技术的应用使得微生物的基因编辑更加精确,针对性强,能够显著提高废水处理过程中的降解效率和效果。这不仅加速了废水处理过程,降低了长期运营成本,还因为是利用自然生物降解过程,相比化学处理方法,更为环保,减少了二次污染的风险。
此外,废水处理效果预测模块的应用,提高了整个系统的预测准确性和操作的前瞻性。通过频谱分析和支持向量机算法,系统能够准确预测废水处理效果,及时调整操作参数,避免了因废水成分复杂变化而导致的处理失败。这种实时的、基于数据的决策制定,大大提高了废水处理的成功率和效率。
请参阅图9,数据预处理模块包括数据异常识别子模块、数据清洗子模块;
数据分析模块包括特征关联性分析子模块、主成分分析子模块;
深度学习模块包括深度学习模型训练子模块、模型优化子模块;
模型验证模块包括模型性能评估子模块、模型调参优化子模块;
基因编辑模块包括基因编辑策略设计子模块、sgRNA序列设计子模块;
微生物处理模块包括微生物基因编辑子模块、生物降解法子模块、离心分离子模块;
废水处理效果预测模块包括废水成分分析子模块、废水处理效果预测建模子模块、预测误差校正子模块。
数据预处理模块中,数据异常识别子模块进行氧氯化锆浓度数据的异常值检测,确保数据的准确性和稳定性。数据清洗子模块则对检测出的异常值进行平均值填充,保障后续分析基于准确、清洗过的数据进行。
数据分析模块中,特征关联性分析子模块采用皮尔逊相关系数法进行特征间的关联性分析,确保挑选出对氧氯化锆浓度影响较大的特征。主成分分析子模块则对所有特征进行主成分分析,降低数据维度同时保留主要信息,生成优选特征集供后续模型使用。
深度学习模块中,深度学习模型训练子模块基于优选特征集使用多层感知机神经网络进行深度训练。模型优化子模块则采用反向传播算法对模型进行优化,确保模型的预测性能达到理想状态。
模型验证模块中,模型性能评估子模块通过K折交叉验证法对初步模型进行性能评估,检查模型在不同数据集上的泛化能力。模型调参优化子模块根据评估结果进行模型调参,以进一步优化模型的预测效果。
基因编辑模块中,基因编辑策略设计子模块根据经过验证的模型生成的废水处理策略进行基因策略制定。sgRNA序列设计子模块则针对所选择的策略,使用CRISPR技术设计对应的sgRNA序列,确保高效精确的基因编辑。
微生物处理模块中,微生物基因编辑子模块采用核酸转染法对微生物基因进行编辑,赋予微生物更强的降解能力。生物降解法子模块通过生物降解法对氧氯化锆进行处理,利用微生物实现有害物质的降解。离心分离子模块则对经过生物降解后的废水进行离心分离,确保降解效果。
废水处理效果预测模块中,废水成分分析子模块通过频谱分析法进行废水的成分分析,确保了数据的完整性和准确性。废水处理效果预测建模子模块则利用支持向量机算法基于废水成分数据进行预测建模,给出废水处理的预期效果。预测误差校正子模块对预测结果进行误差校正,确保预测结果的精确性。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于氧氯化锆生产的自动检测清洁方法,其特征在于,包括以下步骤:
基于废水采样,采用纳米金粒子增强的拉曼散射技术,对废水中的氧氯化锆进行初步检测,生成氧氯化锆的初步浓度数据;
基于所述氧氯化锆的初步浓度数据,采用Q-learning或深度Q网络算法,进行废水中的氧氯化锆浓度数据分析,并进行策略优化,生成优化的氧化还原添加策略;
基于所述优化的氧化还原添加策略,采用卷积神经网络,进行氧氯化锆浓度的实时监测,并根据策略进行处理,生成处理后的氧氯化锆浓度数据;
基于所述处理后的氧氯化锆浓度数据,采用多层感知机神经网络,对数据进行深度分析,生成废水处理策略方案;
根据所述废水处理策略方案,采用CRISPR技术对微生物基因进行编辑,促进其产生强效的氧氯化锆降解酶,生成降解后的废水数据;
基于所述降解后的废水数据,采用机器学习驱动的预测模型,对废水处理效果进行预测,并根据预测结果调整处理策略,生成废水处理的最终效果数据;
所述氧氯化锆的初步浓度数据具体为废水中氧氯化锆的浓度值,包括氧氯化锆种类及其浓度,所述优化的氧化还原添加策略包括添加的氧化剂和还原剂的种类、量以及添加的时间和频率,所述处理后的氧氯化锆浓度数据具体为经过优化策略处理后的废水中氧氯化锆的浓度值,所述废水处理策略方案具体为基于MLP网络分析的废水中的有害物质关联性,并给出的处理方向和方案,所述降解后的废水数据包括经过微生物酶处理后的废水中氧氯化锆的浓度,所述废水处理的最终效果数据具体指经过所有处理步骤后,废水中的氧氯化锆及关联有害物质的最终浓度和种类,所述关联有害物质包括重金属、有机物、废气排放物的化学副产物;
基于所述氧氯化锆的初步浓度数据,采用Q-learning或深度Q网络算法,进行废水中的氧氯化锆浓度数据分析,并进行策略优化,生成优化的氧化还原添加策略的步骤具体为:
基于所述氧氯化锆的初步浓度数据,采用数据预处理方法,进行数据标准化和清洗,生成预处理后的数据;
基于所述预处理后的数据,采用特征选择方法,进行特征变量选择,生成特征变量数据;
基于所述特征变量数据,采用Q-learning或深度Q网络算法,进行模型训练和策略学习,生成优化策略模型;
基于所述优化策略模型,采用模拟方法,进行废水处理策略的优化模拟,生成优化的氧化还原添加策略;
所述预处理后的数据包括去除异常值和标准化处理后的数据,所述特征变量数据具体为选定用于模型训练的特征变量集,所述优化策略模型具体为训练完成的用于废水处理策略优化的模型;
基于所述处理后的氧氯化锆浓度数据,采用多层感知机神经网络,对数据进行深度分析,生成废水处理策略方案的步骤具体为:
基于所述氧氯化锆浓度数据,采用异常值检测法,进行数据异常识别,并进行平均值填充处理,生成清洗后的数据;
基于所述清洗后的数据,采用皮尔逊相关系数法,进行特征关联性分析,并进行主成分分析,生成优选特征集;
基于所述优选特征集,采用多层感知机神经网络,进行深度学习模型训练,并进行反向传播算法优化,生成初步模型;
基于所述初步模型,采用K折交叉验证法,进行模型性能评估,并进行调参优化,生成验证模型,基于所述验证模型生成废水处理策略方案;
所述清洗后的数据具体为去除异常值和噪音的氧氯化锆浓度数据,所述优选特征集具体为与模型预测关联的氧氯化锆浓度数据特征,所述初步模型具体为用于对废水处理策略进行初步分析的神经网络模型,所述验证模型具体为经过优化参数后的废水处理策略分析模型;
基于所述降解后的废水数据,采用机器学习驱动的预测模型,对废水处理效果进行预测,并根据预测结果调整处理策略,生成废水处理的最终效果数据的步骤具体为:
基于所述降解后的废水数据,采用频谱分析法,进行废水成分分析,并进行关键指标筛选,生成关键参数数据;
基于所述关键参数数据,采用支持向量机算法,进行废水处理效果预测建模,并进行核函数选择,生成预测模型;
基于所述预测模型,采用蒙特卡洛模拟法,进行废水处理效果预测,并进行预测误差校正,生成预测结果;
基于所述预测结果,采用启发式优化算法,进行废水处理策略调整,并进行策略验证,生成优化后的废水处理策略;
所述关键参数数据包括化学氧需量、生化需氧量、总悬浮固体、溶解氧浓度、pH值、重金属离子浓度、有机物质浓度、电导率、微生物生长指标、成本数据,所述预测模型具体为用于预测废水处理效果的机器学习模型,所述预测结果具体为经过校正后的废水处理效果预测数据。
2.根据权利要求1所述的基于氧氯化锆生产的自动检测清洁方法,其特征在于,基于废水采样,采用纳米金粒子增强的拉曼散射技术,对废水中的氧氯化锆进行初步检测,生成氧氯化锆的初步浓度数据的步骤具体为:
基于实验准备,采用实验材料和设备准备方法,进行设备校准和材料准备,生成实验准备状态数据;
基于所述实验准备状态数据,采用样品前处理方法,进行废水样本处理,生成预处理后的废水样本;
基于所述预处理后的废水样本,采用纳米金粒子增强的拉曼散射技术,进行氧氯化锆检测,生成纳米金粒子增强的拉曼散射数据;
基于所述纳米金粒子增强的拉曼散射数据,采用数据处理和分析方法,进行氧氯化锆浓度分析,生成氧氯化锆的初步浓度数据;
所述实验准备状态数据具体为实验所需材料和设备的准备和校准状态,所述预处理后的废水样本包括经过过滤、离心操作后的废水样本,所述纳米金粒子增强的拉曼散射数据具体为废水样本中氧氯化锆的拉曼散射信号数据。
3.根据权利要求1所述的基于氧氯化锆生产的自动检测清洁方法,其特征在于,基于所述优化的氧化还原添加策略,采用卷积神经网络,进行氧氯化锆浓度的实时监测,并根据策略进行处理,生成处理后的氧氯化锆浓度数据的步骤具体为:
基于所述优化的氧化还原添加策略,采用参数设置方法,进行卷积神经网络模型构建,生成卷积神经网络模型;
基于所述卷积神经网络模型,采用实时监测方法,进行氧氯化锆浓度的实时监测,生成实时监测数据;
基于所述实时监测数据和优化的氧化还原添加策略,采用策略执行方法,进行废水处理策略执行,生成处理策略数据;
基于所述处理策略数据,采用实时调整方法,进行废水处理过程的实时调整和监测,生成处理后的氧氯化锆浓度数据;
所述卷积神经网络模型包括设定的网络参数和结构,所述实时监测数据包括废水中氧氯化锆的实时浓度值,所述处理策略数据包括实际添加的氧化剂和还原剂的种类、量、添加时间和频率。
4.根据权利要求1所述的基于氧氯化锆生产的自动检测清洁方法,其特征在于,根据所述废水处理策略方案,采用CRISPR技术对微生物基因进行编辑,促进其产生强效的氧氯化锆降解酶,生成降解后的废水数据的步骤具体为:
基于所述废水处理策略方案,采用CRISPR技术,进行针对氧氯化锆降解酶基因的编辑策略设计,并进行sgRNA序列设计,生成基因编辑方案;
基于所述基因编辑方案,采用核酸转染法,进行微生物基因编辑,并进行培养筛选,生成编辑后微生物;
基于所述编辑后微生物,采用营养液培养法,进行微生物增殖培养,并进行代谢产物分析,生成强化微生物;
使用所述强化微生物,采用生物降解法,进行废水中的氧氯化锆降解处理,并进行离心分离,生成降解后的废水数据;
所述基因编辑方案具体为针对氧氯化锆降解酶的sgRNA序列与Cas9蛋白方案,所述编辑后微生物具体为拥有氧氯化锆降解能力的微生物种群,所述强化微生物具体为经过培养增强其降解氧氯化锆能力的微生物种群。
5.一种基于氧氯化锆生产的自动检测清洁系统,其特征在于,根据权利要求1-4任一项所述的基于氧氯化锆生产的自动检测清洁方法,所述系统包括数据预处理模块、数据分析模块、深度学习模块、模型验证模块、基因编辑模块、微生物处理模块、废水处理效果预测模块。
6.根据权利要求5所述的基于氧氯化锆生产的自动检测清洁系统,其特征在于,所述数据预处理模块基于氧氯化锆浓度数据,采用异常值检测法,进行数据纠错,并通过平均值填充法,生成清洗后的数据;
所述数据分析模块基于清洗后的数据,采用皮尔逊相关系数法,进行特征关联性分析,并通过主成分分析,生成优选特征集;
所述深度学习模块基于优选特征集,采用多层感知机神经网络,进行深度训练,并通过反向传播算法,生成初步模型;
所述模型验证模块基于初步模型,采用K折交叉验证法,进行模型性能评估,并通过模型调参优化,生成验证模型;
所述基因编辑模块基于验证模型生成的废水处理策略,采用CRISPR技术,进行基因策略制定,并通过sgRNA序列设计,生成基因编辑方案;
所述微生物处理模块基于基因编辑方案,采用核酸转染法,进行微生物基因编辑,并通过生物降解法以及离心分离,生成降解后的废水数据;
所述废水处理效果预测模块基于降解后的废水数据,采用频谱分析法,进行成分分析,并通过关键指标筛选以及支持向量机算法,生成预测结果。
7.根据权利要求5所述的基于氧氯化锆生产的自动检测清洁系统,其特征在于,所述数据预处理模块包括数据异常识别子模块、数据清洗子模块;
所述数据分析模块包括特征关联性分析子模块、主成分分析子模块;
所述深度学习模块包括深度学习模型训练子模块、模型优化子模块;
所述模型验证模块包括模型性能评估子模块、模型调参优化子模块;
所述基因编辑模块包括基因编辑策略设计子模块、sgRNA序列设计子模块;
所述微生物处理模块包括微生物基因编辑子模块、生物降解法子模块、离心分离子模块;
所述废水处理效果预测模块包括废水成分分析子模块、废水处理效果预测建模子模块、预测误差校正子模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442760.3A CN117174198B (zh) | 2023-11-02 | 2023-11-02 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442760.3A CN117174198B (zh) | 2023-11-02 | 2023-11-02 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117174198A CN117174198A (zh) | 2023-12-05 |
CN117174198B true CN117174198B (zh) | 2024-01-26 |
Family
ID=88943509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311442760.3A Active CN117174198B (zh) | 2023-11-02 | 2023-11-02 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117174198B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN107561046A (zh) * | 2017-08-28 | 2018-01-09 | 常州大学 | 一种基于荧光水纹的污水厂尾水排放实时监测方法与系统 |
CN110824915A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 基于ga-dbn网络的废水处理智能监控方法及系统 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN111290275A (zh) * | 2020-02-23 | 2020-06-16 | 浙江科技学院 | 基于强化学习粒子群算法的污水处理优化控制方法 |
CN111977710A (zh) * | 2019-05-22 | 2020-11-24 | 南京悠泉环保科技有限公司 | 一种基于人工智能的工业废水处理系统与方法 |
CN113929165A (zh) * | 2020-07-14 | 2022-01-14 | 中国科学院大连化学物理研究所 | 一种锆酸锶基化合物及其制备方法和应用 |
CN114037163A (zh) * | 2021-11-10 | 2022-02-11 | 南京工业大学 | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 |
CN114707692A (zh) * | 2022-02-11 | 2022-07-05 | 哈尔滨工业大学(深圳) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 |
CN115470702A (zh) * | 2022-09-14 | 2022-12-13 | 中山大学 | 一种基于机器学习的污水处理水质预测方法及系统 |
CN115527628A (zh) * | 2022-09-15 | 2022-12-27 | 山东浪潮新基建科技有限公司 | 城市污水化学除磷工艺的在线控制方法及系统 |
KR20230039090A (ko) * | 2021-09-13 | 2023-03-21 | 부산대학교 산학협력단 | 머신러닝 모델을 이용한 하폐수처리공정 안정성 평가 방법 및 시스템 |
KR20230086850A (ko) * | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | 인공기능 기반 하수처리장의 유입 부하 예측방법 |
CN116484747A (zh) * | 2023-05-16 | 2023-07-25 | 江门公用能源环保有限公司 | 一种基于自适应优化算法与深度学习的污水智能监控方法 |
CN116542382A (zh) * | 2023-05-10 | 2023-08-04 | 长春理工大学 | 基于混合优化算法的污水处理溶解氧浓度预测方法 |
WO2023164925A1 (zh) * | 2022-03-04 | 2023-09-07 | 中国科学院脑科学与智能技术卓越创新中心 | 一种通过深度学习预测遗传编辑活性的方法及其用途 |
CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
CN116882323A (zh) * | 2023-09-07 | 2023-10-13 | 中国石油大学(华东) | 一种考虑时序性及细分任务的自适应代理策略优化方法 |
-
2023
- 2023-11-02 CN CN202311442760.3A patent/CN117174198B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN107561046A (zh) * | 2017-08-28 | 2018-01-09 | 常州大学 | 一种基于荧光水纹的污水厂尾水排放实时监测方法与系统 |
CN111977710A (zh) * | 2019-05-22 | 2020-11-24 | 南京悠泉环保科技有限公司 | 一种基于人工智能的工业废水处理系统与方法 |
CN110824915A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 基于ga-dbn网络的废水处理智能监控方法及系统 |
CN111290275A (zh) * | 2020-02-23 | 2020-06-16 | 浙江科技学院 | 基于强化学习粒子群算法的污水处理优化控制方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN113929165A (zh) * | 2020-07-14 | 2022-01-14 | 中国科学院大连化学物理研究所 | 一种锆酸锶基化合物及其制备方法和应用 |
KR20230039090A (ko) * | 2021-09-13 | 2023-03-21 | 부산대학교 산학협력단 | 머신러닝 모델을 이용한 하폐수처리공정 안정성 평가 방법 및 시스템 |
CN114037163A (zh) * | 2021-11-10 | 2022-02-11 | 南京工业大学 | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 |
KR20230086850A (ko) * | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | 인공기능 기반 하수처리장의 유입 부하 예측방법 |
CN114707692A (zh) * | 2022-02-11 | 2022-07-05 | 哈尔滨工业大学(深圳) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 |
WO2023164925A1 (zh) * | 2022-03-04 | 2023-09-07 | 中国科学院脑科学与智能技术卓越创新中心 | 一种通过深度学习预测遗传编辑活性的方法及其用途 |
CN115470702A (zh) * | 2022-09-14 | 2022-12-13 | 中山大学 | 一种基于机器学习的污水处理水质预测方法及系统 |
CN115527628A (zh) * | 2022-09-15 | 2022-12-27 | 山东浪潮新基建科技有限公司 | 城市污水化学除磷工艺的在线控制方法及系统 |
CN116542382A (zh) * | 2023-05-10 | 2023-08-04 | 长春理工大学 | 基于混合优化算法的污水处理溶解氧浓度预测方法 |
CN116484747A (zh) * | 2023-05-16 | 2023-07-25 | 江门公用能源环保有限公司 | 一种基于自适应优化算法与深度学习的污水智能监控方法 |
CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
CN116882323A (zh) * | 2023-09-07 | 2023-10-13 | 中国石油大学(华东) | 一种考虑时序性及细分任务的自适应代理策略优化方法 |
Non-Patent Citations (4)
Title |
---|
A deep learning based dynamic COD prediction model for urban sewage;Zifei Wang等;《Environmental Science: Water Research & Technology》(第12期);2210-2218 * |
Soft Sensor Modeling Method Based on Semisupervised Deep Learning and Its Application to Wastewater Treatment Plant;Weiwu Yan等;《Industrial & Engineering Chemistry Research》;第59卷(第10期);4589-4601 * |
基于ASM模型支持的城市污水处理过程数据驱动智能运行方法研究;程绪红;《中国优秀硕士学位论文全文数据库 工程科技I辑》;第2023年卷(第1期);B027-2406 * |
污水处理出水参数预测及溶解氧控制研究;杨雪松;《中国优秀硕士学位论文全文数据库 工程科技I辑》;第2022年卷(第5期);B027-1194 * |
Also Published As
Publication number | Publication date |
---|---|
CN117174198A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lawson et al. | Common principles and best practices for engineering microbiomes | |
Regmi et al. | The future of WRRF modelling–outlook and challenges | |
Chen et al. | Modelling and optimization of fed-batch fermentation processes using dynamic neural networks and genetic algorithms | |
CN117171661B (zh) | 一种化工厂污水处理监控方法及系统 | |
Vega‐Ramon et al. | Kinetic and hybrid modeling for yeast astaxanthin production under uncertainty | |
Havlik et al. | Monitoring of microalgal processes | |
CN117699958B (zh) | 一种污水处理系统及污水处理方法 | |
Caramihai et al. | Bioprocess modeling and control | |
Hartmann et al. | Digital models in biotechnology: towards multi-scale integration and implementation | |
CN118071177B (zh) | 一种污水处理模拟调控方法和系统 | |
Cheng et al. | Development and application of random forest regression soft sensor model for treating domestic wastewater in a sequencing batch reactor | |
CN117228894A (zh) | 一种精确曝气污水处理工艺方法 | |
CN117174198B (zh) | 一种基于氧氯化锆生产的自动检测清洁方法及系统 | |
Otálora et al. | Dynamic Model for the pH in a Raceway Reactor using Deep Learning techniques | |
Navarro-Díaz et al. | A framework for integrating functional and microbial data: The case of dark fermentation H2 production | |
CN116589078B (zh) | 基于数据融合的污水处理智能控制方法及系统 | |
Yang et al. | Multivariate optimization of the electrochemical degradation for COD and TN removal from wastewater: An inverse computation machine learning approach | |
CN111798134A (zh) | 一种基于数据驱动模型的提高污水处理厂甲烷产量方法 | |
Huang et al. | Greenhouse gas accounting methodologies for wastewater treatment plants: A review | |
McLamore et al. | Perspective: Phosphorus monitoring must be rooted in sustainability frameworks spanning material scale to human scale | |
Lee et al. | Application of artificial neural networks to the analysis of two‐dimensional fluorescence spectra in recombinant E coli fermentation processes | |
Blöbaum et al. | Quantifying microbial robustness in dynamic environments using microfluidic single-cell cultivation | |
Benyahia et al. | Effect of a new variable integration on steady states of a two-step Anaerobic Digestion Model | |
Li et al. | Predicting Biogas Yield after Microwave Pretreatment Using Artificial Neural Network Models: Performance Evaluation and Method Comparison | |
Juuso | Intelligent dynamic simulation of fed-batch fermentation processes |
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 |