CN117275615B - 一种明胶生产废水智能处理方法及系统 - Google Patents
一种明胶生产废水智能处理方法及系统 Download PDFInfo
- Publication number
- CN117275615B CN117275615B CN202311434375.4A CN202311434375A CN117275615B CN 117275615 B CN117275615 B CN 117275615B CN 202311434375 A CN202311434375 A CN 202311434375A CN 117275615 B CN117275615 B CN 117275615B
- Authority
- CN
- China
- Prior art keywords
- scale inhibitor
- data
- index
- sequence
- dimension
- 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
- 239000002351 wastewater Substances 0.000 title claims abstract description 62
- 108010010803 Gelatin Proteins 0.000 title claims abstract description 44
- 229920000159 gelatin Polymers 0.000 title claims abstract description 44
- 239000008273 gelatin Substances 0.000 title claims abstract description 44
- 235000019322 gelatine Nutrition 0.000 title claims abstract description 44
- 235000011852 gelatine desserts Nutrition 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002455 scale inhibitor Substances 0.000 claims abstract description 155
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims abstract description 116
- 229910001424 calcium ion Inorganic materials 0.000 claims abstract description 116
- 230000000694 effects Effects 0.000 claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 230000008859 change Effects 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 230000009471 action Effects 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 40
- 238000000354 decomposition reaction Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000009279 wet oxidation reaction Methods 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 150000002500 ions Chemical class 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 239000010802 sludge Substances 0.000 abstract description 16
- 238000004065 wastewater treatment Methods 0.000 abstract description 11
- 230000009467 reduction Effects 0.000 abstract description 7
- ZMYKITJYWFYRFJ-UHFFFAOYSA-N 4-oxo-4-(2-phenylethylamino)butanoic acid Chemical compound OC(=O)CCC(=O)NCCC1=CC=CC=C1 ZMYKITJYWFYRFJ-UHFFFAOYSA-N 0.000 description 33
- 238000006243 chemical reaction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 229910052791 calcium Inorganic materials 0.000 description 4
- 239000011575 calcium Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- DCEMCPAKSGRHCN-UHFFFAOYSA-N oxirane-2,3-dicarboxylic acid Chemical compound OC(=O)C1OC1C(O)=O DCEMCPAKSGRHCN-UHFFFAOYSA-N 0.000 description 2
- 229920001529 polyepoxysuccinic acid Polymers 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000000108 ultra-filtration Methods 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F5/00—Softening water; Preventing scale; Adding scale preventatives or scale removers to water, e.g. adding sequestering agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Removal Of Specific Substances (AREA)
Abstract
本申请涉及废水处理领域,提供一种明胶生产废水智能处理方法及系统,包括:获取N个周期的基础数据矩阵,每一周期的基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列;利用N‑1个周期的基础数据矩阵计算得到特征参数,特征参数包括N‑1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量;利用神经网络算法对N‑1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理。该方法能够预设当前处理周期中阻垢剂的最佳投放量,提高生产废水的污泥减量效果。
Description
技术领域
本申请涉及废水处理领域,特别是涉及一种明胶生产废水智能处理方法及系统。
背景技术
明胶作为一种天然的蛋白质,被广泛应用于食品、药用以及生物等行业。但是,明胶行业被认为是污染最为严重的行业之一,原因在于明胶生产工艺上需要使用大量的淡水资源,由此也会产生大量的明胶生产废水。现如今,生产工艺中越来越重视明胶废水的处理。
明胶高钙废水的处理,传统的技术方法主要有光合细菌处理法、凝混技术以及超滤膜技术等等。但是,在处理过程中,活性污泥表面往往生成大量的钙垢,会导致污泥活性降低,即产生明胶废水污泥量较大以及处理不佳的问题。现有的处理手段,是通过加入聚环氧琥珀酸PESA对废水进行预处理,改善废水水质,并提高生物处理效果,以期望达到污泥减量化的效果。但是,传统工艺中聚环氧琥珀酸PESA最佳投放量难以确定。
发明内容
本发明提供一种明胶生产废水智能处理方法及系统,该方法能够预设当前处理周期中阻垢剂的最佳投放量,提高生产废水的污泥减量效果。
第一方面,本申请提供一种明胶生产废水智能处理方法,包括:
获取N个周期的基础数据矩阵,每一周期的所述基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列;
利用N-1个周期的基础数据矩阵计算得到N-1个周期中每一周期对应的特征参数,所述特征参数包括N-1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量;
利用神经网络算法对N-1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理。
可选的,利用N-1个周期的基础数据矩阵计算得到N-1个周期中每一周期对应的特征参数,包括:
基于当前周期的所述基础数据矩阵计算当前周期中的阻垢剂的投放量作用指数,所述阻垢剂的投放量作用指数表征阻垢剂的投放量的分解作用;
基于当前周期的所述基础数据矩阵中的钙离子含量序列计算当前周期中的钙离子异常变化指数,所述钙离子异常变化指数表征添加的阻垢剂的量是否过多。
可选的,基于当前周期的所述基础数据矩阵计算当前周期中的阻垢剂的投放量作用指数,包括:
基于当前周期的所述基础数据矩阵计算当前周期中阻垢剂的分解能力指数;
基于当前周期的所述基础数据矩阵以及所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数;
其中,所述分解能力指数与阻垢剂的投放量作用指数正相关。
可选的,基于当前周期的所述基础数据矩阵计算当前周期中阻垢剂的分解能力指数,包括:
计算所述基础数据矩阵中每一维度的数据序列的极差;
计算每一维度的数据序列内相邻两个数据点之间的变化和相邻两个数据点中在前的数据点的比值之和;
基于所述基础数据矩阵中所有维度的数据序列计算得到的极差,和每一维度的数据序列计算得到的比值之和计算得到当前周期中阻垢剂的分解能力指数。
可选的,当前周期中阻垢剂的分解能力指数的计算方式为:
其中,At表示第t个周期中阻垢剂的分解能力指数,n表示基础数据矩阵中维度的个数,m表示基础数据矩阵中每一维度的数据序列中数据点的个数,ai max和ai min分别表示第i个维度的数据序列中的极大值数据和极小值数据,|ai max-ai min|表示第i个维度的数据序列的极差,aij和ai(j-1)表示基础数据矩阵中第i个维度第j个数据点和第i个维度第(j-1)个数据点的数值,表示第i个维度中相邻两个数据点之间的变化和相邻两个数据点中在前的数据点的比值之和。
可选的,基于当前周期的所述基础数据矩阵以及所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数,包括:
基于所述基础数据矩阵中每一维度的第j个数据点之后的数据点之和和第j个数据点之后的数据点的数量计算每一维度的数据序列对应的平稳效果值,其中,所述第j个数据点之后的数据点为均衡状态下的数据点;
基于每一维度的数据序列在均衡状态下的标准差分别计算每一维度的数据序列对应的的平稳效果指数的可信程度;基于每一维度的数据序列对应的平稳效果值、每一维度的数据序列对应的的平稳效果指数和所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数。
可选的,当前周期中的阻垢剂的投放量作用指数计算方式为:
其中,D1、D2和D3分别表示第1维度的PH值序列、第2维度的COD含量序列和第3维度的钙离子含量序列的平稳效果值,E1、E2和E3分别表示第1维度的PH值序列、第2维度的COD含量序列和第3维度的钙离子含量序列的平稳效果指数的可信程度,K表示中性PH值,ε为误差项,避免分母为0,At表示第t个周期中阻垢剂的分解能力指数,Ct表示第t个周期中阻垢剂的投放量作用指数,ceil为向上取整函数;
其中,所有维度的数据序列对应的的平稳效果指数的可信程度之和E1+E2+E3越大,表征第j个数据点之后的数据点为均衡状态下的数据点的可能性越高。
可选的,基于所述基础数据矩阵中的钙离子含量序列计算当前周期中的钙离子异常变化指数,包括:
将钙离子含量序列中离子含量数据点的个数作为自变量,钙离子的含量作为因变量,利用最小二乘非线性拟合算法得到钙离子含量序列对应的拟合函数;
对所述拟合函数求导,得到每个钙离子含量数据点的斜率,所述数据点的鞋标表征添加的阻垢剂的量是否过多;
利用钙离子含量序列中钙离子含量数据点的个数、钙离子含量序列中第(j-1)、第j个钙离子含量数据、第(j-1)个钙离子含量数据点的斜率,计算当前周期中的钙离子异常变化指数;
其中,当前周期中的钙离子异常变化指数的计算方式为:
式子中,Ht表示第t个周围中钙离子异常变化指数,ceil为向上取整函数,Norm为归一化函数,m表示钙离子含量序列中钙离子含量数据点的个数,a3(j-1)和a3j分别代表基础数据矩阵中钙离子含量序列中第(j-1)、第j个钙离子含量数据,Lj-1表示第(j-1)个钙离子含量数据点的斜率,ε为误差项,避免分母取值为0。
可选的,基于阻垢剂的最佳投放量对明胶生产废水进行处理之后,包括:
利用湿式氧化法对处理之后的废水进行处理,并对湿式氧化法对处理之后结构进行达标检测,确定是否符合排放标准。
第二方面,本申请提供一种明胶生产废水智能处理系统,包括:
获取模块,用于获取N个周期的基础数据矩阵,每一周期的所述基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列;
计算模块,用于利用N-1个周期的基础数据矩阵计算得到特征参数,所述特征参数包括N-1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量;
处理模块,用于利用神经网络算法对N-1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理。
本申请的有益效果,区别于现有技术,本申请的明胶生产废水智能处理方法及系统,包括:获取N个周期的基础数据矩阵,每一周期的所述基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列;利用N-1个周期的基础数据矩阵计算得到特征参数,所述特征参数包括N-1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量;利用神经网络算法对N-1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理。该方法能够预设当前处理周期中阻垢剂的最佳投放量,提高生产废水的污泥减量效果。
附图说明
图1为本发明提出的明胶生产废水智能处理方法的一实施例的流程示意图;
图2为图1中步骤S12的一实施例的流程示意图;
图3为图2中步骤S21的一实施例的流程示意图;
图4为本发明提出的明胶生产废水智能处理系统的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明提出的明胶生产废水智能处理方法的一实施例的流程示意图,包括:
步骤S11:获取N个周期的基础数据矩阵,每一周期的所述基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列。
明胶生产废水量较大,阻垢剂PESA的效果很重要,可以极大的节约废水处理的时间成本。一般情况下,明胶生产废水中的有机污染物COD(化学需氧量)含量较高,加入阻垢剂PESA对降低COD含量有较大的贡献,COD去除率越大,废水中含有的COD含量就会越少,即废水中COD含量越小,越能说明加入一定量的阻垢剂PESA,使其发生分解代谢的能力就越强。由于活性污泥表面生成大量的钙垢,会导致污泥活性降低,从而降低废水的处理能力,而加入阻垢剂PESA后能够使生物反应过程中对活性污泥表面钙垢产生较大的分解作用,可以使污泥中钙含量减少,即加入阻垢剂PESA后废水中含有的钙离子含量越多越好。另外,明胶生产废水的初始pH值较高,此时不适宜用传统的活性污泥法进行处理,一般情况下,生产废水达到中性,此时适宜进行后续的生物处理工序。基于此,我们以废水的pH值、COD含量,钙离子含量作为参考确定阻垢剂的最佳投放量。
为了找到阻垢剂PESA的最佳投放量,选用3L大小的反应器,反应器的反应温度维持在25℃。对明胶废水处理的第一天,在反应器中加入2L的明胶生产废水,并加入0.5ml的阻垢剂PESA,通过酸度计、氨氮双参数测定仪以及原子吸收分光光度计分别采集反应器中生产废水的pH值、COD含量以及钙离子含量,采集时间间隔为每天的采集次数为30。对明胶废水处理的第二天,重新在干净的反应器中加入2L同样的明胶生产废水,而加入1ml的阻垢剂PESA,采用相同的方式进行数据采集。依次往后,后一天比前一天加入的阻垢剂PESA多0.5ml,其余操作保持不变。采集天数为t,t的经验取值为20。由此,可以得到20个周期(即20天)内废水的三维数据序列,三维数据序列是由每次采集的废水的pH值、COD含量,钙离子含量组成的。
以第t个周期采集的m次数据为例,根据采集到的数据,构造基础数据矩阵,即:
bt为第t个周期采集的m次数据组成的基础数据矩阵,其中每一行表示每一个维度。然后,根据基础数据矩阵,进行分类区分,即第1行数据序列为pH值序列、第2行数据序列为COD含量序列,第3行数据序列为钙离子含量序列。可以理解的一个周期即为一天。
通过上述方法可以得到N个周期中每一周期的基础数据矩阵,即N个周期的基础数据矩阵记为:b1、b2、……、bt、……、bN。
步骤S12:利用N-1个周期的基础数据矩阵计算得到N-1个周期中每一周期对应的特征参数,所述特征参数包括N-1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量。
具体的,请结合图2,步骤S12包括:
步骤S21:基于当前周期的所述基础数据矩阵计算当前周期中的阻垢剂的投放量作用指数,所述阻垢剂的投放量作用指数表征阻垢剂的投放量的分解作用。
具体的,请结合图3,步骤S21包括:
步骤S31:基于当前周期的所述基础数据矩阵计算当前周期中阻垢剂的分解能力指数。
一般情况下,阻垢剂PESA作为一种水处理化学品,加入到含有废水的反应器中,开始反应速率较大,废水中的pH值、COD含量以及钙离子含量会有较大的变化,随着反应时间的推移,阻垢剂PESA的作用会降低。由于加入阻垢剂PESA量的不同,反映速率也会相对不同,但是废水处理中的时间成本较为重要,由此开始反应速率的大小极为重要。
由此,基于采集得到的当前周期的基础数据矩阵计算当前周期中阻垢剂的分解能力指数。在一实施例中,计算基础数据矩阵中每一维度的数据序列极差;计算每一维度的数据序列内相邻两个数据点之间的变化和相邻两个数据点中在前的数据点的比值之和;基于所述基础数据矩阵中所有维度的数据序列计算得到的极差,和每一维度的数据序列计算得到的比值之和计算得到当前周期中阻垢剂的分解能力指数。具体的,当前周期中阻垢剂的分解能力指数的计算方式为:
其中,At表示第t个周期中阻垢剂的分解能力指数,n表示基础数据矩阵中维度的个数,m表示基础数据矩阵中每一维度的数据序列中数据点的个数,ai max和ai min分别表示第i个维度的数据序列中的极大值数据和极小值数据,|ai max-ai min|表示第i个维度的数据序列的极差,aij和ai(j-1)表示基础数据矩阵中第i个维度第j个数据点和第i个维度第(j-1)个数据点的数值,表示第i个维度中相邻两个数据点之间的变化和相邻两个数据点中在前的数据点的比值之和。
每个维度的数据序列内的极差|ai max-ai min|越大,说明受到阻垢剂PESA的分解作用越强,数据变化越大,则阻垢剂分解能力指数At越大。同时,每个维度的数据序列内相邻两个时间点的数据变化相对于前一时间点的数据的比值越大,一定程度上说明相邻时间点的反应速率越高,则阻垢剂分解能力指数At越大。
步骤S32:基于当前周期的所述基础数据矩阵以及所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数。
阻垢剂分解能力指数At一定程度上只能说明在反应器中加入阻垢剂PESA后反应分解的程度,但是往往并不是分解能力越大越好,如废水中的pH值,后续的处理工作适宜在中性的水环境下进行,因此废水中pH值不是越大越好,也不是越小越好。基于所采集的维度的数据序列,每个维度的采集次数为30次,时间间隔为一般情况下在第20次采集的时间点附近,阻垢剂PESA的分解作用就会达到均衡状态,即往后的数据变化程度较小。由此,将第21个时间点以后采集到的数据记为均衡状态下的数据(包括第21个时间点采集的数据),结合每个维度数据序列均衡状态下的数据变化规律,计算每天的阻垢剂的投放量作用指数Ct。
在一具体实施例中,基于所述基础数据矩阵中每一维度的第j个数据点之后的数据点之和和第j个数据点之后的数据点的数量计算每一维度的数据序列对应的平稳效果值。平稳效果值的计算方式为:
其中,F表示处于均衡状态下的数据数目,记第j个数据点之后的数据点为均衡状态下的数据点,则F表示第j个数据点之后的数据点的数量,Di表示第i个维度的数据序列对应的平稳效果值,m表示基础数据矩阵的列数,aij表示基础数据矩阵中第i行第j列的数据,表示第i个维度的数据序列中第j个数据点之后的数据点之和。
基于每一维度的数据序列在均衡状态下的标准差分别计算每一维度的数据序列对应的的平稳效果指数的可信程度。平稳效果指数的可信程度的计算方式为:
其中,Norm表示归一化,si表示第i个维度的数据序列在均衡状态下的标准差,ε为误差项,避免分母为0,一般取经验值为0.5,Ei表示第i个维度的数据序列对应的的平稳效果指数的可信程度。
基于每一维度的数据序列对应的平稳效果值、每一维度的数据序列对应的的平稳效果指数和所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数。在一实施例中,当前周期中的阻垢剂的投放量作用指数计算方式为:
其中,D1、D2和D3分别表示第1维度的PH值序列、第2维度的COD含量序列和第3维度的钙离子含量序列的平稳效果值,E1、E2和E3分别表示第1维度的PH值序列、第2维度的COD含量序列和第3维度的钙离子含量序列的平稳效果指数的可信程度,K表示中性PH值,经验取值为7,ε为误差项,避免分母为0,经验取值为0.5,At表示第t个周期中阻垢剂的分解能力指数,Ct表示第t个周期中阻垢剂的投放量作用指数,ceil为向上取整函数。
其中,所有维度的数据序列对应的的平稳效果指数的可信程度之和E1+E2+E3越大,表征第j个数据点之后的数据点为均衡状态下的数据点的可能性越高。
阻垢剂分解能力指数At越大,说明该投放量下阻垢剂PESA的分解作用越强,则阻垢剂的投放量作用指数Ct越大,即分解能力指数与阻垢剂的投放量作用指数正相关。同时,根据期望获得的结果,即pH越接近于7越好,COD含量越低越好,钙离子含量越大越好。那么,pH值的平稳效果值与中性的pH值的差值的绝对值|D1-K|越小,COD含量的平稳效果值D2越小,钙离子含量的平稳效果值D3越大,说明废水处理后与期望的废水处理效果越接近,则阻垢剂的投放量作用指数Ct越大。pH值、COD含量以及钙离子含量的可信程度累加和(E1+E2+E3)越大,说明第21个时间点以后采集到的数据趋于平稳状态的可能性越高,得到的平稳效果值越有效,则阻垢剂的投放量作用指数Ct越大。
由此,加入不同量的阻垢剂PESA可以通过计算得到不同的阻垢剂的投放量作用指数Ct,阻垢剂的投放量作用指数一定程度上反映阻垢剂的作用效果。阻垢剂的投放量作用指数主要是从反应速率以及反应结束后的参数的状态进行分析得到的,但是随着反应时间的增加,每个维度参数数据的不断变化,由于加入不同量的阻垢剂PESA,会得到不同的期望效果。一般来说,阻垢剂PESA的投放量过多时,废水中的钙离子含量反而会下降较快,其原因是阻垢剂与钙离子发生化学反应形成生成物,而生成物会大量的聚集在污泥上,达不到想要的污泥减量化效果。由此,可以推断出阻垢剂PESA投入量不能过多,也不能过少,其符合阻垢机制中的低剂量效应。
步骤S22:基于当前周期的所述基础数据矩阵中的钙离子含量序列计算当前周期中的钙离子异常变化指数,所述钙离子异常变化指数表征添加的阻垢剂的量是否过多。
基于上述的分析,对每一天采集到的数据中的钙离子含量数据序列,由于阻垢剂具有分解效果,添加较少的阻垢剂会使废水中钙离子含量持续增加,而添加阻垢剂的量过多时,分解效应结束后多余的阻垢剂会发生化学反应,致使钙离子含量呈现异常下降。
基于此,将钙离子含量序列中离子含量数据点的个数作为自变量,钙离子的含量作为因变量,利用最小二乘非线性拟合算法得到钙离子含量序列对应的拟合函数,记为f。对所述拟合函数求导,得到每个钙离子含量数据点的斜率,所述数据点的鞋标表征添加的阻垢剂的量是否过多。进一步利用钙离子含量序列中钙离子含量数据点的个数、钙离子含量序列中第(j-1)、第j个钙离子含量数据、第(j-1)个钙离子含量数据点的斜率,计算当前周期中的钙离子异常变化指数。
其中,当前周期中的钙离子异常变化指数的计算方式为:
式子中,Ht表示第t个周围中钙离子异常变化指数,ceil为向上取整函数,Norm为归一化函数,m表示钙离子含量序列中钙离子含量数据点的个数,a3(j-1)和a3j分别代表基础数据矩阵中钙离子含量序列中第(j-1)、第j个钙离子含量数据,Lj-1表示第(j-1)个钙离子含量数据点的斜率,ε为误差项,避免分母取值为0。
其中,钙离子含量的变化量数值[a3j-a3(j-1)]越小,加入阻垢剂后钙离子含量负增长的程度越大,数值越小,由于阻垢剂添加过多时,会导致钙离子含量异常降低,即变化量为负值,其数值越小,则钙离子异常变化指数Ht越大,即越代表添加阻垢剂的量过多。归一化斜率的取值范围为(0,1),由于钙离子异常降低会使此时数据点的斜率趋于负无穷,即归一化后的斜率越趋近于0,则钙离子异常变化指数Ht越大,即越代表添加阻垢剂的量过多。
根据全局维度以及局部维度进行的分析,得到了对应每天不同阻垢剂PESA投放量的阻垢剂的投放量作用指数和钙离子异常变化指数。由于阻垢剂的投放量作用指数衡量的是投放量产生有益效果的程度,阻垢剂的投放量作用指数越大,说明与期望的效果越接近,即该投放量的效果越好;而钙离子异常变化指数衡量的是投放量对废水中钙离子含量产生的异常程度,钙离子异常变化指数越小,说明该投放量下钙离子发生异常降低的可能性越小,即该投放量产生的不良效应越低。
由此,基于每个周期的阻垢剂PESA投放量、阻垢剂的投放量作用指数和钙离子异常变化指数,构造每个周期的特征参数Qt,即:
Qt=[Bt,Ct,Ht]
式子中,Bt表示第t个周期的阻垢剂PESA投放量,Ct表示第t个周期的阻垢剂的投放量作用指数,Ht表示第t个周期的钙离子异常变化指数。
至此,根据每个周期的阻垢剂PESA投放量、阻垢剂的投放量作用指数和钙离子异常变化指数组成的特征参数,得到N-1个周期的特征参数组成的特征参数序列。
步骤S13:利用神经网络算法对N-1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理。
具体的,利用神经网络获取阻垢剂PESA的最佳投放量,本发明所述神经网络为RNN神经网络,以Adam算法为优化算法,以交叉熵函数为损失函数,神经网络的输入为连续(N-1)天的三维特征向量形成的特征向量序列,N在此为20,神经网络的输出是第N天阻垢剂PESA的最佳投放量。
进一步的,得到最佳的聚环氧琥珀酸PESA投放量后,对废水进行污泥减量化处理,利用湿式氧化法对处理之后的废水进行处理,并对湿式氧化法对处理之后结构进行达标检测,确定是否符合排放标准。具体的,当满足污水排放标准时,对废水进行排放处理。由此,完成对明胶废水的智能处理方法。
本申请的明胶生产废水智能处理方法,根据每天的阻垢剂投放量作用指数和钙离子异常变化指数,阻垢剂投放量作用指数的有益效果在于衡量阻垢剂PESA投入量的作用效果,钙离子异常变化指数的有益效果在于衡量阻垢剂PESA投入过量时产生的异常现象。根据每天的阻垢剂PESA投入量与阻垢剂投放量作用指数、钙离子异常变化指数之间的联系,获取阻垢剂PESA的最佳投入量,保证此时投入量有较好的作用效果,同时避免投入过多时产生的不良效应,以此得到较好的明胶生产废水污泥减量化效果。
请参见图4,图4为本申请的明胶生产废水智能处理系统的一实施例的结构示意图,包括:获取模块41、计算模块42、处理模块43。
其中,获取模块41用于获取N个周期的基础数据矩阵,每一周期的所述基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列。
计算模块42用于利用N-1个周期的基础数据矩阵计算得到特征参数,所述特征参数包括N-1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量。
处理模块43用于利用神经网络算法对N-1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理。
本申请的明胶生产废水智能处理系统能够实现上述任一实施例所述的明胶生产废水智能处理方法。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (3)
1.一种明胶生产废水智能处理方法,其特征在于,包括:
获取N个周期的基础数据矩阵,每一周期的所述基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列;
利用N-1个周期的基础数据矩阵计算得到N-1个周期中每一周期对应的特征参数,所述特征参数包括N-1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量;
利用神经网络算法对N-1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理;
利用N-1个周期的基础数据矩阵计算得到N-1个周期中每一周期对应的特征参数,包括:
基于当前周期的所述基础数据矩阵计算当前周期中的阻垢剂的投放量作用指数,所述阻垢剂的投放量作用指数表征阻垢剂的投放量的分解作用;
基于当前周期的所述基础数据矩阵中的钙离子含量序列计算当前周期中的钙离子异常变化指数,所述钙离子异常变化指数表征添加的阻垢剂的量是否过多;
基于当前周期的所述基础数据矩阵计算当前周期中的阻垢剂的投放量作用指数,包括:
基于当前周期的所述基础数据矩阵计算当前周期中阻垢剂的分解能力指数;
基于当前周期的所述基础数据矩阵以及所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数;
其中,所述分解能力指数与阻垢剂的投放量作用指数正相关;
基于当前周期的所述基础数据矩阵计算当前周期中阻垢剂的分解能力指数,包括:
计算所述基础数据矩阵中每一维度的数据序列的极差;
计算每一维度的数据序列内相邻两个数据点之间的变化和相邻两个数据点中在前的数据点的比值之和;
基于所述基础数据矩阵中所有维度的数据序列计算得到的极差,和每一维度的数据序列计算得到的比值之和计算得到当前周期中阻垢剂的分解能力指数;
当前周期中阻垢剂的分解能力指数的计算方式为:
其中,At表示第t个周期中阻垢剂的分解能力指数,n表示基础数据矩阵中维度的个数,m表示基础数据矩阵中每一维度的数据序列中数据点的个数,ai max和ai min分别表示第i个维度的数据序列中的极大值数据和极小值数据,|ai max-ai min|表示第i个维度的数据序列的极差,aij和ai(j-1)表示基础数据矩阵中第i个维度第j个数据点和第i个维度第(j-1)个数据点的数值,表示第i个维度中相邻两个数据点之间的变化和相邻两个数据点中在前的数据点的比值之和;
基于当前周期的所述基础数据矩阵以及所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数,包括:
基于所述基础数据矩阵中每一维度的第j个数据点之后的数据点之和和第j个数据点之后的数据点的数量计算每一维度的数据序列对应的平稳效果值,其中,所述第j个数据点之后的数据点为均衡状态下的数据点;
基于每一维度的数据序列在均衡状态下的标准差分别计算每一维度的数据序列对应的的平稳效果指数的可信程度;
基于每一维度的数据序列对应的平稳效果值、每一维度的数据序列对应的的平稳效果指数和所述分解能力指数计算当前周期中的阻垢剂的投放量作用指数;
当前周期中的阻垢剂的投放量作用指数计算方式为:
其中,D1、D2和D3分别表示第1维度的PH值序列、第2维度的COD含量序列和第3维度的钙离子含量序列的平稳效果值,E1、E2和E3分别表示第1维度的PH值序列、第2维度的COD含量序列和第3维度的钙离子含量序列的平稳效果指数的可信程度,K表示中性PH值,ε为误差项,避免分母为0,At表示第t个周期中阻垢剂的分解能力指数,Ct表示第t个周期中阻垢剂的投放量作用指数,ceil为向上取整函数;
其中,所有维度的数据序列对应的的平稳效果指数的可信程度之和E1+E2+E3越大,表征第j个数据点之后的数据点为均衡状态下的数据点的可能性越高;
基于所述基础数据矩阵中的钙离子含量序列计算当前周期中的钙离子异常变化指数,包括:
将钙离子含量序列中离子含量数据点的个数作为自变量,钙离子的含量作为因变量,利用最小二乘非线性拟合算法得到钙离子含量序列对应的拟合函数;
对所述拟合函数求导,得到每个钙离子含量数据点的斜率,所述数据点的斜率表征添加的阻垢剂的量是否过多;
利用钙离子含量序列中钙离子含量数据点的个数、钙离子含量序列中第(j-1)、第j个钙离子含量数据、第(j-1)个钙离子含量数据点的斜率,计算当前周期中的钙离子异常变化指数;
其中,当前周期中的钙离子异常变化指数的计算方式为:
式子中,Ht表示第t个周围中钙离子异常变化指数,ceil为向上取整函数,Norm为归一化函数,m表示钙离子含量序列中钙离子含量数据点的个数,a3(j-1)和a3j分别代表基础数据矩阵中钙离子含量序列中第(j-1)、第j个钙离子含量数据,Lj-1表示第(j-1)个钙离子含量数据点的斜率,ε为误差项,避免分母取值为0。
2.根据权利要求1所述的一种明胶生产废水智能处理方法,其特征在于,基于阻垢剂的最佳投放量对明胶生产废水进行处理之后,包括:
利用湿式氧化法对处理之后的废水进行处理,并对湿式氧化法对处理之后结构进行达标检测,确定是否符合排放标准。
3.一种明胶生产废水智能处理系统,用于实现权利要求1所述的一种明胶生产废水智能处理方法的步骤,包括:
获取模块,用于获取N个周期的基础数据矩阵,每一周期的所述基础数据矩阵包括当前周期采集的多个维度的数据序列,多个维度的数据序列分别包括:PH值序列、COD含量序列以及钙离子含量序列;
计算模块,用于利用N-1个周期的基础数据矩阵计算得到特征参数,所述特征参数包括N-1个周期对应的阻垢剂的投放量作用指数、钙离子异常变化指数以及阻垢剂的投放量;
处理模块,用于利用神经网络算法对N-1个周期的特征参数进行处理,得到第N个周期对应的阻垢剂的最佳投放量,基于阻垢剂的最佳投放量对明胶生产废水进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434375.4A CN117275615B (zh) | 2023-10-31 | 2023-10-31 | 一种明胶生产废水智能处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434375.4A CN117275615B (zh) | 2023-10-31 | 2023-10-31 | 一种明胶生产废水智能处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117275615A CN117275615A (zh) | 2023-12-22 |
CN117275615B true CN117275615B (zh) | 2024-04-09 |
Family
ID=89210658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311434375.4A Active CN117275615B (zh) | 2023-10-31 | 2023-10-31 | 一种明胶生产废水智能处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117275615B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825870A (zh) * | 2010-05-18 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种控制水处理絮凝剂投放量的方法及系统 |
CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
CN105550774A (zh) * | 2015-12-11 | 2016-05-04 | 浙江省公众信息产业有限公司 | 设施投料预测方法和系统 |
CN108408855A (zh) * | 2018-04-10 | 2018-08-17 | 大唐(北京)水务工程技术有限公司 | 一种用于废水处理的在线加药控制方法及系统 |
CN109243545A (zh) * | 2018-11-21 | 2019-01-18 | 哈尔滨工业大学 | 一种基于机器学习的难降解有机污水处理效果预测方法 |
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
CN112863614A (zh) * | 2021-01-08 | 2021-05-28 | 北京工业大学 | 一种基于emd算法的模块化神经网络的出水氨氮软测量方法 |
CN115130770A (zh) * | 2022-02-21 | 2022-09-30 | 攀枝花学院 | 基于张量特征重构的工业废水排放水质预测方法 |
CN115481720A (zh) * | 2022-09-29 | 2022-12-16 | 桂林电子科技大学 | 基于br-narx神经网络的混凝剂加药量的预测方法 |
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 |
CN115798622A (zh) * | 2022-11-28 | 2023-03-14 | 安徽工程大学 | 一种基于神经网络的羟胺协同Fe2+活化过硫酸盐降解橙黄Ⅱ工艺参数优化方法 |
CN116485611A (zh) * | 2023-04-25 | 2023-07-25 | 安徽浙航能源科技有限公司 | 一种锂电池正极材料生产废水处理方法及系统 |
-
2023
- 2023-10-31 CN CN202311434375.4A patent/CN117275615B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825870A (zh) * | 2010-05-18 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种控制水处理絮凝剂投放量的方法及系统 |
CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
CN105550774A (zh) * | 2015-12-11 | 2016-05-04 | 浙江省公众信息产业有限公司 | 设施投料预测方法和系统 |
CN108408855A (zh) * | 2018-04-10 | 2018-08-17 | 大唐(北京)水务工程技术有限公司 | 一种用于废水处理的在线加药控制方法及系统 |
CN109243545A (zh) * | 2018-11-21 | 2019-01-18 | 哈尔滨工业大学 | 一种基于机器学习的难降解有机污水处理效果预测方法 |
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
CN112863614A (zh) * | 2021-01-08 | 2021-05-28 | 北京工业大学 | 一种基于emd算法的模块化神经网络的出水氨氮软测量方法 |
CN115130770A (zh) * | 2022-02-21 | 2022-09-30 | 攀枝花学院 | 基于张量特征重构的工业废水排放水质预测方法 |
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 |
CN115481720A (zh) * | 2022-09-29 | 2022-12-16 | 桂林电子科技大学 | 基于br-narx神经网络的混凝剂加药量的预测方法 |
CN115798622A (zh) * | 2022-11-28 | 2023-03-14 | 安徽工程大学 | 一种基于神经网络的羟胺协同Fe2+活化过硫酸盐降解橙黄Ⅱ工艺参数优化方法 |
CN116485611A (zh) * | 2023-04-25 | 2023-07-25 | 安徽浙航能源科技有限公司 | 一种锂电池正极材料生产废水处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117275615A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hwangbo et al. | Integrated model for understanding N2O emissions from wastewater treatment plants: a deep learning approach | |
US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
Yoo et al. | Multi‐model statistical process monitoring and diagnosis of a sequencing batch reactor | |
CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN114564699B (zh) | 一种总磷总氮连续在线监测方法及系统 | |
CN110357236B (zh) | 一种基于突变反演出水预测模型的污水厂智慧操控方法 | |
CN114817851A (zh) | 水质监测方法及设备 | |
Zhong et al. | Water quality prediction of MBR based on machine learning: A novel dataset contribution analysis method | |
CN117275615B (zh) | 一种明胶生产废水智能处理方法及系统 | |
Mbamba et al. | Optimization of deep learning models for forecasting performance in the water industry using genetic algorithms | |
CN110705752A (zh) | 基于anfis与机理模型的污水bod实时预测方法 | |
AU2018418038B2 (en) | System and method for predicting a parameter associated with a wastewater treatment process | |
Lim et al. | A systematic model calibration methodology based on multiple errors minimization method for the optimal parameter estimation of ASM1 | |
Chang | Soft measurement modeling of turbidity in flocculation process of drinking water treatment using gaussian process regression | |
CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
CN112485394A (zh) | 一种基于稀疏自编码和极限学习机的水质软测量方法 | |
Helm et al. | Development of gradient boosting-assisted machine learning data-driven model for free chlorine residual prediction | |
CN112183676A (zh) | 一种基于混合降维与核函数极限学习机的水质软测量方法 | |
CN117874409B (zh) | 基于水质预测的制水反馈调控方法、系统、终端及介质 | |
Kim et al. | Optimizing coagulant dosage using deep learning models with large-scale data | |
Ao et al. | A new approach to optimizing aeration using XGB-Bi-LSTM via the online monitoring of oxygen transfer efficiency and oxygen uptake rate | |
CN118039027A (zh) | 一种基于循环神经网络的盐酸多西环素废水处理方法 | |
Wang et al. | Successful prediction for coagulant dosage and effluent turbidity of a coagulation process in a drinking water treatment plant based on the Elman neural network and random forest models | |
CN118118032B (zh) | 一种渔业环境中污染物环境风险监测方法 | |
CN116110516B (zh) | 一种污水处理过程异常工况识别方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |