CN117524339A - 一种测定余氯的方法及系统 - Google Patents
一种测定余氯的方法及系统 Download PDFInfo
- Publication number
- CN117524339A CN117524339A CN202410009112.7A CN202410009112A CN117524339A CN 117524339 A CN117524339 A CN 117524339A CN 202410009112 A CN202410009112 A CN 202410009112A CN 117524339 A CN117524339 A CN 117524339A
- Authority
- CN
- China
- Prior art keywords
- residual chlorine
- chlorine concentration
- value
- detection model
- color development
- 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
Links
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 title claims abstract description 327
- 239000000460 chlorine Substances 0.000 title claims abstract description 321
- 229910052801 chlorine Inorganic materials 0.000 title claims abstract description 321
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 163
- 238000011161 development Methods 0.000 claims abstract description 120
- 238000002835 absorbance Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000010276 construction Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 abstract description 2
- 239000002351 wastewater Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000000087 stabilizing effect Effects 0.000 description 5
- 239000000645 desinfectant Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- OSVXSBDYLRYLIG-UHFFFAOYSA-N dioxidochlorine(.) Chemical compound O=Cl=O OSVXSBDYLRYLIG-UHFFFAOYSA-N 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000012086 standard solution Substances 0.000 description 3
- 238000004659 sterilization and disinfection Methods 0.000 description 3
- 239000004155 Chlorine dioxide Substances 0.000 description 2
- 239000005708 Sodium hypochlorite Substances 0.000 description 2
- 238000011088 calibration curve Methods 0.000 description 2
- 235000019398 chlorine dioxide Nutrition 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- SUKJFIGYRHOWBL-UHFFFAOYSA-N sodium hypochlorite Chemical compound [Na+].Cl[O-] SUKJFIGYRHOWBL-UHFFFAOYSA-N 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- QNGVNLMMEQUVQK-UHFFFAOYSA-N 4-n,4-n-diethylbenzene-1,4-diamine Chemical compound CCN(CC)C1=CC=C(N)C=C1 QNGVNLMMEQUVQK-UHFFFAOYSA-N 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 108010025037 T140 peptide Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- WQYVRQLZKVEZGA-UHFFFAOYSA-N hypochlorite Inorganic materials Cl[O-] WQYVRQLZKVEZGA-UHFFFAOYSA-N 0.000 description 1
- -1 hypochlorite ions Chemical class 0.000 description 1
- QWPPOHNGKGFGJK-UHFFFAOYSA-N hypochlorous acid Chemical compound ClO QWPPOHNGKGFGJK-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Plasma & Fusion (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本申请涉及大数据处理领域,尤其涉及一种测定余氯的方法及系统,包括:对历史样本采集显色时间、吸光度值和余氯浓度值,构建历史样本数据训练集;构建余氯浓度检测模型,通过历史样本数据训练集训练余氯浓度检测模型;对当前样本采集显色时间、吸光度值和余氯浓度值,构建当前样本数据测试集;将当前样本数据测试集中的显色时间和吸光度值输入余氯浓度检测模型,预测到余氯浓度值,通过当前样本数据测试集中的余氯浓度值与预测到的余氯浓度值得到余氯浓度检测模型的预测误差;若预测误差未达到阈值,则使用余氯浓度检测模型预测,若预测误差已达到阈值,则重新训练余氯浓度检测模型。本申请可提升检测结果准确性和稳定性,还提升检测效率。
Description
技术领域
本申请涉及大数据处理领域,尤其涉及一种测定余氯的方法及系统。
背景技术
在医疗机构和传染病防疫隔离点中,会广泛使用次氯酸钠、二氧化氯等含氯消毒剂对医疗废水进行消毒,但是使用次氯酸钠、二氧化氯等含氯消毒剂进行消毒时会产生余氯。余氯包含次氯酸、次氯酸盐离子和溶解的单质氯等,具有较强的氧化性,能在较短时间内杀死病原体和细菌,是消毒剂的主要有效成分。但为了彻底杀灭医疗废水中的病毒、病原微生物等,在处理过程中经常会过量投放含氯消毒剂,这样就造成了余氯超过规定量的数倍甚至数十倍,导致余氯检出浓度达到10~300mg/L。
然而,过量的余氯会造成污染处理设施高负荷运转,增加超标排放风险,若超标余氯进入环境,还会对水生生物造成较大的毒害效果,同时余氯也易与环境中其他有机物反应生成具有高致癌风险的有机氯代物。因此,目前要求对医疗机构和传染病防疫隔离点中存储医疗废水的消毒接触池开展余氯监测,确保接触时间≥1.5小时(游离余氯>6.5mg/L)或接触时间为1.0小时(游离余氯> 10mg/L),以确保废水中余氯浓度达标排放。
目前,通常采用N,N-二乙基-1,4-苯二胺(DPD)分光光度法(HJ586-2010),作为余氯监测的标准检测方法,但是众多研究指出,标准检测方法设定的显色稳定时间60min过长,导致测定结果不稳定,并且由于不同浓度的余氯样品的显色吸光度稳定性不同,进而还影响检测结果。另外,通过研究还发现,运用该法时,低浓度点余氯标准溶液吸光度随显色时间的延长而增大,中浓度点吸光度随显色时间的延长变化不大,高浓度点吸光度随显色时间延长而减小,这一趋势会导致显色体系不稳定,进而影响检测结果的准确性。目前,缩短显色稳定时间,使得显色稳定时间不超过6min,是解决上述问题的一个方案。但6min的显色稳定时间过短,检测人员难以实施批量化检测,严重影响检测工作效率。
因此,如何解决因余氯显色稳定时间过长而引起的检测结果不准确的问题,并且在提升检测结果准确性和稳定性的同时,还满足样品批量化检测要求,提升检测效率,是本领域技术人员目前急需解决的技术问题。
发明内容
本申请提供了一种测定余氯的方法及系统,以解决因余氯显色稳定时间过长而引起的检测结果不准确的问题,并且在提升检测结果准确性和稳定性的同时,还满足样品批量化检测要求,提升检测效率。
为解决上述技术问题,本申请提供如下技术方案:
一种测定余氯的方法,包括如下步骤:步骤T110、针对历史样本采集显色时间、吸光度值和余氯浓度值,构建历史样本数据训练集;步骤T120、构建余氯浓度检测模型,并且通过历史样本数据训练集训练余氯浓度检测模型;步骤T130、针对当前样本采集显色时间、吸光度值和余氯浓度值,构建当前样本数据测试集;步骤T140、将当前样本数据测试集中的显色时间和吸光度值输入训练好的余氯浓度检测模型中,预测得到余氯浓度值,通过当前样本数据测试集中的余氯浓度值与预测得到的余氯浓度值,得到训练好的余氯浓度检测模型的预测误差;步骤T150、若预测误差未达到阈值,则使用训练好的余氯浓度检测模型进行余氯浓度值的预测,若预测误差已达到阈值,则重新训练余氯浓度检测模型。
如上所述的测定余氯的方法,其中,优选的是,构建三维曲面模型作为余氯浓度检测模型,将显色时间作为余氯浓度检测模型的输入,将吸光度值作为余氯浓度检测模型的输入/>,将余氯浓度值作为余氯浓度检测模型的输出/>。
如上所述的测定余氯的方法,其中,优选的是,余氯浓度检测模型为;其中,/>为余氯浓度值;/>为显色时间,/>;/>为显色时间的指数系数;/>为显色时间的权重系数;/>为吸光度值,/>;/>为吸光度值的指数系数;/>为吸光度值的权重系数;/>为显色时间和吸光度值的联合权重系数;/>为余氯浓度值的调整值。
如上所述的测定余氯的方法,其中,优选的是,训练得到的余氯浓度检测模型的参数如下:
、/>、/>、、/>、/>。
如上所述的测定余氯的方法,其中,优选的是,将当前样本数据测试集中的余氯浓度值以及通过训练好的余氯浓度检测模型预测得到余氯浓度值输入误差检测模型中,进行预测误差的计算。
一种测定余氯的系统,包括:训练集构建模块、模型构建训练模块、测试集构建模块、预测误差计算模块和余氯浓度值预测模块;训练集构建模块针对历史样本采集显色时间、吸光度值和余氯浓度值,构建历史样本数据训练集;模型构建训练模块构建余氯浓度检测模型,并且通过历史样本数据训练集训练余氯浓度检测模型;测试集构建模块针对当前样本采集显色时间、吸光度值和余氯浓度值,构建当前样本数据测试集;预测误差计算模块将当前样本数据测试集中的显色时间和吸光度值输入训练好的余氯浓度检测模型中,预测得到余氯浓度值,通过当前样本数据测试集中的余氯浓度值与预测得到的余氯浓度值,得到训练好的余氯浓度检测模型的预测误差;若预测误差未达到阈值,则余氯浓度值预测模块使用训练好的余氯浓度检测模型进行余氯浓度值的预测,若预测误差已达到阈值,则模型构建训练模块重新训练余氯浓度检测模型。
如上所述的测定余氯的系统,其中,优选的是,构建三维曲面模型作为余氯浓度检测模型,将显色时间作为余氯浓度检测模型的输入,将吸光度值作为余氯浓度检测模型的输入/>,将余氯浓度值作为余氯浓度检测模型的输出/>。
如上所述的测定余氯的系统,其中,优选的是,余氯浓度检测模型为;其中,/>为余氯浓度值;/>为显色时间,/>;/>为显色时间的指数系数;/>为显色时间的权重系数;/>为吸光度值,/>;/>为吸光度值的指数系数;/>为吸光度值的权重系数;/>为显色时间和吸光度值的联合权重系数;/>为余氯浓度值的调整值。
如上所述的测定余氯的系统,其中,优选的是,训练得到的余氯浓度检测模型的参数如下:
、/>、/>、、/>、/>。
如上所述的测定余氯的系统,其中,优选的是,将当前样本数据测试集中的余氯浓度值以及通过训练好的余氯浓度检测模型预测得到余氯浓度值输入误差检测模型中,进行预测误差的计算。
相对上述背景技术,由于本申请提供的测定余氯的方法及系统,可以在较长的显色稳定时间内进行样品的处理,能够满足样品批量化检测要求,并且由于预测时考虑了显色时间对余氯浓度值的影响,还解决了因余氯显色稳定时间过长引起的检测结果不准确的问题,从而在提升检测结果准确性和稳定性的同时,通过样品批量化检测,提升了检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现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发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的测定余氯的方法的流程图;
图2是本申请实施例提供的测定余氯的系统的示意图;
图3是本申请实施例提供的测定余氯的系统模型在初始状态下的三维数据展示图;
图4是本申请实施例提供的测定余氯的系统模型在训练完毕后的三维数据展示图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
实施例一
请参阅图1,图1是本申请实施例提供的测定余氯的方法的流程图。
本申请提供了一种测定余氯的方法,包括如下步骤:
步骤T110、针对历史样本采集显色时间、吸光度值和余氯浓度值,构建历史样本数据训练集;
余氯检测主要受3个因素影响,包括:显色时间(单位:min)、吸光度值(单位:Abs)和余氯浓度值(单位:mg/L),并且三者数据之间呈现显著的相关关系,因此针对历史样本(例如:历史样本可以是历史标准溶液样本,浓度可以是0,0.1,0.2,0.3,0.5,1,1.5mg/L)采集显色时间、吸光度值和余氯浓度值,并将采集的显色时间、吸光度值和余氯浓度值集合在一起,从而构建出历史样本数据训练集,以进行接下来的模型训练,得到反映显色时间、吸光度值和余氯浓度值之间相关关系的模型。由于历史样本数据一般均存储于计算机设备中,因此可以通过计算机设备调用其存储的历史样本数据实现采集,另外历史样本数据也可以记录于纸质文件中,可以由工作人员通过输入端口输入至计算机设备中实现采集。
其中,,为历史样本数据训练集中的第1个显色时间、/>为历史样本数据训练集中的第1个吸光度值、/>为历史样本数据训练集中的第1个余氯浓度值、/>为历史样本数据训练集中的第2个显色时间、/>为历史样本数据训练集中的第2个吸光度值、/>为历史样本数据训练集中的第2个余氯浓度值、/>为历史样本数据训练集中的第/>个显色时间、/>为历史样本数据训练集中的第/>个吸光度值、/>为历史样本数据训练集中的第/>个余氯浓度值。例如:历史样本数据训练集/>中的数据可以是60min中的整分时刻采集的数据。
步骤T120、构建余氯浓度检测模型,并且通过历史样本数据训练集训练余氯浓度检测模型;
计算机设备构建三维曲面模型作为余氯浓度检测模型,如图3所示,并且将显色时间作为余氯浓度检测模型的输入,将吸光度值作为余氯浓度检测模型的输入/>,将余氯浓度值作为余氯浓度检测模型的输出/>。具体的,余氯浓度检测模型为;其中,/>为显色时间,/>;为显色时间的指数系数;/>为显色时间的权重系数;/>为吸光度值,/>;/>为吸光度值的指数系数;/>为吸光度值的权重系数;/>为显色时间和吸光度值的联合权重系数;/>为余氯浓度值;/>为余氯浓度值的调整值。
然后,计算机设备将历史样本数据训练集中的显色时间/>作为余氯浓度检测模型的输入/>,将历史样本数据训练集/>中的吸光度值作为余氯浓度检测模型的输入/>,将历史样本数据训练集/>中的余氯浓度值/>作为余氯浓度检测模型的输出/>,输入至余氯浓度检测模型中对其进行训练。训练得到显色时间的权重系数/>的值、显色时间的指数系数/>的值、吸光度值的权重系数/>的值、吸光度值的指数系数/>的值、显色时间和吸光度值的联合权重系数/>的值、余氯浓度值的调整值/>的值。如图4所示,训练得到的余氯浓度检测模型的参数如下:
、/>、/>、、/>、/>。可选的,/>、/>、/>、/>、/>、。
步骤T130、针对当前样本采集显色时间、吸光度值和余氯浓度值,构建当前样本数据测试集;
在对余氯浓度检测模型训练好后,计算机设备需要测试训练好的余氯浓度检测模型的准确度,因此还需要针对当前样本(例如:当前医疗废水样本)采集显色时间、吸光度值和余氯浓度值,当前样本可以是通过传感器进行的采集,并将采集的数据传输给计算机设备的,计算机设备将采集的显色时间、吸光度值和余氯浓度值集合在一起,从而构建出当前样本数据测试集
,其中,/>为当前样本数据测试集中的第1个显色时间、/>为当前样本数据测试集中的第1个吸光度值、/>为当前样本数据测试集中的第1个余氯浓度值、/>为当前样本数据测试集中的第2个显色时间、/>为当前样本数据测试集中的第2个吸光度值、/>为当前样本数据测试集中的第2个余氯浓度值、/>为当前样本数据测试集中的第/>个显色时间、为当前样本数据测试集中的第/>个吸光度值、/>为当前样本数据测试集中的第/>个余氯浓度值。
步骤T140、将当前样本数据测试集中的显色时间和吸光度值输入训练好的余氯浓度检测模型中,预测得到余氯浓度值,通过当前样本数据测试集中的余氯浓度值与预测得到的余氯浓度值,得到训练好的余氯浓度检测模型的预测误差;
计算机设备将当前样本数据测试集中的显色时间/>作为训练好的余氯浓度检测模型的输入/>,将当前样本数据测试集/>中的吸光度值作为训练好的余氯浓度检测模型的输入/>,训练好的余氯浓度检测模型预测得到余氯浓度值/>,其中,/>为预测得到的第1个余氯浓度值、/>为预测得到的第2个余氯浓度值、/>为预测得到的第/>个余氯浓度值。
然后,计算机设备将当前样本数据测试集中的余氯浓度值以及通过训练好的余氯浓度检测模型预测得到余氯浓度值输入误差检测模型中,具体的误差检测模型依据公式 进行预测误差/>的计算;其中,/>为预测得到的第/>个余氯浓度值,/>为当前样本数据测试集中的第/>个余氯浓度值,/>为预测得到的第/>个余氯浓度值,/>为当前样本数据测试集中的第/>个余氯浓度值,,/>为余氯浓度值的序号,/>为/>取值的最大值,/>为非0调整值,可选的,/>的取值范围为0.01-0.03。通过实验得到本申请训练好的余氯浓度检测模型的预测误差/>为0.04。
步骤T150、若预测误差未达到阈值,则使用训练好的余氯浓度检测模型进行余氯浓度值的预测,若预测误差已达到阈值,则重新训练余氯浓度检测模型;
若预测误差(阈值),则说明训练好的余氯浓度检测模型可以投入余氯浓度值的预测,这样计算机设备就可以使用训练好的余氯浓度检测模型对医疗废水样本进行检测,若预测误差/>(阈值),说明训练好的余氯浓度检测模型的预测准确率未达到要求,则计算机设备重新对余氯浓度检测模型进行训练。
在通过训练好的余氯浓度检测模型进行余氯浓度值的预测时,传感器检测到样品显色后,得到当前待测样本的显色时间(例如:可以是60min中的任意时刻),其中,/>为当前待测样本的第1个显色时间,/>为当前待测样本的第2个显色时间,/>为当前待测样本的第/>个显色时间,并且通过分光光度计(波长设置为515nm)检测得到当前待测样本的吸光度值/>,其中,/>为当前待测样本的第1个吸光度值,/>为当前待测样本的第2个吸光度值,/>为当前待测样本的第/>个吸光度值,将当前待测样本的显色时间和吸光度值集合在一起形成当前待测样本的数据预测集/>。计算机设备将当前待测样本的数据预测集/>的显色时间和吸光度值/>输入到训练好的余氯浓度检测模型,自动预测得到余氯浓度值/>,其中,/>为预测得到的第1个余氯浓度值、/>为预测得到的第2个余氯浓度值、/>为预测得到的第/>个余氯浓度值,并将预测得到的余氯浓度值/>进行显示,从而实现待测样品余氯浓度值的自动读出。
本申请实施例一中的上述步骤T110- T150均由计算机设备执行。
实施例二
请参阅图2,图2是本申请实施例提供的测定余氯的系统的示意图。
本申请提供了一种测定余氯的系统400,包括:训练集构建模块410、模型构建训练模块420、测试集构建模块430、预测误差计算模块440和余氯浓度值预测模块450,并且训练集构建模块410、模型构建训练模块420、测试集构建模块430、预测误差计算模块440和余氯浓度值预测模块450均由计算机设备提供。
训练集构建模块410针对历史样本采集显色时间、吸光度值和余氯浓度值,构建历史样本数据训练集。
余氯检测主要受3个因素影响,包括:显色时间(单位:min)、吸光度值(单位:Abs)和余氯浓度值(单位:mg/L),并且三者数据之间呈现显著的相关关系,因此针对历史样本(例如:历史样本可以是历史标准溶液样本,浓度可以是0,0.1,0.2,0.3,0.5,1,1.5mg/L)采集显色时间、吸光度值和余氯浓度值,并将采集的显色时间、吸光度值和余氯浓度值集合在一起,从而构建出历史样本数据训练集,以进行接下来的模型训练,得到反映显色时间、吸光度值和余氯浓度值之间相关关系的模型。由于历史样本数据一般均存储于计算机设备中,因此可以通过计算机设备调用其存储的历史样本数据实现采集,另外历史样本数据也可以记录于纸质文件中,可以由工作人员通过输入端口输入至计算机设备中实现采集。
其中,,为历史样本数据训练集中的第1个显色时间、/>为历史样本数据训练集中的第1个吸光度值、/>为历史样本数据训练集中的第1个余氯浓度值、/>为历史样本数据训练集中的第2个显色时间、/>为历史样本数据训练集中的第2个吸光度值、/>为历史样本数据训练集中的第2个余氯浓度值、/>为历史样本数据训练集中的第/>个显色时间、/>为历史样本数据训练集中的第/>个吸光度值、/>为历史样本数据训练集中的第/>个余氯浓度值。例如:历史样本数据训练集/>中的数据可以是60min中的整分时刻采集的数据。
模型构建训练模块420构建余氯浓度检测模型,并且通过历史样本数据训练集训练余氯浓度检测模型。
计算机设备构建三维曲面模型作为余氯浓度检测模型,如图3所示,并且将显色时间作为余氯浓度检测模型的输入,将吸光度值作为余氯浓度检测模型的输入/>,将余氯浓度值作为余氯浓度检测模型的输出/>。具体的,余氯浓度检测模型为;其中,/>为显色时间,;/>为显色时间的指数系数;/>为显色时间的权重系数;/>为吸光度值,/>;/>为吸光度值的指数系数;/>为吸光度值的权重系数;/>为显色时间和吸光度值的联合权重系数;/>为余氯浓度值;/>为余氯浓度值的调整值。
然后,计算机设备将历史样本数据训练集中的显色时间/>作为余氯浓度检测模型的输入/>,将历史样本数据训练集/>中的吸光度值、作为余氯浓度检测模型的输入/>,将历史样本数据训练集/>中的余氯浓度值/>作为余氯浓度检测模型的输出/>,输入至余氯浓度检测模型中对其进行训练。训练得到显色时间的权重系数/>的值、显色时间的指数系数/>的值、吸光度值的权重系数/>的值、吸光度值的指数系数/>的值、显色时间和吸光度值的联合权重系数/>的值、余氯浓度值的调整值/>的值。如图4所示,训练得到的余氯浓度检测模型的参数如下:
、/>、/>、、/>、/>。可选的,/>、/>、/>、/>、/>、。
测试集构建模块430针对当前样本采集显色时间、吸光度值和余氯浓度值,构建当前样本数据测试集。
在对余氯浓度检测模型训练好后,计算机设备需要测试训练好的余氯浓度检测模型的准确度,因此还需要针对当前样本(例如:当前医疗废水样本)采集显色时间、吸光度值和余氯浓度值,当前样本可以是通过传感器进行的采集,并将采集的数据传输给计算机设备的,计算机设备将采集的显色时间、吸光度值和余氯浓度值集合在一起,从而构建出当前样本数据测试集,其中,/>为当前样本数据测试集中的第1个显色时间、/>为当前样本数据测试集中的第1个吸光度值、/>为当前样本数据测试集中的第1个余氯浓度值、/>为当前样本数据测试集中的第2个显色时间、/>为当前样本数据测试集中的第2个吸光度值、/>为当前样本数据测试集中的第2个余氯浓度值、/>为当前样本数据测试集中的第/>个显色时间、为当前样本数据测试集中的第/>个吸光度值、/>为当前样本数据测试集中的第/>个余氯浓度值。
预测误差计算模块440将当前样本数据测试集中的显色时间和吸光度值输入训练好的余氯浓度检测模型中,预测得到余氯浓度值,通过当前样本数据测试集中的余氯浓度值与预测得到的余氯浓度值,得到训练好的余氯浓度检测模型的预测误差。
计算机设备将当前样本数据测试集中的显色时间/>作为训练好的余氯浓度检测模型的输入/>,将当前样本数据测试集/>中的吸光度值作为训练好的余氯浓度检测模型的输入/>,训练好的余氯浓度检测模型预测得到余氯浓度值/>,其中,/>为预测得到的第1个余氯浓度值、/>为预测得到的第2个余氯浓度值、/>为预测得到的第/>个余氯浓度值。
然后,计算机设备将当前样本数据测试集中的余氯浓度值以及通过训练好的余氯浓度检测模型预测得到余氯浓度值输入误差检测模型中,具体的误差检测模型依据公式进行预测误差/>的计算;其中,/>为预测得到的第/>个余氯浓度值,/>为当前样本数据测试集中的第/>个余氯浓度值,/>为预测得到的第/>个余氯浓度值,/>为当前样本数据测试集中的第/>个余氯浓度值,,/>为余氯浓度值的序号,/>为/>取值的最大值,/>为非0调整值,可选的,/>的取值范围为0.01-0.03。通过实验得到本申请训练好的余氯浓度检测模型的预测误差/>为0.04。
若预测误差未达到阈值,则余氯浓度值预测模块450使用训练好的余氯浓度检测模型进行余氯浓度值的预测,若预测误差已达到阈值,则模型构建训练模块420重新训练余氯浓度检测模型。
若预测误差(阈值),则说明训练好的余氯浓度检测模型可以投入余氯浓度值的预测,这样计算机设备就可以使用训练好的余氯浓度检测模型对医疗废水样本进行检测,若预测误差/>(阈值),说明训练好的余氯浓度检测模型的预测准确率未达到要求,则计算机设备重新对余氯浓度检测模型进行训练。
在通过训练好的余氯浓度检测模型进行余氯浓度值的预测时,传感器检测到样品显色后,得到当前待测样本的显色时间(例如:可以是60min中的任意时刻),其中,/>为当前待测样本的第1个显色时间,/>为当前待测样本的第2个显色时间,/>为当前待测样本的第/>个显色时间,并且通过分光光度计(波长设置为515nm)检测得到当前待测样本的吸光度值/>,其中,/>为当前待测样本的第1个吸光度值,/>为当前待测样本的第2个吸光度值,/>为当前待测样本的第/>个吸光度值,将当前待测样本的显色时间和吸光度值集合在一起形成当前待测样本的数据预测集/>。计算机设备将当前待测样本的数据预测集/>的显色时间和吸光度值/>输入到训练好的余氯浓度检测模型,自动预测得到余氯浓度值/>,其中,/>为预测得到的第1个余氯浓度值、/>为预测得到的第2个余氯浓度值、/>为预测得到的第/>个余氯浓度值,并将预测得到的余氯浓度值/>进行显示,从而实现待测样品余氯浓度值的自动读出。
通过实验得到,本申请提供的测定余氯的方法及系统具有如下特征:
1.提升检测结果的准确性;
对照标准分析方法,配制含氯质量浓度为0.15、0.76和1.36 mg/L的三份样品,运用本申请的测定余氯的方法及系统进行检测,三份样品测定的相对标准偏差分别为4.8%、1.4%、1.0%,均优于标准分析方法测定的相对标准偏差11.6%、3.9%、2.2%。
2.提升检测结果的稳定性;
对照标准分析方法,运用本申请的测定余氯的方法及系统对浓度为0.3 mg/L、1.0mg/L的校准曲线中间浓度点进行检测,并计算测定值与校准曲线相应标准点浓度的相对误差,相对误差在10%以内,优于标准分析方法规定的15%要求。
3.提升检测效率;
对比标准分析方法,运用本申请的测定余氯的方法及系统能实现平均0.5min完成1个样品检测,优于标准分析方法1min完成1个样品检测。
由于本申请应用传感器对显色时间和吸光度值进行采集,并且利用运行于计算机设备中的通过大量历史样本数据训练好的余氯浓度检测模型进行预测,由于该余氯浓度检测模型的训练应用了显色时间,所以应用该余氯浓度检测模型对余氯浓度值进行预测时考虑了显色时间对余氯浓度值预测的影响,因此本申请可以在较长的显色稳定时间(60min)内进行样品的处理,能够满足样品批量化检测要求,并且由于预测时考虑了显色时间对余氯浓度值的影响,还解决了因余氯显色稳定时间过长引起的检测结果不准确的问题,从而在提升检测结果准确性和稳定性的同时,通过样品批量化检测,提升了检测效率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种测定余氯的方法,其特征在于,包括如下步骤:
步骤T110、针对历史样本采集显色时间、吸光度值和余氯浓度值,构建历史样本数据训练集;
步骤T120、构建余氯浓度检测模型,并且通过历史样本数据训练集训练余氯浓度检测模型;
步骤T130、针对当前样本采集显色时间、吸光度值和余氯浓度值,构建当前样本数据测试集;
步骤T140、将当前样本数据测试集中的显色时间和吸光度值输入训练好的余氯浓度检测模型中,预测得到余氯浓度值,通过当前样本数据测试集中的余氯浓度值与预测得到的余氯浓度值,得到训练好的余氯浓度检测模型的预测误差;
步骤T150、若预测误差未达到阈值,则使用训练好的余氯浓度检测模型进行余氯浓度值的预测,若预测误差已达到阈值,则重新训练余氯浓度检测模型。
2.根据权利要求1所述的测定余氯的方法,其特征在于,构建三维曲面模型作为余氯浓度检测模型,将显色时间作为余氯浓度检测模型的输入,将吸光度值作为余氯浓度检测模型的输入/>,将余氯浓度值作为余氯浓度检测模型的输出/>。
3.根据权利要求2所述的测定余氯的方法,其特征在于,余氯浓度检测模型为;
其中,为余氯浓度值;/>为显色时间,/>;/>为显色时间的指数系数;/>为显色时间的权重系数;/>为吸光度值,/>;/>为吸光度值的指数系数;/>为吸光度值的权重系数;/>为显色时间和吸光度值的联合权重系数;/>为余氯浓度值的调整值。
4.根据权利要求3所述的测定余氯的方法,其特征在于,训练得到的余氯浓度检测模型的参数如下:
、/>、/>、、/>、/>。
5.根据权利要求1至4任一项所述的测定余氯的方法,其特征在于,将当前样本数据测试集中的余氯浓度值以及通过训练好的余氯浓度检测模型预测得到余氯浓度值输入误差检测模型中,进行预测误差的计算。
6.一种测定余氯的系统,其特征在于,包括:训练集构建模块、模型构建训练模块、测试集构建模块、预测误差计算模块和余氯浓度值预测模块;
训练集构建模块针对历史样本采集显色时间、吸光度值和余氯浓度值,构建历史样本数据训练集;
模型构建训练模块构建余氯浓度检测模型,并且通过历史样本数据训练集训练余氯浓度检测模型;
测试集构建模块针对当前样本采集显色时间、吸光度值和余氯浓度值,构建当前样本数据测试集;
预测误差计算模块将当前样本数据测试集中的显色时间和吸光度值输入训练好的余氯浓度检测模型中,预测得到余氯浓度值,通过当前样本数据测试集中的余氯浓度值与预测得到的余氯浓度值,得到训练好的余氯浓度检测模型的预测误差;
若预测误差未达到阈值,则余氯浓度值预测模块使用训练好的余氯浓度检测模型进行余氯浓度值的预测,若预测误差已达到阈值,则模型构建训练模块重新训练余氯浓度检测模型。
7.根据权利要求6所述的测定余氯的系统,其特征在于,构建三维曲面模型作为余氯浓度检测模型,将显色时间作为余氯浓度检测模型的输入,将吸光度值作为余氯浓度检测模型的输入/>,将余氯浓度值作为余氯浓度检测模型的输出/>。
8.根据权利要求7所述的测定余氯的系统,其特征在于,余氯浓度检测模型为;
其中,为余氯浓度值;/>为显色时间,/>;/>为显色时间的指数系数;/>为显色时间的权重系数;/>为吸光度值,/>;/>为吸光度值的指数系数;/>为吸光度值的权重系数;/>为显色时间和吸光度值的联合权重系数;/>为余氯浓度值的调整值。
9.根据权利要求8所述的测定余氯的系统,其特征在于,训练得到的余氯浓度检测模型的参数如下:
、/>、/>、、/>、/>。
10.根据权利要求6至9任一项所述的测定余氯的系统,其特征在于,将当前样本数据测试集中的余氯浓度值以及通过训练好的余氯浓度检测模型预测得到余氯浓度值输入误差检测模型中,进行预测误差的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410009112.7A CN117524339B (zh) | 2024-01-04 | 2024-01-04 | 一种测定余氯的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410009112.7A CN117524339B (zh) | 2024-01-04 | 2024-01-04 | 一种测定余氯的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117524339A true CN117524339A (zh) | 2024-02-06 |
CN117524339B CN117524339B (zh) | 2024-03-19 |
Family
ID=89751575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410009112.7A Active CN117524339B (zh) | 2024-01-04 | 2024-01-04 | 一种测定余氯的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117524339B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030228549A1 (en) * | 2001-07-24 | 2003-12-11 | Fuji Photo Film Co., Ltd. | Silver halide photographic light-sensitive material |
CN102721786A (zh) * | 2012-05-24 | 2012-10-10 | 武汉巨正环保科技有限公司 | 一种测定水中氨氮含量的方法 |
CN105021785A (zh) * | 2015-05-20 | 2015-11-04 | 常州大学 | 一种饮用水化合态余氯检测方法 |
JP2016188824A (ja) * | 2015-03-30 | 2016-11-04 | 栗田工業株式会社 | 水中のリン酸性リン濃度の測定方法 |
CN107290495A (zh) * | 2017-07-11 | 2017-10-24 | 中国科学院南京地理与湖泊研究所 | 基于多参数指标的河流水质评价方法 |
CN108414465A (zh) * | 2018-02-05 | 2018-08-17 | 清华大学 | 一种再生水中氯活性物质及余氯衰减的测定和预测方法 |
CN108827955A (zh) * | 2018-07-16 | 2018-11-16 | 浙江大学 | 一种检测过氧乙酸溶液浓度的方法 |
CN109142249A (zh) * | 2018-08-31 | 2019-01-04 | 青岛卓建海洋装备科技有限公司 | 一种海水硝酸盐浓度测试方法 |
CN110161026A (zh) * | 2019-06-14 | 2019-08-23 | 安徽理工大学 | 一种dpd分光光度法检测水中余氯的离心式微流控芯片 |
CN111458329A (zh) * | 2020-03-05 | 2020-07-28 | 力合科技(湖南)股份有限公司 | 总氯、余氯分析方法 |
CN111474168A (zh) * | 2020-03-05 | 2020-07-31 | 力合科技(湖南)股份有限公司 | 余氯分析方法 |
CN113281331A (zh) * | 2021-05-17 | 2021-08-20 | 福州大学 | 基于机器学习的水环境中铜离子的快速检测方法 |
CN113945556A (zh) * | 2021-09-28 | 2022-01-18 | 浙江工业大学 | 一种基于数字图像比色分析的水质氟化物检测方法 |
CN114324309A (zh) * | 2022-01-04 | 2022-04-12 | 新余钢铁股份有限公司 | 一种同步测试工业用水中总硬度、磷酸根、铁的icp测定方法 |
CN115452751A (zh) * | 2022-10-26 | 2022-12-09 | 杭州泽天春来科技有限公司 | 余氯检测方法及装置 |
CN116026773A (zh) * | 2023-01-18 | 2023-04-28 | 上海彩虹鱼深海装备科技有限公司 | 基于浊度来校准氨氮浓度的方法 |
CN116256355A (zh) * | 2023-02-09 | 2023-06-13 | 宁波万泽微测环境科技股份有限公司 | 一种余氯总氯的在线测量、校准及质控方法 |
CN116953184A (zh) * | 2023-06-07 | 2023-10-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 余氯在线检测模型的构建方法及余氯浓度在线检测方法 |
-
2024
- 2024-01-04 CN CN202410009112.7A patent/CN117524339B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030228549A1 (en) * | 2001-07-24 | 2003-12-11 | Fuji Photo Film Co., Ltd. | Silver halide photographic light-sensitive material |
CN102721786A (zh) * | 2012-05-24 | 2012-10-10 | 武汉巨正环保科技有限公司 | 一种测定水中氨氮含量的方法 |
JP2016188824A (ja) * | 2015-03-30 | 2016-11-04 | 栗田工業株式会社 | 水中のリン酸性リン濃度の測定方法 |
CN105021785A (zh) * | 2015-05-20 | 2015-11-04 | 常州大学 | 一种饮用水化合态余氯检测方法 |
CN107290495A (zh) * | 2017-07-11 | 2017-10-24 | 中国科学院南京地理与湖泊研究所 | 基于多参数指标的河流水质评价方法 |
CN108414465A (zh) * | 2018-02-05 | 2018-08-17 | 清华大学 | 一种再生水中氯活性物质及余氯衰减的测定和预测方法 |
CN108827955A (zh) * | 2018-07-16 | 2018-11-16 | 浙江大学 | 一种检测过氧乙酸溶液浓度的方法 |
CN109142249A (zh) * | 2018-08-31 | 2019-01-04 | 青岛卓建海洋装备科技有限公司 | 一种海水硝酸盐浓度测试方法 |
CN110161026A (zh) * | 2019-06-14 | 2019-08-23 | 安徽理工大学 | 一种dpd分光光度法检测水中余氯的离心式微流控芯片 |
CN111458329A (zh) * | 2020-03-05 | 2020-07-28 | 力合科技(湖南)股份有限公司 | 总氯、余氯分析方法 |
CN111474168A (zh) * | 2020-03-05 | 2020-07-31 | 力合科技(湖南)股份有限公司 | 余氯分析方法 |
CN113281331A (zh) * | 2021-05-17 | 2021-08-20 | 福州大学 | 基于机器学习的水环境中铜离子的快速检测方法 |
CN113945556A (zh) * | 2021-09-28 | 2022-01-18 | 浙江工业大学 | 一种基于数字图像比色分析的水质氟化物检测方法 |
CN114324309A (zh) * | 2022-01-04 | 2022-04-12 | 新余钢铁股份有限公司 | 一种同步测试工业用水中总硬度、磷酸根、铁的icp测定方法 |
CN115452751A (zh) * | 2022-10-26 | 2022-12-09 | 杭州泽天春来科技有限公司 | 余氯检测方法及装置 |
CN116026773A (zh) * | 2023-01-18 | 2023-04-28 | 上海彩虹鱼深海装备科技有限公司 | 基于浊度来校准氨氮浓度的方法 |
CN116256355A (zh) * | 2023-02-09 | 2023-06-13 | 宁波万泽微测环境科技股份有限公司 | 一种余氯总氯的在线测量、校准及质控方法 |
CN116953184A (zh) * | 2023-06-07 | 2023-10-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 余氯在线检测模型的构建方法及余氯浓度在线检测方法 |
Non-Patent Citations (8)
Title |
---|
ALYSSA SCHUBERT 等: "An Automated Toolchain for Camera-Enabled Sensing of Drinking Water Chlorine Residual", 《ACS ES&T ENGINEERING》, vol. 02, no. 09, 9 September 2022 (2022-09-09), pages 1697 - 1708 * |
TAIF ALAWSI 等: "Smartphone-based colorimetric sensor application for measuring biochemical material concentration", 《SENSING AND BIO-SENSING RESEARCH》, vol. 32, 30 June 2021 (2021-06-30), pages 1 - 9 * |
代佼 等: "用于检测废水中余氯的HJ 586-2010试验条件的优化", 《理化检验-化学分册》, vol. 59, no. 05, 18 May 2023 (2023-05-18), pages 540 - 542 * |
刘馨瞳: "Ni-Cu电催化氧化电极制备及其对高浓度氨氮工业废水的处理试验研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2022, 15 October 2022 (2022-10-15), pages 027 - 548 * |
张吉喆 等: "DPD分光光度法测定水质中余氯的方法研究", 《黑龙江环境通报》, vol. 38, no. 01, 15 March 2014 (2014-03-15), pages 29 - 31 * |
彭雄 等: "便携式分光光度法现场快速测定水中余氯的方法研究", 《四川环境》, vol. 38, no. 02, 26 April 2019 (2019-04-26), pages 75 - 79 * |
李龙兴: "基于信息融合的水质氨氮自动检测系统研制", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2022, 15 May 2022 (2022-05-15), pages 027 - 1307 * |
王贺芬: "分光光度法测定水中游离氯和总氯曲线及加标回收问题探讨", 《四川环境》, vol. 42, no. 01, 26 February 2023 (2023-02-26), pages 14 - 18 * |
Also Published As
Publication number | Publication date |
---|---|
CN117524339B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016179864A1 (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
CN106769938A (zh) | 一种总氮在线分析仪和其检测方法 | |
CN111458329B (zh) | 总氯、余氯分析方法 | |
CN114839166A (zh) | 基于次氯酸钠光学浓度分析的实时副产物定量测定装置 | |
KR102297617B1 (ko) | 광학계별 가시광 투과지수 고유 특성값을 이용하여 현장 교정 및 측정하는 다파장 실시간 농도분석장치 | |
DE102013108556A1 (de) | Verfahren und Analysegerät zur Bestimmung des chemischen Sauerstoffbedarfs einer Flüssigkeitsprobe | |
CN114839343B (zh) | 一种便携式水质监测巡检仪装置及使用方法 | |
KR101305993B1 (ko) | 유기물 정성, 정량분석을 이용한 bod 측정방법 | |
CN117524339B (zh) | 一种测定余氯的方法及系统 | |
CN112939246B (zh) | 一种基于物联网的医院污水在线处理平台 | |
WO2020007611A1 (en) | Method of determining chemical oxygen demand (cod) for high chloride samples | |
CN106415267B (zh) | 动力学氯测量 | |
Yusri et al. | IoT based water quality monitoring system and test for swimming pool water physicochemical quality | |
CN116173274B (zh) | 一种用于全自动无人设备的高温蒸汽消毒调控系统 | |
CN104977393A (zh) | 一种船舶压载水处理系统用在线有效氯检测仪及检测方法 | |
CN103472046A (zh) | 一种基于活性氧自由基水平分析蔬菜重金属污染的方法 | |
CN107367476A (zh) | 评估水的生物降解能力的方法和系统以及其在水处理中的应用 | |
JP5667106B2 (ja) | バラスト水の水質監視方法及び水質監視装置 | |
CN111373250B (zh) | 使用氯作为活性碱测定塔中游离氯浓度的方法 | |
EP4143558A1 (en) | Detection of oxidant in seawater | |
CN109959656A (zh) | 一种碘元素浓度自动检测方法、设备及系统 | |
JPH11319834A (ja) | 電解水製造装置 | |
JP2000221165A (ja) | 残留塩素濃度計測装置 | |
Ammar et al. | Comparison of commercial analytical techniques for measuring chlorine dioxide in urban desalinated drinking water | |
AT525761B1 (de) | Behandlungseinheit mit Messeinheit zur Bestimmung von Keimreduktionsmitteln |
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 |