CN117602796A - 一种基于人工神经网络的立式淤泥脱水系统及脱水方法 - Google Patents
一种基于人工神经网络的立式淤泥脱水系统及脱水方法 Download PDFInfo
- Publication number
- CN117602796A CN117602796A CN202311371798.6A CN202311371798A CN117602796A CN 117602796 A CN117602796 A CN 117602796A CN 202311371798 A CN202311371798 A CN 202311371798A CN 117602796 A CN117602796 A CN 117602796A
- Authority
- CN
- China
- Prior art keywords
- data
- filter pressing
- value
- data processing
- flocculant
- 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
- 239000010802 sludge Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000003825 pressing Methods 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000005189 flocculation Methods 0.000 claims abstract description 46
- 230000016615 flocculation Effects 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000003814 drug Substances 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 113
- 239000010410 layer Substances 0.000 claims description 79
- 239000002002 slurry Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 19
- 238000007599 discharging Methods 0.000 claims description 18
- 239000002253 acid Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001125 extrusion Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 239000004746 geotextile Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000008394 flocculating agent Substances 0.000 claims description 3
- 238000009533 lab test Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011045 prefiltration Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 241001408630 Chloroclystis Species 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000018044 dehydration Effects 0.000 description 3
- 238000006297 dehydration reaction Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010057362 Underdose Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000203 accumulation affect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000003311 flocculating effect Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 238000011085 pressure filtration Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F11/00—Treatment of sludge; Devices therefor
- C02F11/12—Treatment of sludge; Devices therefor by de-watering, drying or thickening
- C02F11/14—Treatment of sludge; Devices therefor by de-watering, drying or thickening with addition of chemical agents
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F11/00—Treatment of sludge; Devices therefor
- C02F11/12—Treatment of sludge; Devices therefor by de-watering, drying or thickening
- C02F11/121—Treatment of sludge; Devices therefor by de-watering, drying or thickening by mechanical de-watering
- C02F11/122—Treatment of sludge; Devices therefor by de-watering, drying or thickening by mechanical de-watering using filter presses
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Mechanical Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明公开了一种基于人工神经网络的立式淤泥脱水系统及脱水方法，通过立式设计布置絮凝模块、压滤模块，减少设备占地面积，提高各系统间物料传输效率；处理站设数据处理中心，使用传感器收集各模块的监测数据，汇总至数据处理中心，通过既有数据建立并训练人工神经网络模型，该模型能动态调整絮凝剂药量和压滤压力值，实现淤泥预处理，精细控制药剂添加量与设备功率，保证淤泥脱水处理的高效率与低消耗。本发明解决了淤泥脱水设备占地大、药剂添加粗放，设备运行参数与脱水工艺需求参数难以实时匹配的问题，提高了淤泥脱水效果，降低了能源与资源消耗。
Description
技术领域
本发明属于淤泥脱水絮凝技术领域，涉及一种基于人工神经网络的立式淤泥脱水系统及脱水方法。
背景技术
当前我国河道、湖泊底泥堆积严重，淤泥堆积一方面影响航道运输能力，降低河道经济效益，另一方面淤泥中往往伴随大量重金属和有机污染物，对水体生态造成较大影响。淤泥处理包含淤泥脱水和淤泥固化两个阶段，淤泥脱水阶段主要方式为机械脱水和化学絮凝。机械脱水通过压滤装置对压榨淤泥实现泥水脱离，主要的压滤装置为板框压滤机与带式压滤机。化学絮凝则依靠絮凝剂改变土粒双电层厚度、架桥和网捕作用实现泥浆泥水分离，目前淤泥处理通常采用化学絮凝与机械脱水相结合的方式，但因淤泥处理流程繁多，常出现机械设备组合不合理导致功能过剩或重复，设备占地面积过大的问题，在处理工艺方面，絮凝剂用量粗放影响絮凝效果与尾水指标，应根据淤泥的含水量和成分针对性的调整絮凝剂的添加剂量，以实现环保和能源节约的目标。
发明内容
本发明目的在于提供一种基于人工神经网络的立式淤泥脱水系统及脱水方法，解决淤泥脱水效率低，处理流程繁杂，处理设备占地面积大，絮凝剂添加粗放的问题，实现能源节约和环境保护的社会价值。
为了实现上述目的，本发明采用了如下技术方案：
一种基于人工神经网络的立式淤泥脱水系统及脱水方法，包括数据处理平台以及由上至下依次衔接的絮凝模块、压滤模块和出料模块，数据处理平台分别与絮凝模块、压滤模块和尾水监测池通过5G信号连接；
所述絮凝模块包括絮凝箱体，絮凝箱体内置叶片搅拌器、浊度分析传感器和pH值传感器，絮凝箱体通过泥浆管道与泥浆预处理箱连接，通过药剂管道与絮凝剂配置瓶连接，通过酸性管道与酸性平衡瓶连接，通过碱性管道与碱性平衡瓶连接；浊度分析传感器与pH值传感器位于絮凝箱体侧壁位置，通过5G信号与数据处理平台信号连接；
所述压滤模块包括压滤箱体，压滤箱体内置中心壁，将压滤箱体分隔为两室压滤空间，中心壁上设置有压力传感器，中心壁两侧分别设有一个压滤排水板，压滤排水板外设有电动挤压装置，压滤箱体靠下部位置设有排水口，该排水口处设有土工织物排水膜，该排水口通过排水管道与尾水监测箱直接连接，尾水监测箱内置流量监测传感器；所述压滤箱体通过第一闸门与絮凝箱体连接；压力传感器和监测传感器通过5G信号与数据处理平台信号连接；
所述出料模块包括电动传送带，经压滤泥料掉落至电动传送带后经由其送出，出料模块通过第二闸门与压滤箱体连接；
数据处理平台包括输入数据、接收数据与显示数据功能，输入数据包括：泥浆编号、絮凝剂名称、絮凝剂添量V1、期望浊度S1、期望尾水pH值、期望出料含水率ω2；接收数据包括：初始泥浆含水率ω1、实际浊度S2、实际出料含水率ω3、实际尾水pH值、压滤压力N1；数据处理平台将根据输入数据与接收数据进行人工神经网络建模及训练。
作为更进一步的优选方案，泥浆预处理箱内部设置有斜向放置的粗滤筛网，将泥浆预处理箱分割为上下两个空间，粗滤筛网孔径宽度为1cm，泥浆管道入口布置在泥浆预处理箱下部空间，下部空间内还设有含水率传感器，通过5G信号传送至数据处理平台。
作为更进一步的优选方案，泥浆管道上设有第一阀门和第一抽水泵；所述药剂管道上设有第二阀门和第二抽水泵。
作为更进一步的优选方案，酸性管道上设有酸性平衡剂阀门，碱性管道上设有碱性平衡剂阀门。
一种基于人工神经网络的立式淤泥脱水系统的脱水方法，包括以下步骤：
步骤一：在数据处理平台中录入r组样本数据，r∈[1,r]且r≥50，每组数据包含{x1r,x2r,x3r,x4r,y1r,y2r},依次分别对应初始泥浆含水率ω1、实际浊度S2、实际出料含水率ω3、实际尾水PH值、絮凝剂用量V1、压滤压力N1；录入数据可来自既有工程案例数据、试验室测试数据、经验数据等。同时还需向数据处理平台录入期望浊度S1、期望尾水pH值、期望出料含水率ω2。
步骤二：在泥浆预过滤箱中加入待处理泥浆，含水率传感器获取初始泥浆含水率ω1，通过5G将数据传输至数据处理平台，打开第一阀门、第一抽水泵，经过滤的泥浆经过泥浆管道输送至絮凝箱体，同时打开叶片搅拌器，当泥浆注满絮凝箱体后，关闭第一阀门、第一抽水泵；打开第二阀门、第二抽水泵，按添量V1注入絮凝剂，搅拌5min后关闭叶片搅拌器，浊度分析传感器、pH值传感器将实际浊度值S2、pH值通过5G将数据传输至数据处理平台；实时调整絮凝淤泥pH值，打开酸性平衡剂阀门或碱性平衡剂阀门，添加酸碱平衡剂，待pH值稳定后，打开第一阀门，絮凝淤泥掉落至压滤模块；
步骤三：关闭第一阀门，打开电动挤压装置匀速率挤压絮凝淤泥，压力传感器记录压滤压力N1，此值不超过0.6Mpa；泥水经土工织物排水膜过滤后经过管道排放至尾水检测箱，待流量监测传感器所测流量Q1稳定至较小值时，电动挤压装置停止工作；结束压滤后，压力传感器记录压滤压力N1，通过5G将数据传输至数据处理平台；打开第二闸门，电动挤压装置回退至初始位置压滤泥料掉落至出料模块；
步骤四：出料模块电动传送带工作，将压滤泥料送出立体絮凝工作站，关闭第二闸门，取样测试实际出料含水率ω3，将数据记录记录至数据处理平台；
步骤五：构建基于人工神经网络的絮凝剂用量优化预测模型与压滤压力优化预测模型
Step1：数据处理平台调用步骤一录入的所有样本数据，将样本数据划分为训练集、测试集与验证集。调用数据处理平台中录入的期望浊度S1、期望尾水pH值、期望出料含水率ω2，在所有样本数据中选取实际浊度S2＜期望浊度S1，实际尾水pH值＜期望尾水pH值，实际出料含水率ω3＜期望出料含水率ω2的数据集构成验证集；训练集与测试集则在所有样本数据扣除验证集数据后按照6：2的比例随机分配。
Step2：构建絮凝剂用量预测模型与压滤压力预测模型的人工神经网络结构。该网络结构包含输入层、隐藏层、输出层三部分，隐藏层为单层，其中输入层包含节点{x1,x2,x3,x4}，记为xi，i∈[1,4]，输出层包含节点y1,y2；
隐藏层节点数根据标定公式(1)确定：
式中：n为输入层节点数；m为隐藏层节点数；k为输出层节点数；α为1～10自定数，根据计算收敛速度、预测精度试算确定，隐藏层节点记为Zi。
隐藏层节点数值由输入层节点数值根据向前传播公式(2)计算，输出层节点数值由隐藏层节点数值根据向前传播公式(3)和(4)计算
zm＝Sigmoid[θim·xi] (2)
式中：zm为隐藏层各节点数值；θim为各输入层节点相对隐藏层的权重；xi为输入层各节点数值；为絮凝剂用量预测输出值，/>为压滤压力输出值，输出值被赋予输出层节点；/>与/>为对应隐藏层各节点相对输出层的权重；Sigmoid为激活函数，为保证输出值在[0,1]内连续单调、便于求导，采用公式(5)计算：
Step3：训练网络模型隐藏层权重，形成絮凝剂用量预测模型和压滤压力预测模型。将每组样本数据中的{x1r,x2r,x3r,x4r}赋值给输入层节点，为输入层各节点分配θim，以模型迭代次数＜1000且输出层节点数据与样本数据中的{y1r,y2r}期望误差小于5×10-6为计算终止条件，训练与/>
Step4：优化絮凝剂用量预测模型与压滤压力预测模型。采用代价函数(6)和(7)优化人工神经网络模型，在确定正则化参数λ1、λ2后，使用测试集絮凝剂用量及压滤压力数据并将λ1、λ2分别代入代价函数(6)和(7)，采用SGDM梯度算法(8)和(9)的优化器更新和/>节点权重，最终形成在期望浊度S1、期望尾水pH值、期望出料含水率ω2条件下的絮凝剂用量与压滤压力优化预测模型。
式中：Jy1、Jy2分别为絮凝剂用量与压滤压力优化预测模型输出值；分别为优化前絮凝剂用量与压滤压力预测模型输出值；y1r、y2r分别为训练集与验证集中絮凝剂用量和压滤压力数据；λ1、λ2为正则化参数，λ1、λ2∈[0,1]，用以平衡模型过拟合或欠拟合问题；p∈[1,m]，p∈[1,k]。η为学习率，即梯度下降步长；vt-1是上一时刻导函数/>(或/>)的一阶动量。
正则化参数确定：将训练集与验证集中的絮凝剂用量数据y1r(或压滤压力数据y2r)带入代价函数(6)(或(7))，取值分别记为Jtrain和Jcv，不断更新正则化参数λ1(或λ2)求取Jtrain和Jcv曲线，将两曲线相近时最小值处的λ1(或λ2)作为代价函数的最终正则化参数。
步骤六：优化立式淤泥脱水系统运行工艺参数。应用絮凝剂用量优化预测模型与压滤压力优化预测模型，计算当前淤泥脱水系统处理淤泥所需的絮凝剂用量与压滤压力。重复步骤一至步骤五，将淤泥脱水系统运行过程实测数据储存为新的训练数据，在实际运行中持续优化絮凝剂用量预测模型与压滤压力预测模型，动态调整淤泥脱水系统运行工艺参数。
相比于现有技术，本发明的有益效果在于：
(1)相较于传统传送带式连接淤泥脱水工艺系统，本发明使用立体式结构处理絮凝、压滤模块，一方面可减少连续处理工艺过程因设备连接导致的功效损耗，降低设备耗能，提高处理效率；另一方面减小淤泥处理设备占地面积，提高空间利用效率与拓宽使用场景。
(2)本发明构建并训练人工神经网络模型预测淤泥脱水系统所需絮凝剂用量、压滤压力，通过短时间训练就可形成准确输出逻辑，为工程需求提供指导性数据。另外动态监测、靶向处置、精准控制解决了传统絮凝工艺因絮凝剂用量过大导致的环境污染问题和用量不足达不到淤泥处置要求的问题，能够大幅节约成本并保护环境。
(3)本发明的数据处理平台整合了絮凝、压滤和尾水处理过程中的所有数据，为使用者提供了简洁高效的数据处理方式，同时数据的整合也方便了使用者查看神经网络模型状态，及时调整模型中的超标参数，实现泥浆处理过程自动化，降低人员投入。
(4)本发明使用5G信号传输各传感器数据至数据处理平台，取代传统线控连接，避免因为线路问题导致的数据传输中断，提高了设备使用时长，降低了损坏概率，能有效避免因线路短路致使人身伤害。
附图说明
图1为本发明俯视图；
图2为本发明主视图；
图3为本发明侧视图；
图4为本发明立体图；
图5为脱水工艺流程图；
图中：1-第一闸门；2-第一阀门；3-第一抽水泵；4-第二阀门；5-第二抽水泵；6-第二闸门；7-含水率传感器；8-浊度分析传感器；9-PH值传感器；10-压力传感器；11-絮凝箱体；12-叶片搅拌器；13-絮凝剂配置瓶；14-酸性平衡瓶；15-碱性平衡瓶；16-酸性平衡剂阀门；17-碱性平衡剂阀门；18-压滤箱体；19-电动挤压装置；20-压滤排水板；21-土工织物排水膜；22-电动传送带；23-流量监测传感器；A-泥浆预处理箱；B-尾水监测箱。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本发明所述的淤泥脱水系统包括数据处理平台、由上至下依次衔接的絮凝模块、压滤模块和出料模块；泥浆预过滤箱、絮凝药剂箱、尾水监测箱；数据处理平台通过5G信号与絮凝模块、压滤模块和尾水监测池相连接。
如图1所示，絮凝模块、压滤模块和出料模块之间直接垂直相连，第一闸门1位于絮凝模块底部，受磁力控制可打开关闭，分隔絮凝模块与压滤模块；絮凝模块与泥浆预处理箱通过管道相连，第一阀门2位于泥浆管道上，泥浆管道上设置有第一抽水泵3，位于絮凝模块顶部；絮凝模块与絮凝药剂箱通过管道相连，第二阀门4位于药剂管道上，药剂管道上设置有第二抽水泵5，位于絮凝模块顶部；第二闸门6位于压滤模块底部，受磁力控制可打开关闭，分隔压滤模块与出料模块；压滤模块底部与尾水监测箱通过管道相连。
如图5所示，在数据处理平台建立并训练神经网络模型，数据处理平台可输入数据与显示数据，输入数据包括：泥浆编号、絮凝剂种类、絮凝剂浓度C1、絮凝剂添量V1、期望浊度S1、期望尾水PH值、期望出料含水率ω2；实际出料含水率ω3。输出数据包括：预测试含水率ω1、实际浊度S2、实际尾水pH值、压滤压力N1，尾水体积V2。数据处理平台将接收数据，输入数据和进行神经网络训练。
如图4所示，泥浆预处理箱内部设置有斜向放置孔径宽度为1cm的粗滤筛网，泥浆管道入口布置在滤网下部。含水率传感器7布置于滤网下部箱体表面，传感器数据通过5G信号传送至数据处理平台。
如图2所示，叶片搅拌器12与絮凝箱体11顶部相连，浊度分析传感器8与pH值传感器9位于絮凝箱体11侧壁位置，传感器通过5G信号与数据处理平台相连。絮凝剂配置瓶13、酸性平衡瓶14、碱性平衡瓶15；絮凝剂配置瓶13、酸性平衡瓶14、碱性平衡瓶15通过管道与絮凝箱体11相连，酸性平衡剂阀门16与碱性平衡剂阀门17布置在各自管道上。各传感器通过5G信号与数据处理平台相连。
如图2所示，两侧电动挤压装置19、压滤排水板20、压力传感器10、土工织物排水膜21于压滤箱体18相连；压滤箱体由中心壁分隔为两室压滤空间，在中心壁上设置有压力传感器10，压滤排水板20布置在中心壁两侧和电动挤压装置19表面，在底部第二闸门6上部设置土工织物排水膜21，通过管道与尾水监测箱直接相连，尾水检测箱中布置流量监测传感器23，各传感器通过5G信号与数据处理平台相连。
如图2所示，出料模块包含：电动传送带22；经压滤泥料掉落至电动传送带22后送出。
使用所述的淤泥脱水系统装置的脱水方法，包括以下步骤：
1.在数据处理平台中录入80组样本数据，r∈[1,80]，每组数据包含{x1r,x2r,x3r,x4r,y1r,y2r},依次分别对应初始泥浆含水率ω1、实际浊度S2、实际出料含水率ω3、实际尾水PH值、絮凝剂添量V1、压滤压力N1；录入数据可来自既有工程案例数据、试验室测试数据、经验数据等。其中，x1r对应含初始泥浆含水率ω1，x2r对应实际浊度S2，x3r对应实际出料含水率ω3，x4r对应实际尾水pH值，y1r对应絮凝剂添量V1，y2r对应压滤压力N1；
同时还需向数据处理平台录入期望浊度S1、期望尾水pH值、期望出料含水率ω2。
2.在泥浆预过滤箱中加入待处理泥浆，含水率传感器7获取初始泥浆含水率ω1，通过5G将数据传输至数据处理平台，打开第一阀门2、第一抽水泵3，经过滤的泥浆经过泥浆管道输送至絮凝箱体11，同时打开叶片搅拌器12，当泥浆注满絮凝箱体后，关闭第一阀门2、第一抽水泵3。打开第二阀门4、第二抽水泵5，按添量V1注入絮凝剂，搅拌5min后关闭叶片搅拌器12，浊度分析传感器8、pH值传感器9将实际浊度S2、pH值通过5G将数据传输至数据处理平台。实时调整絮凝淤泥pH值，打开酸性平衡剂阀门16或碱性平衡剂阀门17，添加酸性和碱性平衡剂，待PH值稳定后，打开第一阀门2，絮凝淤泥掉落至压滤模块。
3.关闭第一阀门02，打开电动挤压装置19匀速率挤压絮凝淤泥，压力传感器10记录压滤压力N1。泥水经土工织物排水膜21过滤后经过管道排放至尾水检测箱，待流量监测传感器23所测流量Q1稳定至较小值时，电动挤压装置19停止工作。结束压滤后，压力传感器10记录压滤压力N1，通过5G将数据传输至数据处理平台。打开第二闸门06，电动挤压装置19回退至初始位置压滤泥料掉落至出料模块。
4.出料模块电动传送带22工作，将压滤泥料送出立体絮凝工作站，关闭第二闸门06，取样测试实际出料含水率ω3，将数据记录记录至数据处理平台。
5.构建基于人工神经网络的絮凝剂用量优化预测模型与压滤压力优化预测模型
Step1：数据处理平台调用步骤一录入的所有样本数据，将样本数据划分为训练集、测试集与验证集。调用数据处理平台中录入的期望浊度S1、期望尾水PH值、期望出料含水率ω2，在所有样本数据中选取实际浊度S2＜期望浊度S1，实际尾水PH值＜期望尾水PH值，实际出料含水率ω3＜期望出料含水率ω2的数据集构成验证集；训练集与测试集则在所有样本数据扣除验证集数据后按照6：2的比例随机分配。
Step2：构建絮凝剂用量预测模型与压滤压力预测模型的人工神经网络结构。该网络结构包含输入层、隐藏层、输出层三部分，隐藏层为单层，其中输入层包含节点{x1,x2,x3,x4}，记为xi，i∈[1,4]，输出层包含节点y1,y2；
隐藏层节点数根据标定公式(1)确定：
式中：n为输入层节点数；m为隐藏层节点数；k为输出层节点数；α为1～10自定数，根据计算收敛速度、预测精度试算确定，隐藏层节点记为Zi。
本例中n＝4，k＝2，α取2，计算得m＝4。
隐藏层节点数值由输入层节点数值根据向前传播公式(2)计算，输出层节点数值由隐藏层节点数值根据向前传播公式(3)和(4)计算
zm＝Sigmoid[θim·xi] (2)
式中：zm为隐藏层各节点数值；θim为各输入层节点相对隐藏层的权重；xi为输入层各节点数值；hy1为絮凝剂用量预测输出值，为压滤压力输出值，输出值被赋予输出层节点；/>与/>为对应隐藏层各节点相对输出层的权重；Sigmoid为激活函数，为保证输出值在[0,1]内连续单调、便于求导，采用公式(5)计算：
Step3：训练网络模型隐藏层权重，形成絮凝剂用量预测模型和压滤压力预测模型。将每组样本数据中的{x1r,x2r,x3r,x4r}赋值给输入层节点，为输入层各节点分配θim，本例中θ1m＝0.6，θ2m＝0.5，θ3m＝0.4，θ4m＝0.2。以模型迭代次数＜1000且输出层节点数据与样本数据中的{y1r,y2r}期望误差小于5×10-6为计算终止条件，训练与/>
Step4：优化絮凝剂用量预测模型与压滤压力预测模型。采用代价函数(6)和(7)优化人工神经网络模型，在确定正则化参数λ1、λ2后，使用测试集絮凝剂用量及压滤压力数据并将λ1、λ2分别代入代价函数(6)和(7)，采用SGDM梯度算法(8)和(9)的优化器更新和/>节点权重，最终形成在期望浊度S1、期望尾水PH值、期望出料含水率ω2条件下的絮凝剂用量与压滤压力优化预测模型。
式中：分别为絮凝剂用量与压滤压力优化预测模型输出值；/>分别为优化前絮凝剂用量与压滤压力预测模型输出值；y1r、y2r分别为训练集与验证集中絮凝剂用量和压滤压力数据；λ1、λ2为正则化参数，λ1、λ2∈[0,1]，用以平衡模型过拟合或欠拟合问题；p∈[1,m]，p∈[1,k]。η为学习率，即梯度下降步长，本例取0.01；vt-1是上一时刻导函数(或/>)的一阶动量。
正则化参数确定：将训练集与验证集中的絮凝剂用量数据y1r(或压滤压力数据y2r)带入代价函数(6)(或(7))，取值分别记为Jtrain和Jcv，不断更新正则化参数λ1(或λ2)求取Jtrain和Jcv曲线，将两曲线相近时最小值处的λ1(或λ2)作为代价函数的最终正则化参数。
步骤六：优化立式淤泥脱水系统运行工艺参数。应用絮凝剂用量优化预测模型与压滤压力优化预测模型，计算当前淤泥脱水系统处理淤泥所需的絮凝剂用量与压滤压力。重复步骤一至步骤五，将淤泥脱水系统运行过程实测数据储存为新的训练数据，在实际运行中持续优化絮凝剂用量预测模型与压滤压力预测模型，动态调整淤泥脱水系统运行工艺参数。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于人工神经网络的立式淤泥脱水系统，其特征在于：包括数据处理平台以及由上至下依次衔接的絮凝模块、压滤模块和出料模块，数据处理平台分别与絮凝模块、压滤模块和尾水监测池通过5G信号连接；
所述絮凝模块包括絮凝箱体(11)，絮凝箱体(11)内置叶片搅拌器(12)、浊度分析传感器(8)和pH值传感器(9)，絮凝箱体(11)通过泥浆管道与泥浆预处理箱(A)连接，通过药剂管道与絮凝剂配置瓶(13)连接，通过酸性管道与酸性平衡瓶(14)连接，通过碱性管道与碱性平衡瓶(15)连接；浊度分析传感器(8)与PH值传感器(9)位于絮凝箱体(11)侧壁位置，通过5G信号与数据处理平台信号连接；
所述压滤模块包括压滤箱体(18)，压滤箱体(18)内置中心壁，将压滤箱体(18)分隔为两室压滤空间，中心壁上设置有压力传感器(10)，中心壁两侧分别设有一个压滤排水板(20)，压滤排水板(20)外设有电动挤压装置(19)，压滤箱体(18)靠下部位置设有排水口，该排水口处设有土工织物排水膜(21)，该排水口通过排水管道与尾水监测箱(B)直接连接，尾水监测箱(B)内置流量监测传感器(23)；所述压滤箱体(18)通过第一闸门(1)与絮凝箱体(11)连接；压力传感器(10)和监测传感器(23)通过5G信号与数据处理平台信号连接；
所述出料模块包括电动传送带(22)，压滤泥料掉落至电动传送带(22)后经由其送出，出料模块通过第二闸门(6)与压滤箱体(18)连接；
数据处理平台包括输入数据、接收数据与显示数据功能，输入数据包括：泥浆编号、絮凝剂名称、絮凝剂添量V1、期望浊度S1、期望尾水PH值、期望出料含水率ω2；接收数据包括：初始泥浆含水率ω1、实际浊度S2、实际出料含水率ω3、实际尾水pH值、压滤压力N1；数据处理平台将根据输入数据与接收数据进行人工神经网络建模及训练。
2.根据权利要求1所述的一种基于人工神经网络的立式淤泥脱水系统，其特征在于：所述泥浆预处理箱(A)内部设置有斜向放置的粗滤筛网，将泥浆预处理箱(A)分割为上下两个空间，粗滤筛网孔径宽度为1cm，泥浆管道入口布置在泥浆预处理箱(A)下部空间，下部空间内还设有含水率传感器(7)，通过5G信号传送至数据处理平台。
3.根据权利要求1所述的一种基于人工神经网络的立式淤泥脱水系统，其特征在于：所述泥浆管道上设有第一阀门(2)和第一抽水泵(3)；所述药剂管道上设有第二阀门(4)和第二抽水泵(5)。
4.根据权利要求1所述的一种基于人工神经网络的立式淤泥脱水系统，其特征在于：所述酸性管道上设有酸性平衡剂阀门(16)，碱性管道上设有碱性平衡剂阀门(17)。
5.根据权利要求1-4中任意一项所述的一种基于人工神经网络的立式淤泥脱水系统的脱水方法，其特征在于，包括以下步骤：
步骤一：在数据处理平台中录入r组样本数据，r∈[1,r]且r≥50，每组数据包含{x1r,x2r,x3r,x4r,y1r,y2r}，依次分别对应初始泥浆含水率ω1、实际浊度S2、实际出料含水率ω3、实际尾水PH值、絮凝剂添量V1、压滤压力N1；录入数据可来自既有工程案例数据、试验室测试数据、经验数据等；同时还需向数据处理平台录入期望浊度S1、期望尾水pH值、期望出料含水率ω2；
步骤二：在泥浆预过滤箱中加入待处理泥浆，含水率传感器(7)获取初始泥浆含水率ω1，通过5G将数据传输至数据处理平台，打开第一阀门(2)、第一抽水泵(3)，过滤后的泥浆经过泥浆管道输送至絮凝箱体(11)，同时打开叶片搅拌器(12)，当泥浆注满絮凝箱体后，关闭第一阀门(2)、第一抽水泵(3)；打开第二阀门(4)、第二抽水泵(5)，按用量V1注入絮凝剂，搅拌5min后关闭叶片搅拌器(12)，浊度分析传感器(8)、pH值传感器(9)将实际浊度S2、pH值通过5G将数据传输至数据处理平台；实时调整絮凝淤泥pH值，打开酸性平衡剂阀门(16)或碱性平衡剂阀门(17)，添加酸碱平衡剂，待pH值稳定后，打开第一阀门(2)，絮凝淤泥掉落至压滤模块；
步骤三：关闭第一阀门(2)，打开电动挤压装置(19)匀速率挤压絮凝淤泥，压力传感器(10)记录压滤压力N1；泥水经土工织物排水膜(21)过滤后经过管道排放至尾水检测箱，待流量监测传感器(23)所测流量Q1稳定至较小值时，电动挤压装置(19)停止工作；压滤结束后，压力传感器(10)记录压滤压力N1，通过5G将数据传输至数据处理平台；打开第二闸门(6)，电动挤压装置(19)回退至初始位置压滤泥料掉落至出料模块；
步骤四：出料模块电动传送带(22)工作，将压滤泥料送出立式淤泥脱水系统，关闭第二闸门(6)，取样测试实际出料含水率ω3，将数据传送至数据处理平台；
步骤五：构建基于人工神经网络的絮凝剂用量优化预测模型与压滤压力优化预测模型
Step1：数据处理平台调用步骤一录入的所有样本数据，将样本数据划分为训练集、测试集与验证集；调用数据处理平台中录入的期望浊度S1、期望尾水pH值、期望出料含水率ω2，在所有样本数据中选取实际浊度S2＜期望浊度S1，实际尾水pH值＜期望尾水pH值，实际出料含水率ω3＜期望出料含水率ω2的数据集构成验证集；训练集与测试集则在所有样本数据扣除验证集数据后按照6∶2的比例随机分配；
Step2：构建絮凝剂用量预测模型与压滤压力预测模型的人工神经网络结构；该网络结构包含输入层、隐藏层、输出层三部分，隐藏层为单层，其中输入层包含节点{x1,x2,x3,x4}，记为xi，i∈[1,4]，输出层包含节点y1,y2；
隐藏层节点数根据标定公式(1)确定：
式中：n为输入层节点数；m为隐藏层节点数；k为输出层节点数；α为1～10自定数，根据计算收敛速度、预测精度试算确定，隐藏层节点记为Zi；
隐藏层节点数值由输入层节点数值根据向前传播公式(2)计算，输出层节点数值由隐藏层节点数值根据向前传播公式(3)和(4)计算
zm＝Sigmoid[θim·xi] (2)
式中：zm为隐藏层各节点数值；θim为各输入层节点相对隐藏层的权重；xi为输入层各节点数值；为絮凝剂用量预测输出值，/>为压滤压力输出值，输出值被赋予输出层节点；与/>为对应隐藏层各节点相对输出层的权重；Sigmoid为激活函数，为保证输出值在[0,1]内连续单调、便于求导，采用公式(5)计算：
Step3：训练网络模型隐藏层权重，形成絮凝剂用量预测模型和压滤压力预测模型；将每组样本数据中的{x1r,x2r,x3r,x4r}赋值给输入层节点，为输入层各节点分配θim，以模型迭代次数＜1000且输出层节点数据与样本数据中的{y1r,y2r}期望误差小于5×10-6为计算终止条件，训练与/>
Step4：优化絮凝剂用量预测模型与压滤压力预测模型；采用代价函数(6)和(7)优化人工神经网络模型，在确定正则化参数λ1、λ2后，使用测试集絮凝剂用量及压滤压力数据并将λ1、λ2分别代入代价函数(6)和(7)，采用SGDM梯度算法(8)和(9)的优化器更新和/>节点权重，最终形成在期望浊度S1、期望尾水PH值、期望出料含水率ω2条件下的絮凝剂用量与压滤压力优化预测模型；
式中：分别为絮凝剂用量与压滤压力优化预测模型输出值；/>分别为优化前絮凝剂用量与压滤压力预测模型输出值；y1r、y2r分别为训练集与验证集中絮凝剂用量和压滤压力数据；λ1、λ2为正则化参数，λ1、λ2∈[0,1]，用以平衡模型过拟合或欠拟合问题；p∈[1,m]，p∈[1,k]；η为学习率，即梯度下降步长；vt-1是上一时刻导函数/>(或/>)的一阶动量；
正则化参数确定：将训练集与验证集中的絮凝剂用量数据y1r(或压滤压力数据y2r)带入代价函数(6)(或(7))，取值分别记为Jtrain和Jcv，不断更新正则化参数λ1(或λ2)求取Jtrain和Jcv曲线，将两曲线相近时最小值处的λ1(或λ2)作为代价函数的最终正则化参数；
步骤六：优化立式淤泥脱水系统运行工艺参数；应用絮凝剂用量优化预测模型与压滤压力优化预测模型，计算当前淤泥脱水系统处理淤泥所需的絮凝剂用量与压滤压力；重复步骤一至步骤五，将淤泥脱水系统运行过程实测数据储存为新的训练数据，在实际运行中持续优化絮凝剂用量预测模型与压滤压力预测模型，动态调整淤泥脱水系统运行工艺参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311371798.6A CN117602796B (zh) | 2023-10-20 | 2023-10-20 | 一种基于人工神经网络的立式淤泥脱水系统及脱水方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311371798.6A CN117602796B (zh) | 2023-10-20 | 2023-10-20 | 一种基于人工神经网络的立式淤泥脱水系统及脱水方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117602796A true CN117602796A (zh) | 2024-02-27 |
| CN117602796B CN117602796B (zh) | 2024-05-24 |
Family
ID=89943279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311371798.6A Active CN117602796B (zh) | 2023-10-20 | 2023-10-20 | 一种基于人工神经网络的立式淤泥脱水系统及脱水方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117602796B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117902797A (zh) * | 2024-03-20 | 2024-04-19 | 深圳市深水水务咨询有限公司 | 一种高有机质污泥的脱水处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101889510B1 (ko) * | 2018-02-05 | 2018-08-17 | 문경훈 | 심층 신경망을 이용한 정수 처리에서의 응집제 주입률 예측 방법 |
| CN209226809U (zh) * | 2018-10-22 | 2019-08-09 | 湖北态科工业过滤系统设备有限公司 | 一种高压压滤机集成系统 |
| KR102271270B1 (ko) * | 2020-11-24 | 2021-07-01 | 주식회사 에코셋 | 탈수 효율을 조절가능한 필터프레스 장치 및 그 제어방법 |
| US20220379241A1 (en) * | 2021-06-01 | 2022-12-01 | Anhui University of Science and Technology | Flocculating, grading, and dewatering device |
| CN115849662A (zh) * | 2022-12-06 | 2023-03-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 絮凝联合板框压滤强化高含水率疏浚淤泥快速脱水方法 |
| CN115925067A (zh) * | 2022-10-10 | 2023-04-07 | 中建安装集团有限公司 | 一种基于智能感知技术的泥浆处理系统及其处理方法 |
-
2023
- 2023-10-20 CN CN202311371798.6A patent/CN117602796B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101889510B1 (ko) * | 2018-02-05 | 2018-08-17 | 문경훈 | 심층 신경망을 이용한 정수 처리에서의 응집제 주입률 예측 방법 |
| CN209226809U (zh) * | 2018-10-22 | 2019-08-09 | 湖北态科工业过滤系统设备有限公司 | 一种高压压滤机集成系统 |
| KR102271270B1 (ko) * | 2020-11-24 | 2021-07-01 | 주식회사 에코셋 | 탈수 효율을 조절가능한 필터프레스 장치 및 그 제어방법 |
| US20220379241A1 (en) * | 2021-06-01 | 2022-12-01 | Anhui University of Science and Technology | Flocculating, grading, and dewatering device |
| CN115925067A (zh) * | 2022-10-10 | 2023-04-07 | 中建安装集团有限公司 | 一种基于智能感知技术的泥浆处理系统及其处理方法 |
| CN115849662A (zh) * | 2022-12-06 | 2023-03-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 絮凝联合板框压滤强化高含水率疏浚淤泥快速脱水方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117902797A (zh) * | 2024-03-20 | 2024-04-19 | 深圳市深水水务咨询有限公司 | 一种高有机质污泥的脱水处理方法 |
| CN117902797B (zh) * | 2024-03-20 | 2024-06-07 | 深圳市深水水务咨询有限公司 | 一种高有机质污泥的脱水处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117602796B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117602796B (zh) | 一种基于人工神经网络的立式淤泥脱水系统及脱水方法 | |
| CN104965971B (zh) | 一种基于模糊神经网络的氨氮浓度软测量方法 | |
| CN110175948A (zh) | 一种基于河流整体健康的生态环境需水阈值量化方法 | |
| CN103810309B (zh) | 基于约束理论的a2o 城市污水处理工艺的软测量建模方法 | |
| CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
| CN104376380A (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
| CN104182794B (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
| CN106096730B (zh) | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 | |
| CN107908111B (zh) | 一种基于bp神经网络的污泥脱水系统的计算机控制方法 | |
| CN107657912A (zh) | 一种基于Mike11的河流水环境容量确定方法 | |
| CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN109828089A (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
| CN107390615A (zh) | 污水处理监控方法、装置、计算机可读存储介质及计算机设备 | |
| CN118210237B (zh) | 一种一体化污水处理设备智能加药控制系统 | |
| CN108983713A (zh) | 一种工业园区用智能管控废水分质收集系统及其应用方法 | |
| CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
| CN115838222A (zh) | 一种智能试验废水处理一体化装置及处理方法 | |
| CN110197704B (zh) | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 | |
| CN104345636A (zh) | 一种基于改进差分算法的溶解氧控制方法 | |
| CN106769748A (zh) | 膜生物反应器‑mbr出水透水率的智能检测系统 | |
| CN116959612A (zh) | 一种基于神经网络的污泥脱水性能检测方法 | |
| CN117023832A (zh) | 初期雨水治理系统和方法 | |
| Mannina et al. | Modelling the integrated urban drainage systems | |
| CN103942600B (zh) | 基于尖峰自组织径向基神经网络的污泥膨胀预测方法 | |
| CN105549388B (zh) | 一种基于自适应回归核函数的污水处理过程能耗预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |