JP7092426B1 - 水成分推定装置、水成分推定方法、及び水成分推定プログラム - Google Patents
水成分推定装置、水成分推定方法、及び水成分推定プログラム Download PDFInfo
- Publication number
- JP7092426B1 JP7092426B1 JP2022069101A JP2022069101A JP7092426B1 JP 7092426 B1 JP7092426 B1 JP 7092426B1 JP 2022069101 A JP2022069101 A JP 2022069101A JP 2022069101 A JP2022069101 A JP 2022069101A JP 7092426 B1 JP7092426 B1 JP 7092426B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- water
- filter
- learning
- trained 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 303
- 238000000034 method Methods 0.000 title claims description 26
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 59
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 57
- 239000005416 organic matter Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000006866 deterioration Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000033116 oxidation-reduction process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000011282 treatment Methods 0.000 description 42
- 238000013500 data storage Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 238000005406 washing Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000001223 reverse osmosis Methods 0.000 description 2
- 241001669679 Eleotris Species 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Water Treatment By Sorption (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
【課題】フィルターを透過する水のデータを利用して水の成分を推定する。【解決手段】水成分推定装置２２は、水を浄化するためのフィルター１６に流入する水Ｗ１の第１の全有機体炭素データと、フィルター１６から流出した水Ｗ２の第２の全有機体炭素データとを表す入力データを取得する。水成分推定装置２２は、入力データを、予め学習された学習済みモデルに対して入力し、学習済みモデルからフィルター１６に流入する水の成分に関する出力データを出力させることにより、フィルター１６に流入する水の成分を推定する。【選択図】図１
Description
本開示は、水成分推定装置、水成分推定方法、及び水成分推定プログラムに関するものである。
特許文献１には、複数の水処理プラントから収集したデータを効果的に活用するシステムが開示されている。このシステムは、水処理を分析するステップにおいて、蓄積する情報に基づいて水処理施設での分析結果を出力するように学習された学習済みモデルに、所定の水処理施設に関する情報を入力することで、当該水処理施設についての分析結果を出力する（例えば、請求項１０を参照。）。
また、特許文献２には、別々の項目を測定する複数のセンサを有するセンサ装置において、測定項目を正確に計測するシステムが開示されている。このシステムは、複数のセンサのいずれかに異常があるか否かを推定するステップにおいて、過去に取得された複数項目の測定データを入力データ、当該測定データに基づく異常発生の判断を正解出力データとして学習された学習済みモデルに、前記取得した複数項目の測定データを入力することで、異常発生の有無を推定する（例えば、請求項７を参照。）。
また、特許文献３には、フィルターの分析を行う分析結果に基づいて、１以上のフィルターの性能又は採取された水についての解析を行う解析手段が開示されている（例えば、請求項１を参照。）。なお、許文献３における採取された水に関しては、特許文献３の段落［００４３］において「処理済水が入力されるタイミング、処理済水がシャワーヘッド５３から散水されたタイミング、排水がシャワーブース５から出力されたタイミング等、あらゆるタイミングの水を採取する。」と記載されている。
ところで、様々な場所へ設置され得る水処理システム内には、水を浄化するためのフィルターが設置される場合が多い。このフィルターを水が透過することによりその水は浄化され、その他の各処理がその水に施されることにより、その水が再利用される場合もある。
この点、上記特許文献１に開示されている技術は、学習済みモデルを用いてある水処理施設で処理される水の水質データについての分析結果を取得する技術であり、フィルターを利用するものではない。また、上記特許文献２に開示されている技術も、学習済みモデルを用いて異常発生の判断をするものの、フィルターを利用するものではない。また、上記特許文献３に開示されている技術は、フィルターの性能を解析するものの、フィルターを透過した水を利用するものではない。
このため、従来技術は、水を浄化するためのフィルターを利用して水の成分を推定することができない、という課題がある。
本開示は、上記の事情を鑑みてなされたもので、フィルターを透過する水のデータを利用して水の成分を推定することができる、水成分推定装置、水成分推定方法、及び水成分推定プログラムを提供する。
本開示の第１態様は、水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の前記有機物データとを表す入力データを取得する取得部と、前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する推定部と、を含み、前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、水成分推定装置である。
本開示の第２態様は、水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の前記有機物データとを表す入力データを取得し、前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、処理をコンピュータが実行する水成分推定方法であって、前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、水成分推定方法である。
本開示の第３態様は、水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の前記有機物データとを表す入力データを取得し、前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、処理をコンピュータに実行させるための水成分推定プログラムであって、前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、水成分推定プログラムである。
本開示によれば、フィルターを透過する水のデータを利用して水の成分を推定することができる、という効果が得られる。
以下、図面を参照して実施形態を詳細に説明する。
＜実施形態の水処理システム＞
図１は、本実施形態の水処理システム１０を示す図である。図１に示されるように、本実施形態の水処理システム１０は、洗浄水を吐出する水栓１２と、シンク１４と、フィルター１６と、第１センサ２０Ａと、第２センサ２０Ｂと、水成分推定装置２２と、を備える。フィルター１６へ流れ込む水（以下、単に流入水とも称する。）Ｗ１は排水管１８Ａ内を流れる。また、フィルター１６から流れ出た水（以下、単に流出水とも称する。）Ｗ２は、排水管１８Ｂ内を流れる。なお、水処理システム１０の構成は図１に限定されるものではない。図１は、実施形態である水処理システム１０を説明するためのものであり、センサ、フィルター、及び排水管等の各種構成要素の配置及び構成は、図１に限定されるものではない。
図１は、本実施形態の水処理システム１０を示す図である。図１に示されるように、本実施形態の水処理システム１０は、洗浄水を吐出する水栓１２と、シンク１４と、フィルター１６と、第１センサ２０Ａと、第２センサ２０Ｂと、水成分推定装置２２と、を備える。フィルター１６へ流れ込む水（以下、単に流入水とも称する。）Ｗ１は排水管１８Ａ内を流れる。また、フィルター１６から流れ出た水（以下、単に流出水とも称する。）Ｗ２は、排水管１８Ｂ内を流れる。なお、水処理システム１０の構成は図１に限定されるものではない。図１は、実施形態である水処理システム１０を説明するためのものであり、センサ、フィルター、及び排水管等の各種構成要素の配置及び構成は、図１に限定されるものではない。
第１センサ２０Ａ及び第２センサ２０Ｂと水成分推定装置２２とは電気的に接続されており、水成分推定装置２２は第１センサ２０Ａ及び第２センサ２０Ｂから出力された信号を取得する。
例えば、水処理システム１０が可搬である場合には、任意の場所に設置可能であるため、屋内、屋外など様々な場所に設置され得る。例えば、水処理システム１０は、特開２０２２‐０１４９９９号公報に開示されているような手洗い装置に搭載される。なお、水処理システム１０は、可搬でなくともよい。水処理システム１０が可搬でない場合の設置例としては、例えば、車両等の移動体に設置される場合又は利用者により任意の場所に設置される場合等がある。水処理システム１０が車両等の移動体に設置される場合の例としては、例えば、キャンピングカー、寝台列車、飛行機、又は客船等における手洗い、シャワー、又は簡易キッチン等として水処理システム１０が設置され得る。水処理システム１０が任意の場所に設置される場合の例としては、例えば、コンテナハウス、キャンプ施設、別荘、山小屋、又はゴルフ場等の屋外施設等における手洗い、シャワー、又は簡易キッチン等として水処理システム１０が設置され得る。
水栓１２は洗浄水を吐出する。なお、水栓１２から吐出される洗浄水は、ユーザによって手洗い等に利用される。
シンク１４は、ユーザによって使用された洗浄水（以下、単に「対象水」とも称する。）を受ける。シンク１４の底部には、槽内に吐水された洗浄水を排水するための排水口（図示省略）が形成されている。シンク１４の排水口から排出された対象水は流入水Ｗ１となり、排水管１８Ａを通ってフィルター１６を透過する。また、フィルター１６を透過した流出水Ｗ２は排水管１８Ｂ内を流れる。
フィルター１６は、流入水Ｗ１を浄化するためのものである。フィルター１６は、例えば、活性炭フィルター又はＲＯ（Reverse Osmosis）フィルター等であるが、これに限定されない。
第１センサ２０Ａ及び第２センサ２０Ｂは、水処理システム１０内部に設置され、水に含まれる全有機体炭素（TOC：Total Organic Carbon）を検知する。具体的には、第１センサ２０Ａは流入水Ｗ１に含まれる全有機体炭素データを検知する。また、第２センサ２０Ｂは流出水Ｗ２に含まれる全有機体炭素データを検知する。なお、本実施形態では、水中に含まれる有機物を表す有機物データの一例として、全有機体炭素データを利用する場合を例に説明する。
水成分推定装置２２は、第１センサ２０Ａによって検知された流入水Ｗ１に含まれる全有機体炭素を表す全有機体炭素データ（以下、単に「第１の全有機体炭素データ」とも称する。）と、第２センサ２０Ｂによって検知された流出水Ｗ２に含まれる全有機体炭素を表す全有機体炭素データ（以下、単に「第２の全有機体炭素データ」とも称する。）とに基づいて、流入水Ｗ１の成分を推定する。
水に含まれる全有機体炭素データは、水の成分を推定する際の有用なデータであると考えられる。また、水がフィルターを透過する場合、フィルターを透過する前後において水に含まれる全有機体炭素は変化すると予想される。このため、このフィルターを透過する前後の水に含まれる全有機体炭素データを利用すれば、水の成分を簡易かつ精度良く推定することができると予想される。
そこで、本実施形態の水処理システム１０の水成分推定装置２２は、第１の全有機体炭素データ及び第２の全有機体炭素データと、予め学習された学習済みモデルとに基づいて流入水Ｗ１の成分を推定する。以下、具体的に説明する。
水成分推定装置２２は、機能的には、図２に示されるように、データ記憶部２４、学習済みモデル記憶部２６、結果記憶部２８、取得部３０、及び推定部３２を備えている。
データ記憶部２４には、第１センサ２０Ａによって検知された第１の全有機体炭素データと、第２センサ２０Ｂによって検知された第２の全有機体炭素データとが格納される。
学習済みモデル記憶部２６には、予め機械学習により生成された学習済みモデルが格納されている。図３に、本実施形態の学習済みモデルを説明するための図を示す。図３に示されているように、本実施形態の学習済みモデルＭ１は、第１の全有機体炭素データと第２の全有機体炭素データとが入力されると、流入水Ｗ１の成分が出力されるように構成されている。学習済みモデルＭ１は、例えば、既知の機械学習モデルであるニューラルネットワークモデル等である。
結果記憶部２８には、後述する推定部３２によって推定された流入水Ｗ１の成分の結果が格納される。
取得部３０は、データ記憶部２４に格納されている第１の全有機体炭素データ及び第２の全有機体炭素データを、後述する学習済みモデルＭ１への入力データとして取得する。
推定部３２は、取得部３０により取得された入力データを、学習済みモデル記憶部２６に格納されている学習済みモデルＭ１に対して入力する。学習済みモデルＭ１からは、流入水Ｗ１の成分に関する出力データが出力される。これにより、流入水Ｗ１の成分を推定することができる。
なお、学習済みモデル記憶部２６に格納される学習済みモデルは、例えば、図４に示される学習装置４０によって予め学習される。
学習装置４０は、機能的には、図４に示されるように、学習用データ記憶部４２、学習部４４、及び学習済みモデル記憶部４６を備えている。
学習用データ記憶部４２には、図３に示される学習済みモデルＭ１を生成するための学習用データが格納される。図５に、学習用データの一例を説明するための図を示す。図５に示されるように、本実施形態の学習用データは、フィルター１６への流入水Ｗ１の学習用の第１の全有機体炭素データ及びフィルターからの流出水Ｗ２の学習用の第２の全有機体炭素データと、フィルター１６への流入水Ｗ１の学習用の成分に関する成分データと、が関連付けられたデータである。この学習用データは、例えば、実験等によって予め収集される。なお、実験等に限らず、実運用中の水処理システム１０から収集されたデータも学習用データとして利用することが可能である。
学習部４４は、学習用データ記憶部４２に格納されている複数の学習用データを読み出す。そして、学習部４４は、読み出した複数の学習用データに基づいて、所定の機械学習モデルを教師あり機械学習アルゴリズムを用いて学習させることにより、学習済みモデルＭ１を生成する。
学習済みモデル記憶部４６には、学習部４４によって生成された学習済みモデルＭ１が格納される。
水成分推定装置２２及び学習装置４０は、例えば、図６に示すコンピュータ５０で実現することができる。コンピュータ５０はＣＰＵ５１、一時記憶領域としてのメモリ５２、及び不揮発性の記憶部５３を備える。また、コンピュータ５０は、入出力装置等（図示省略）が接続される入出力interface（Ｉ／Ｆ）５４、及び記録媒体５９に対するデータの読み込み及び書き込みを制御するread/write（Ｒ／Ｗ）部５５を備える。また、コンピュータ５０は、インターネット等のネットワークに接続されるネットワークinterface（Ｉ／Ｆ）５６を備える。ＣＰＵ５１、メモリ５２、記憶部５３、入出力Ｉ／Ｆ５４、Ｒ／Ｗ部５５、及びネットワークＩ／Ｆ５６は、バス５７を介して互いに接続される。
記憶部５３は、Hard Disk Drive（ＨＤＤ）、solid state drive（ＳＳＤ）、フラッシュメモリ等によって実現できる。記憶媒体としての記憶部５３には、コンピュータ５０を機能させるためのプログラムが記憶されている。ＣＰＵ５１は、プログラムを記憶部５３から読み出してメモリ５２に展開し、プログラムが有するプロセスを順次実行する。
なお、プログラムにより実現される機能は、例えば半導体集積回路、より詳しくはApplication Specific Integrated Circuit（ＡＳＩＣ）等で実現することも可能である。
＜学習装置４０の作用＞
次に、実施形態の学習装置４０の作用について説明する。複数の学習用データが学習用データ記憶部４２に格納され、学習装置４０が学習処理の指示信号を受け付けると、図７に示す学習処理ルーチンを実行する。
次に、実施形態の学習装置４０の作用について説明する。複数の学習用データが学習用データ記憶部４２に格納され、学習装置４０が学習処理の指示信号を受け付けると、図７に示す学習処理ルーチンを実行する。
ステップＳ１００において、学習部４４は、学習用データ記憶部４２に格納されている複数の学習用データを取得する。
ステップＳ１０２において、学習部４４は、ステップＳ１００で取得された複数の学習用データに基づいて、所定の機械学習モデルを教師あり機械学習アルゴリズムを用いて学習させることにより、学習済みモデルＭ１を生成する。
ステップＳ１０４において、学習部４４は、ステップＳ１０２で生成した学習済みモデルＭ１を学習済みモデル記憶部４６へ格納して、学習処理ルーチンを終了する。
＜水成分推定装置２２の作用＞
次に、実施形態の水成分推定装置２２の作用について説明する。水成分推定装置２２へ学習済みモデルＭ１が入力されると、水成分推定装置２２は学習済みモデルＭ１を学習済みモデル記憶部２６へ格納する。また、水成分推定装置２２は、第１センサ２０Ａによって逐次検知される第１の全有機体炭素データ及び第２センサ２０Ｂによって逐次検知される第２の全有機体炭素データをデータ記憶部２４へ格納する。水成分推定装置２２は、水成分推定の指示信号を受け付けると、図８に示す推定処理ルーチンを実行する。
次に、実施形態の水成分推定装置２２の作用について説明する。水成分推定装置２２へ学習済みモデルＭ１が入力されると、水成分推定装置２２は学習済みモデルＭ１を学習済みモデル記憶部２６へ格納する。また、水成分推定装置２２は、第１センサ２０Ａによって逐次検知される第１の全有機体炭素データ及び第２センサ２０Ｂによって逐次検知される第２の全有機体炭素データをデータ記憶部２４へ格納する。水成分推定装置２２は、水成分推定の指示信号を受け付けると、図８に示す推定処理ルーチンを実行する。
ステップＳ２００において、取得部３０は、データ記憶部２４に格納されている第１の全有機体炭素データ及び第２の全有機体炭素データを入力データとして取得する。
ステップＳ２０２において、推定部３２は、学習済みモデル記憶部２６に格納されている学習済みモデルＭ１を読み出す。
ステップＳ２０４において、推定部３２は、ステップＳ２００で取得された入力データを、ステップＳ２０２で読み出された学習済みモデルＭ１に対して入力する。学習済みモデルＭ１からは、流入水Ｗ１の成分に関する出力データが出力される。推定部３２は、この出力データを流入水Ｗ１の成分として取得する。
ステップＳ２０６において、推定部３２は、ステップＳ２０４で取得された流入水Ｗ１の成分を結果記憶部２８へ格納して、推定処理ルーチンを終了する。
なお、この結果記憶部２８に格納された流入水Ｗ１の成分は、例えば、水処理システム１０内での各種の制御に利用される。または、結果記憶部２８に格納された流入水Ｗ１の成分のデータは、外部のサーバ（図示省略）へ送信される。
以上説明したように、実施形態に係る水処理システム１０の水成分推定装置２２は、水を浄化するためのフィルターへの流入水の第１の全有機体炭素データと、フィルターからの流出水の第２の全有機体炭素データとを表す入力データを取得する。水成分推定装置２２は、入力データを、予め学習された学習済みモデルに対して入力し、学習済みモデルからフィルターへの流入水の成分に関する出力データを出力させることにより、フィルターへの流入水の成分を推定する。なお、学習済みモデルは、フィルターへの流入水の学習用の第１の全有機体炭素データ及びフィルターからの流出水の学習用の第２の全有機体炭素データと、フィルターへの流入水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである。これにより、水を浄化するためのフィルターを透過する前後の水のデータを利用して、水の成分を推定することができる。
具体的には、水に含まれる全有機体炭素はその水の成分に関係しているため、フィルター１６への流入水Ｗ１の全有機体炭素データとフィルター１６からの流出水Ｗ２の全有機体炭素データとを用いることにより、流入水Ｗ１の成分を精度良くかつ簡易に推定することができる。
なお、本開示は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
例えば、水処理システムの複数のフィルターの間には、全有機体炭素データを検知する複数のセンサを設置し、その複数のセンサによって検知された全有機体炭素データに基づいて水の成分を推定するようにしてもよい。図９に本実施形態の変形例１である水処理システム２１０を示す。図９の水処理システム２１０は、フィルター１６Ｂと第３センサ２０Ｃとを更に備えている。このため、水処理システム２１０は、複数のフィルター１６Ａ，１６Ｂを備えており、複数のフィルター１６Ａ，１６Ｂの間には、全有機体炭素データを検知する第１センサ２０Ａ、第２センサ２０Ｂ、及び第３センサ２０Ｃが設置されている。
フィルター１６Ｂからの流出水Ｗ３は、排水管１８Ｃを流れる。第３センサ２０Ｃは、流出水Ｗ３ の全有機体炭素データを検知する。この場合、水処理システム２１０の水成分推定装置２２は、複数のフィルター１６Ａ，１６Ｂの間に設置された第１センサ２０Ａ、第２センサ２０Ｂ、及び第３センサ２０Ｃによって検知された全有機体炭素データを入力データとして学習済みモデルへ入力する。そして、学習済みモデルは、フィルター１６Ａへの流入水Ｗ１の成分に関する出力データを出力する。この場合の学習済みモデルは、第１センサ２０Ａ、第２センサ２０Ｂ、及び第３センサ２０Ｃによって検知される学習用の全有機体炭素データと学習用の水の成分に関するデータとが関連付けられた学習用データに基づき予め学習されている。この場合の学習済みモデルは、例えば、図１０に示されるような学習済みモデルＭ２となる。
または、例えば、水処理システムは水成分推定装置２２を備えていなくてもよい。例えば、図１１に本実施形態の変形例２である水処理システム３１０を示す。図１１に示される例では、水成分推定装置２２は、水処理システム３１０内部ではなく外部に存在している。水処理システム３１０はデータ送信装置２１を備えており、このデータ送信装置２１が全有機体炭素データを取得し、ネットワークＮＷを介してその全有機体炭素データを水成分推定装置２２へ送信する。水成分推定装置２２は、データ送信装置２１から送信された全有機体炭素データに基づいて流入水Ｗ１の成分を推定する。
また、学習済みモデルの入力データには、フィルターに関するデータが更に含まれ、学習済みモデルの学習用データにも、学習用のフィルターに関するデータが更に含まれるようにしてもよい。この場合の学習済みモデルは、例えば、図１２に示されるような学習済みモデルＭ３となる。この場合、例えば、フィルターに関するデータには、フィルターの識別データ、フィルターの材質を表すデータ、フィルターの使用履歴データ、フィルターの耐性特徴に関するデータ、フィルターの劣化傾向に関するデータ、フィルターの目詰まりパターンに関するデータ、及びフィルターのハウジングに関するデータの少なくとも１つが含まれるようにしてもよい。フィルターが有する特性によって、フィルターを透過した水の前後の全有機体炭素データは異なるものと予想されるため、フィルターの識別データを利用することにより、水の成分を精度良く推定することができる。また、フィルターの材質を表すデータ、フィルターの耐性特徴に関するデータ、フィルターの劣化傾向に関するデータ、及びフィルターの目詰まりパターンに関するデータの少なくとも１つも、同様にフィルターが有する特性を表すものであるため、これらのデータを利用することにより、水の成分を精度良く推定することができる。また、フィルターのハウジングに関するデータとしては、フィルターのハウジングの大きさが挙げられる。フィルターのハウジングの大きさは、フィルターの性能に関係しているため、これを考慮することにより、水の成分を精度良く推定することができる。なお、フィルターの使用履歴データには、フィルターに流入した累積の全有機炭素量を表すデータ、フィルターから流出した累積の全有機炭素量を表すデータ、フィルターの使用時間、及びフィルターの前後の水圧データの少なくとも１つが含まれるようにしてもよい。これらのデータは、例えば、水処理システム内に設置されるセンサによって取得される。
また、学習済みモデルの入力データには、水に関する他のデータが更に含まれ、学習用データにも学習用の水に関する他のデータが更に含まれるようにしてもよい。この場合の学習済みモデルは、例えば、図１３に示されるような学習済みモデルＭ４となる。この場合、例えば、水に関するデータには、水の温度を表すデータ、水の電気伝導度を表すデータ、水の濁度を表すデータ、水のｐＨデータ、及び水の酸化還元電位を表すデータの少なくとも１つが含まれるようにしてもよい。これらのデータは、例えば、水処理システム内に設置されるセンサによって取得される。
また、学習済みモデルの入力データは、第１の全有機体炭素データと第２の全有機体炭素データとの間の比率データであり、学習済みモデルの学習用データは、学習用の第１の全有機体炭素データと学習用の第２の全有機体炭素データとの間の比率データであってもよい。この場合の学習済みモデルは、例えば、図１４に示されるような学習済みモデルＭ５となる。
また、学習済みモデルの入力データ及び学習用データには、水を表す画像データが含まれていても良い。水の色等は水の成分を表しているともいえるため、水の画像データを利用することにより、水の成分を精度良く推定することができる。
また、上記実施形態では、学習済みモデルは機械学習モデルである場合を例に説明したが、これに限定されるものではない。例えば、学習済みモデルは、機械学習モデルではなく、線形回帰等の統計的なモデルであってもよい。
また、上記実施形態では、水中に含まれる有機物を表す有機物データの一例として、全有機体炭素データを利用する場合を例に説明したが、これに限定されるものではない。有機物データとしては、例えば、全有機体炭素データであるＴＯＣ（Total Organic Carbon）、ＣＯＤ（Chemical Oxygen Demand）、及びＢＯＤ（Biochemical Oxygen Demand）の３種類があり、これら３種類の何れかのデータであってもよい。また、これらのデータを計測するセンサとしては、どのようなものを用いてもよく、それぞれの正規の測定方法以外に紫外吸光による近似測定を用いてもよい。なお、ＢＯＤに含まれる有機物については、無機物測定センサ（例えば、亜硝酸センサ）によって別途センシングしている無機物のセンシング結果を利用することにより、有機物濃度を補正するようにしてもよい。
また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。例えば、プログラムは、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disk Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の非一時的（non-transitory）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
なお、上記実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なＰＬＤ（Programmable Logic Device）、及びＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。または、プロセッサとしては、ＧＰＧＰＵ（General-purpose graphics processing UNIT）を用いてもよい。また、各処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
また、本実施形態の各処理を、汎用演算処理装置及び記憶装置等を備えたコンピュータ又はサーバ等により構成して、各処理がプログラムによって実行されるものとしてもよい。このプログラムは記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することも、ネットワークを通して提供することも可能である。もちろん、その他いかなる構成要素についても、単一のコンピュータやサーバによって実現しなければならないものではなく、ネットワークによって接続された複数のコンピュータに分散して実現してもよい。
本明細書に記載された全ての文献、特許出願、および技術規格は、個々の文献、特許出願、および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
なお、上記実施形態においては、「××のみに基づいて」、「××のみに応じて」、「××のみの場合」というように「のみ」との記載がなければ、本明細書においては、付加的な情報も考慮し得ることが想定されていることに留意されたい。一例として、「ａの場合にｂする」という記載は、明示した場合を除き、「ａの場合に常にｂする」ことを必ずしも意味しない。
また、何らかの方法、プログラム、端末、装置、サーバ又はシステム（以下「方法等」）において、本明細書で記述された動作と異なる動作を行う側面があるとしても、開示の技術の各態様は、本明細書で記述された動作のいずれかと同一の動作を対象とするものであり、本明細書で記述された動作と異なる動作が存在することは、当該方法等を本開示の技術の各態様の範囲外とするものではない。
以上の実施形態に関し、更に以下の付記を開示する。
（付記１）
水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得する取得部と、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する推定部と、を含み、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定装置。
水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得する取得部と、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する推定部と、を含み、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定装置。
（付記２）
前記入力データには、前記フィルターに関するデータが更に含まれ、
前記学習用データには、学習用の前記フィルターに関するデータが更に含まれる、
付記１に記載の水成分推定装置。
前記入力データには、前記フィルターに関するデータが更に含まれ、
前記学習用データには、学習用の前記フィルターに関するデータが更に含まれる、
付記１に記載の水成分推定装置。
（付記３）
前記フィルターに関するデータには、前記フィルターの識別データ、前記フィルターの使用履歴データ、及び前記フィルターのハウジングに関するデータの少なくとも１つが含まれる、
付記２に記載の水成分推定装置。
前記フィルターに関するデータには、前記フィルターの識別データ、前記フィルターの使用履歴データ、及び前記フィルターのハウジングに関するデータの少なくとも１つが含まれる、
付記２に記載の水成分推定装置。
（付記４）
前記使用履歴データには、前記フィルターの使用時間及び前記フィルターの前後の水圧データの少なくとも１つが含まれる、
付記３に記載の水成分推定装置。
前記使用履歴データには、前記フィルターの使用時間及び前記フィルターの前後の水圧データの少なくとも１つが含まれる、
付記３に記載の水成分推定装置。
（付記５）
前記入力データには、前記水に関するデータが更に含まれ、
前記学習用データには、学習用の前記水に関するデータが更に含まれる、
付記１～付記４の何れか１項に記載の水成分推定装置。
前記入力データには、前記水に関するデータが更に含まれ、
前記学習用データには、学習用の前記水に関するデータが更に含まれる、
付記１～付記４の何れか１項に記載の水成分推定装置。
（付記６）
前記水に関するデータには、前記水の温度を表すデータ、前記水の電気伝導度を表すデータ、前記水の濁度を表すデータ、前記水のｐＨデータ、及び前記水の酸化還元電位を表すデータの少なくとも１つが含まれる、
付記５に記載の水成分推定装置。
前記水に関するデータには、前記水の温度を表すデータ、前記水の電気伝導度を表すデータ、前記水の濁度を表すデータ、前記水のｐＨデータ、及び前記水の酸化還元電位を表すデータの少なくとも１つが含まれる、
付記５に記載の水成分推定装置。
（付記７）
前記入力データは、前記第１の有機物データと前記第２の有機物データとの比率を表す比率データであり、
前記学習用データは、学習用の第１の有機物データと前記第２の有機物データとの比率を表す比率データである、
付記１～付記６の何れか１項に記載の水成分推定装置。
前記入力データは、前記第１の有機物データと前記第２の有機物データとの比率を表す比率データであり、
前記学習用データは、学習用の第１の有機物データと前記第２の有機物データとの比率を表す比率データである、
付記１～付記６の何れか１項に記載の水成分推定装置。
（付記８）
前記フィルターは複数であり、
複数の前記フィルターの間には、有機物データを検知するセンサが設置されており、
前記入力データは、複数の前記フィルターの間に設置された前記センサによって検知された前記有機物データである、
付記１～付記７の何れか１項に記載の水成分推定装置。
前記フィルターは複数であり、
複数の前記フィルターの間には、有機物データを検知するセンサが設置されており、
前記入力データは、複数の前記フィルターの間に設置された前記センサによって検知された前記有機物データである、
付記１～付記７の何れか１項に記載の水成分推定装置。
（付記９）
水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得し、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、
処理をコンピュータが実行する水成分推定方法であって、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定方法。
水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得し、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、
処理をコンピュータが実行する水成分推定方法であって、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定方法。
（付記１０）
水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得し、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、
処理をコンピュータに実行させるための水成分推定プログラムであって、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定プログラム。
水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得し、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、
処理をコンピュータに実行させるための水成分推定プログラムであって、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定プログラム。
１０ 水処理システム
１２ 水栓
１４ シンク
１６Ａ，１６Ｂ フィルター
２０Ａ センサ
２０Ｂ センサ
２０Ｃ センサ
２１ データ送信装置
２２ 水成分推定装置
２４ データ記憶部
２６ 学習済みモデル記憶部
２８ 結果記憶部
３０ 取得部
３２ 推定部
４０ 学習装置
４２ 学習用データ記憶部
４４ 学習部
４６ 学習済みモデル記憶部
５０ コンピュータ
１２ 水栓
１４ シンク
１６Ａ，１６Ｂ フィルター
２０Ａ センサ
２０Ｂ センサ
２０Ｃ センサ
２１ データ送信装置
２２ 水成分推定装置
２４ データ記憶部
２６ 学習済みモデル記憶部
２８ 結果記憶部
３０ 取得部
３２ 推定部
４０ 学習装置
４２ 学習用データ記憶部
４４ 学習部
４６ 学習済みモデル記憶部
５０ コンピュータ
Claims (10)
- 水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得する取得部と、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する推定部と、を含み、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定装置。 - 前記入力データには、前記フィルターに関するデータが更に含まれ、
前記学習用データには、学習用の前記フィルターに関するデータが更に含まれる、
請求項１に記載の水成分推定装置。 - 前記フィルターに関するデータには、前記フィルターの識別データ、前記フィルターの材質を表すデータ、前記フィルターの使用履歴データ、前記フィルターの耐性特徴に関するデータ、前記フィルターの劣化傾向に関するデータ、前記フィルターの目詰まりパターンに関するデータ、及び前記フィルターのハウジングに関するデータの少なくとも１つが含まれる、
請求項２に記載の水成分推定装置。 - 前記使用履歴データには、前記フィルターに流入した累積の全有機炭素量を表すデータ、前記フィルターから流出した累積の全有機炭素量を表すデータ、前記フィルターの使用時間、及び前記フィルターの前後の水圧データの少なくとも１つが含まれる、
請求項３に記載の水成分推定装置。 - 前記入力データには、前記水に関するデータが更に含まれ、
前記学習用データには、学習用の前記水に関するデータが更に含まれる、
請求項１に記載の水成分推定装置。 - 前記水に関するデータには、前記水の温度を表すデータ、前記水の電気伝導度を表すデータ、前記水の濁度を表すデータ、前記水のｐＨデータ、及び前記水の酸化還元電位を表すデータの少なくとも１つが含まれる、
請求項５に記載の水成分推定装置。 - 前記入力データは、前記第１の有機物データと前記第２の有機物データとの比率を表す比率データであり、
前記学習用データは、学習用の第１の有機物データと前記第２の有機物データとの比率を表す比率データである、
請求項１に記載の水成分推定装置。 - 前記フィルターは複数であり、
複数の前記フィルターの間には、有機物データを検知するセンサが設置されており、
前記入力データは、複数の前記フィルターの間に設置された前記センサによって検知された前記有機物データである、
請求項１～請求項７の何れか１項に記載の水成分推定装置。 - 水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得し、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、
処理をコンピュータが実行する水成分推定方法であって、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定方法。 - 水を浄化するためのフィルターに流入する水の第１の有機物データと前記フィルターから流出した水の第２の有機物データとを表す入力データを取得し、
前記入力データを、予め学習された学習済みモデルに対して入力し、前記学習済みモデルから前記フィルターに流入する水の成分に関する出力データを出力させることにより、前記フィルターに流入する水の成分を推定する、
処理をコンピュータに実行させるための水成分推定プログラムであって、
前記学習済みモデルは、前記フィルターに流入する水の学習用の第１の前記有機物データ及び前記フィルターから流出した水の学習用の第２の前記有機物データと、前記フィルターに流入する水の学習用の成分に関する成分データと、が関連付けられた学習用データから予め機械学習された学習済みモデルである、
水成分推定プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022069101A JP7092426B1 (ja) | 2022-04-19 | 2022-04-19 | 水成分推定装置、水成分推定方法、及び水成分推定プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022069101A JP7092426B1 (ja) | 2022-04-19 | 2022-04-19 | 水成分推定装置、水成分推定方法、及び水成分推定プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7092426B1 true JP7092426B1 (ja) | 2022-06-28 |
| JP2023158980A JP2023158980A (ja) | 2023-10-31 |
Family
ID=82196212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022069101A Active JP7092426B1 (ja) | 2022-04-19 | 2022-04-19 | 水成分推定装置、水成分推定方法、及び水成分推定プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7092426B1 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019059309A1 (ja) | 2017-09-20 | 2019-03-28 | Wota株式会社 | 水処理システム |
| JP2020113151A (ja) | 2019-01-16 | 2020-07-27 | 株式会社東芝 | 処理水質推定装置、処理水質推定方法及びプログラム |
| JP2020165720A (ja) | 2019-03-28 | 2020-10-08 | 栗田工業株式会社 | 水質推定装置及び水質推定方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115092980A (zh) * | 2016-03-11 | 2022-09-23 | Wota株式会社 | 水处理装置管理系统和家用水处理装置 |
| JP2022015249A (ja) * | 2020-07-08 | 2022-01-21 | 日新電機株式会社 | 放流水質予測装置および放流水質予測方法 |
-
2022
- 2022-04-19 JP JP2022069101A patent/JP7092426B1/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019059309A1 (ja) | 2017-09-20 | 2019-03-28 | Wota株式会社 | 水処理システム |
| JP2020113151A (ja) | 2019-01-16 | 2020-07-27 | 株式会社東芝 | 処理水質推定装置、処理水質推定方法及びプログラム |
| JP2020165720A (ja) | 2019-03-28 | 2020-10-08 | 栗田工業株式会社 | 水質推定装置及び水質推定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023158980A (ja) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6621410B2 (ja) | 水ハイブリッド装置 | |
| Sundermann et al. | Hydromorphological restoration of running waters: effects on benthic invertebrate assemblages | |
| Fragkoulis et al. | Detection, isolation and identification of multiple actuator and sensor faults in nonlinear dynamic systems: Application to a waste water treatment process | |
| CN108956484A (zh) | 一种一体化追踪污染源的方法和装置 | |
| JP2007245084A (ja) | 膜ろ過制御装置 | |
| Ashton et al. | Relations between macroinvertebrates, nutrients, and water quality criteria in wadeable streams of Maryland, USA | |
| Samuelsson et al. | Fault signatures and bias progression in dissolved oxygen sensors | |
| KR20210137925A (ko) | 정수기 및 정수기 제어 방법 | |
| Haimi et al. | Shall we use hardware sensor measurements or soft-sensor estimates? Case study in a full-scale WWTP | |
| US20200264151A1 (en) | Improved detection and characterization of anomalies in a continuum of water | |
| CN106226490A (zh) | 一种水质检测的方法及装置 | |
| JP7092426B1 (ja) | 水成分推定装置、水成分推定方法、及び水成分推定プログラム | |
| TWI351386B (ja) | ||
| Oishi et al. | Adaptive model and model selection for long-term transmembrane pressure prediction in membrane bioreactors | |
| Rai et al. | Influence of environmental parameters on benthic macroinvertebrate assemblages in the headwaters of Bagmati river, Kathmandu valley, Nepal | |
| Seggelke et al. | Integrated operation of sewer system and WWTP by simulation-based control of the WWTP inflow | |
| Peng et al. | Fine-scale environmental gradients formed by local pollutants largely impact zooplankton communities in running water ecosystems | |
| JP7231240B2 (ja) | 情報処理装置 | |
| Kolluri et al. | Evaluation of multivariate statistical analyses for monitoring and prediction of processes in an seawater reverse osmosis desalination plant | |
| Liu et al. | Taxonomic, functional, and phylogenetic diversity patterns reveal different processes shaping river fish assemblages in the Eastern Huai River Basin, China | |
| CN111186878A (zh) | 一种通过神经网络实现超滤循环泵调节的方法、装置、系统 | |
| Esfahani et al. | Proposed new fouling monitoring indices for seawater reverse osmosis to determine the membrane cleaning interval | |
| Xu et al. | Data fusion strategy based on ultraviolet–visible spectra and near-infrared spectra for simultaneous and accurate determination of key parameters in surface water | |
| US20160009568A1 (en) | Rainwater Capture System and Method | |
| Natarajan et al. | Constructed wetlands for improving stormwater quality and health of urban lakes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220427 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220427 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220517 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220609 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7092426 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |