JP7422571B2 - 水処理技術の装置、システム、及び方法 - Google Patents
水処理技術の装置、システム、及び方法 Download PDFInfo
- Publication number
- JP7422571B2 JP7422571B2 JP2020046790A JP2020046790A JP7422571B2 JP 7422571 B2 JP7422571 B2 JP 7422571B2 JP 2020046790 A JP2020046790 A JP 2020046790A JP 2020046790 A JP2020046790 A JP 2020046790A JP 7422571 B2 JP7422571 B2 JP 7422571B2
- Authority
- JP
- Japan
- Prior art keywords
- flocculant
- injection rate
- injection
- predetermined
- information processing
- 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 description 96
- 238000000034 method Methods 0.000 title claims description 39
- 238000011282 treatment Methods 0.000 title claims description 30
- 238000005516 engineering process Methods 0.000 title description 6
- 238000002347 injection Methods 0.000 claims description 156
- 239000007924 injection Substances 0.000 claims description 156
- 230000010365 information processing Effects 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000000701 coagulant Substances 0.000 claims description 10
- 238000005345 coagulation Methods 0.000 claims description 7
- 230000015271 coagulation Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000005189 flocculation Methods 0.000 description 18
- 230000016615 flocculation Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 13
- 238000002835 absorbance Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 239000008394 flocculating agent Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000000746 purification Methods 0.000 description 6
- 238000003756 stirring Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000010979 pH adjustment Methods 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000012899 standard injection Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 229910021578 Iron(III) chloride Inorganic materials 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- DIZPMCHEQGEION-UHFFFAOYSA-H aluminium sulfate (anhydrous) Chemical compound [Al+3].[Al+3].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O DIZPMCHEQGEION-UHFFFAOYSA-H 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001112 coagulating effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010800 human waste Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- RBTARNINKXHZNM-UHFFFAOYSA-K iron trichloride Chemical compound Cl[Fe](Cl)Cl RBTARNINKXHZNM-UHFFFAOYSA-K 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Description
(発明1)
凝集剤の注入率を適正化するための情報処理装置であって、
前記情報処理装置は、学習済みモデルと、パラメータ生成部と、情報取得部と、算出部とを備え、
前記学習済みモデルは、所定の説明変数を受け取り、所定の目的変数を出力するように構成され、
前記所定の説明変数は、凝集剤の注入率(EV1)と、前記凝集剤の注入前の少なくとも1つの水質データ及び/又は運転操作条件データ(EV2)とを含み、
前記所定の目的変数は、前記凝集剤の注入・凝集後の少なくとも1つの水質データ(OV)を含み、
前記情報取得部は、水処理プラントのEV2を取得するように構成され、
前記パラメータ生成部は、EV1を複数生成するように構成され、
前記学習済みモデルは、前記取得したEV2と前記生成されるEV1から、OVを出力するように構成され、
前記算出部は、前記生成されるEV1と前記出力されるOVとに基づいて、凝集剤の注入率を決定するように構成され、
前記凝集剤の注入率の決定は、前記EV1に対する前記OVの変化率の絶対値が所定の基準値以下又は所定の基準値未満であることに基づいて決定される、
装置。
(発明2)
発明1の装置であって、前記凝集剤の注入率の決定が、更に以下の条件に基づいて決定される、装置。
前記決定される凝集剤の注入率が、前記OVが最適となるときの前記EV1より低いこと。
(発明3)
発明1又は2の装置であって、
前記装置が、グループ判定部を更に備え、
前記グループ判定部は、前記EV2をクラスター分析して、グループを判定するように構成され、
前記学習済みモデルは、各グループ毎に備えられ、
前記グループ判定部は、グループ判定結果に基づいて、前記学習済みモデルを選択し、前記選択された前記学習済みモデルに、OVを出力させる、
装置。
(発明4)
凝集剤の注入率を適正化するためのシステムであって、
前記システムは、発明1~3いずれか1つに記載の情報処理装置と、データベースとを備え、
前記データベースでは、前記EV1と、前記EV2と、前記OVとが関連付けられて記憶されており、
前記情報処理装置は、前記データベースから学習データとして、前記EV1と、前記EV2と、前記OVとを取得して、学習済みモデルを構築するように構成される、
システム。
(発明5)
発明4のシステムであって、
前記データベースでは、更に、気象情報が、前記EV1と、前記EV2と、前記OVとに関連付けられて記憶されており、
前記気象情報に関して少なくとも1年分以上の範囲にわたって記憶されている、
システム。
(発明6)
凝集剤の注入率を適正化する方法であって、
前記方法は、学習済みモデルを含む情報処理装置を活用した方法であり、
前記学習済みモデルは、所定の説明変数を受け取り、所定の目的変数を出力し、
前記所定の説明変数は、凝集剤の注入率(EV1)と、前記凝集剤の注入前の少なくとも1つの水質データ及び/又は運転操作条件データ(EV2)とを含み、
前記所定の目的変数は、前記凝集剤の注入・凝集後の少なくとも1つの水質データ(OV)を含み、
前記学習済みモデルは、前記EV1と、前記EV2と、前記OVとが関連付けられて記憶されたデータベースを用いて構築されており、
前記方法は、
前記情報処理装置が、水処理プラントのEV2を取得する工程と、
前記情報処理装置が、EV1を複数生成する工程と、
前記情報処理装置が、前記取得したEV2と前記生成されるEV1から、OVを出力する工程と、
前記情報処理装置が、前記生成されるEV1と前記出力されるOVとに基づいて、凝集剤の注入率を決定する工程と、
を含み、
前記凝集剤の注入率の決定する工程は、前記EV1に対する前記OVの変化率の絶対値が所定の基準値以下又は所定の基準値未満であることに基づいて決定される、
方法。
・EV1に対するOVの変化率の絶対値が所定の基準値以下又は所定の基準値未満であること
・決定される凝集剤の注入率が、OVが最適となるときのEV1より低いこと。
(1)システム全体の構成
一実施形態において、本発明は、凝集剤の注入率を適正化するためのシステムに関する。一例において、前記システムを導入する対象となるプラントは、水処理プラント(例えば、浄水処理プラント、廃水処理プラント、下水処理プラント、し尿処理(汚泥再生)プラント、浸出水処理プラント、海水淡水化プラント、汚泥処理プラントも含む)であってもよい。図1に一実施形態における浄水処理システムの概要を示す。前記システムは、少なくとも、情報処理装置と、データベースとを備える。また、前記システムは、更には、着水井、凝集剤注入装置、フロック形成池、沈殿池、急速濾過装置、計測器等を備えてもよい。原水は、着水井、フロック形成池、沈殿池及び急速濾過装置を経て、浄化処理される。
図2に、一実施形態における情報処理装置を示す。情報処理装置は、学習済みモデルと、パラメータ生成部と、情報取得部と、算出部とを備える。更には、図2には明示していないが、グループ判定部を備えてもよい。
・説明変数(explanatory variable、EV)に対する目的変数(objective variable、OV)の変化率の絶対値が所定の基準値以下又は所定の基準値未満であること、
・決定される凝集剤の注入率が、目的変数が最適となるときの注入率の値より低いこと。
・目的変数(objective variable、OV)の値が、所定の基準値以上であるか否か、所定の基準値超であるか否か、所定の基準値以下であるか否か、又は所定の基準値未満であるか否か。
上記システムの一部に含まれるデータベースの最も重要な目的は、学習済みモデルを構築するための学習用データを記憶することにある。具体的には学習用のデータとして、ジャーテストの結果を記憶することを目的としてもよい。無論、学習用のデータとして、ジャーテストの結果に限定されず、例えば、過去の水処理プラントの運用データを利用してもよい。さらに言えば、複数の水処理プラントの運用データを組み合わせたものを利用してもよく、又は複数の水処理プラントのジャーテストのデータを組み合わせたものを利用してもよい。或いは、少なくとも1つの水処理プラントの運用データと少なくとも1つの水処理プラントのジャーテストのデータとを組み合わせたものを利用してもよい。例えば、ジャーテストの結果に関するデータ及び運用データとして、計測器が測定した水質データ、凝集剤の注入率等を記憶することができる。計測器が測定した水質データとして、例えば、温度、濁度、透明度、色度、pH、アルカリ度、微粒子数、TOC(total organic carbon、全有機炭素)、COD(Chemical Oxygen Demand)、紫外線吸光度、有機物分画が挙げられる。それ以外に気象情報(例えば、天候、気温、雨量、台風(例えば、風力、中心気圧等)等)、pH調製用薬品注入率等が記憶されてもよい。水質データ(例えば、TOC、紫外線吸光度、有機物分画、濁度、及び透明度、特に濁度及び透明度)については、凝集剤の注入前のもの、及び凝集後のものを記憶してもよい。データを記憶する形式については特に限定されず、典型的にはテーブル形式で記憶してもよい。
学習済みモデルの形成について、上述したような様々な技術を利用することができるが、ここでは、ニューラルネットワークを例にとって説明する。上述した数のニューロンを各層に設け、更には、上述した数の層を設ける。また、説明変数の数に応じて入力部を設ける。説明変数としては、凝集剤の注入率(EV1)と、凝集剤の注入前の少なくとも1つの水質データ及び/又は運転操作条件データ(EV2)とを含む。また、目的変数としては、凝集剤を注入することにより凝集が起こった後(即ち、凝集剤の注入・凝集後)の少なくとも1つの水質データ(OV)を含む(例えば、2つ以上の水質データの組み合わせを含んでもよい)。
凝集剤の種類については特に限定されず、当分野で公知の物を使用することができる。例えば、凝集剤の例として、ポリ硫酸第二鉄、塩化第二鉄、PAC(ポリ塩化アルミニウム)又は硫酸バンドなどが挙げられる。更に、凝集剤の例として、これ以外に、高分子凝集剤(ポリマー)、凝集助剤、有機凝結剤、無機凝結剤、或いは凝集改良剤なども挙げられ、これらは単独或いは併用して用いることもできる。浄水処理においては典型的には、PACを利用することができる。
上記のようにデータベースの構築、更には学習済みモデルを構築することで、凝集剤を利用する水処理プラントにおける運用の準備が完了する。
(1)水処理プラントにおける凝集剤の注入前の少なくとも1つの水質データ及び/又は運転操作条件データ(EV2)を取得する工程
(2)凝集剤の注入率(EV1)のパラメータを複数生成する工程
(3)取得したEV2と生成されるEV1から、凝集剤の注入・凝集後の少なくとも1つの水質データ(OV)を出力する工程
(4)生成されるEV1と出力されるOVとに基づいて、凝集剤の注入率を決定する工程
処理水濁度変化率i=(予測処理水濁度i+1-予測処理水濁度i)/(凝集剤注入率i+1(mg/L)-凝集剤注入率i(mg/L))
凝集後の水質データ(例えば、濁度)と、凝集剤の注入率との関係を示す曲線を作成し、表示することもできる。
最初にニューラルネットワークを活用した学習済みモデルを構築した。目的変数として、浄水場におけるジャーテストの処理水の濁度(度)を採用した。また、説明変数として、PAC注入率(mg/L)、原水水温(℃)、濁度(度)、pH、及びアルカリ度(mg/L)を採用した。ニューラルネットワークには、これに対応した数の入力部分を設けた。また、ニューロンは2層とし、各層のニューロンの層については、1層目は4つ、2層目は2つにした。
Claims (6)
- 凝集剤の注入率を適正化するための情報処理装置であって、
前記情報処理装置は、学習済みモデルと、パラメータ生成部と、情報取得部と、算出部とを備え、
前記学習済みモデルは、所定の説明変数を受け取り、所定の目的変数を出力するように構成され、
前記所定の説明変数は、凝集剤の注入率(EV1)と、前記凝集剤の注入前の少なくとも1つの水質データ及び/又は運転操作条件データ(EV2)とを含み、
前記所定の目的変数は、前記凝集剤の注入・凝集後の1種類の水質データ(OV)を含み、
前記情報取得部は、水処理プラントのEV2を取得するように構成され、
前記パラメータ生成部は、EV1を複数生成するように構成され、
前記学習済みモデルは、前記取得したEV2と前記生成されるEV1から、OVを出力するように構成され、
前記算出部は、前記生成されるEV1と前記出力される1種類のOVとに基づいて、凝集剤の注入率を決定するように構成され、
前記凝集剤の注入率の決定は、生成された複数の前記EV1と、各EV1に対する複数の前記OVとの関係における変化率の絶対値が、1つの所定の基準値以下又は1つの所定の基準値未満である、凝集剤の注入率の範囲を導出することにより決定され、
前記所定の基準値は、前記EV1が当該EV1の最適値にどれだけ近いのかに関する基準を示す、
装置。 - 請求項1の装置であって、前記凝集剤の注入率の決定が、更に以下の条件に基づいて決定される、装置。
前記決定される凝集剤の注入率が、前記OVが最適となるときの前記EV1より低いこと。 - 請求項1又は2の装置であって、
前記装置が、グループ判定部を更に備え、
前記グループ判定部は、前記EV2をクラスター分析して、グループを判定するように構成され、
前記学習済みモデルは、各グループ毎に備えられ、
前記グループ判定部は、グループ判定結果に基づいて、前記学習済みモデルを選択し、前記選択された前記学習済みモデルに、OVを出力させる、
装置。 - 凝集剤の注入率を適正化するためのシステムであって、
前記システムは、請求項1~3いずれか1項に記載の情報処理装置と、データベースとを備え、
前記データベースでは、前記EV1と、前記EV2と、前記OVとが関連付けられて記憶されており、
前記情報処理装置は、前記データベースから学習データとして、前記EV1と、前記EV2と、前記OVとを取得して、学習済みモデルを構築するように構成される、
システム。 - 請求項4のシステムであって、
前記データベースでは、更に、気象情報が、前記EV1と、前記EV2と、前記OVとに関連付けられて記憶されており、
前記気象情報に関して少なくとも1年分以上の範囲にわたって記憶されている、
システム。 - 凝集剤の注入率を適正化する方法であって、
前記方法は、学習済みモデルを含む情報処理装置を活用した方法であり、
前記学習済みモデルは、所定の説明変数を受け取り、所定の目的変数を出力し、
前記所定の説明変数は、凝集剤の注入率(EV1)と、前記凝集剤の注入前の少なくとも1つの水質データ及び/又は運転操作条件データ(EV2)とを含み、
前記所定の目的変数は、前記凝集剤の注入・凝集後の1種類の水質データ(OV)を含み、
前記学習済みモデルは、前記EV1と、前記EV2と、前記OVとが関連付けられて記憶されたデータベースを用いて構築されており、
前記方法は、
前記情報処理装置が、水処理プラントのEV2を取得する工程と、
前記情報処理装置が、EV1を複数生成する工程と、
前記情報処理装置が、前記取得したEV2と前記生成されるEV1から、OVを出力する工程と、
前記情報処理装置が、前記生成されるEV1と前記出力される1種類のOVとに基づいて、凝集剤の注入率を決定する工程と、
を含み、
前記凝集剤の注入率を決定する工程は、生成された複数の前記EV1と、各EV1に対する複数の前記OVとの関係における変化率の絶対値が、1つの所定の基準値以下又は1つの所定の基準値未満である、凝集剤の注入率の範囲を導出することにより決定され、
前記所定の基準値は、前記EV1が当該EV1の最適値にどれだけ近いのかに関する基準を示す、
方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020046790A JP7422571B2 (ja) | 2020-03-17 | 2020-03-17 | 水処理技術の装置、システム、及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020046790A JP7422571B2 (ja) | 2020-03-17 | 2020-03-17 | 水処理技術の装置、システム、及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021146246A JP2021146246A (ja) | 2021-09-27 |
JP7422571B2 true JP7422571B2 (ja) | 2024-01-26 |
Family
ID=77850229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020046790A Active JP7422571B2 (ja) | 2020-03-17 | 2020-03-17 | 水処理技術の装置、システム、及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7422571B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019181318A (ja) | 2018-04-03 | 2019-10-24 | オルガノ株式会社 | 凝集を伴う水処理プラントの制御方法および制御装置 |
JP2019215743A (ja) | 2018-06-13 | 2019-12-19 | 水ing株式会社 | データベースの製造方法、及び水処理または汚泥処理システム |
JP2020018978A (ja) | 2018-08-02 | 2020-02-06 | オルガノ株式会社 | 凝集条件評価装置、凝集条件評価方法、凝集処理システム、および凝集処理方法 |
JP2020025943A (ja) | 2018-08-17 | 2020-02-20 | 水ing株式会社 | 水処理方法および水処理システム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6025599A (ja) * | 1983-07-20 | 1985-02-08 | Ebara Infilco Co Ltd | 有機高分子凝集剤の添加量制御方法 |
JPH08294603A (ja) * | 1995-04-26 | 1996-11-12 | Kurita Water Ind Ltd | 凝集処理装置 |
-
2020
- 2020-03-17 JP JP2020046790A patent/JP7422571B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019181318A (ja) | 2018-04-03 | 2019-10-24 | オルガノ株式会社 | 凝集を伴う水処理プラントの制御方法および制御装置 |
JP2019215743A (ja) | 2018-06-13 | 2019-12-19 | 水ing株式会社 | データベースの製造方法、及び水処理または汚泥処理システム |
JP2020018978A (ja) | 2018-08-02 | 2020-02-06 | オルガノ株式会社 | 凝集条件評価装置、凝集条件評価方法、凝集処理システム、および凝集処理方法 |
JP2020025943A (ja) | 2018-08-17 | 2020-02-20 | 水ing株式会社 | 水処理方法および水処理システム |
Also Published As
Publication number | Publication date |
---|---|
JP2021146246A (ja) | 2021-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7076356B2 (ja) | 排水処理方法 | |
Heddam et al. | ANFIS-based modelling for coagulant dosage in drinking water treatment plant: a case study | |
JP2017123088A (ja) | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 | |
Heddam et al. | A new approach based on the dynamic evolving neural-fuzzy inference system (DENFIS) for modelling coagulant dosage (Dos): case study of water treatment plant of Algeria | |
JP6941083B2 (ja) | 水処理方法および水処理システム | |
JP6693902B2 (ja) | データベースの製造方法、及び水処理又は汚泥処理システム | |
JP2019215743A (ja) | データベースの製造方法、及び水処理または汚泥処理システム | |
Kim et al. | MLP, ANFIS, and GRNN based real-time coagulant dosage determination and accuracy comparison using full-scale data of a water treatment plant | |
Viet et al. | Development of artificial intelligence-based models for the prediction of filtration performance and membrane fouling in an osmotic membrane bioreactor | |
JP2000218263A (ja) | 水質制御方法及びその装置 | |
dos Santos et al. | Intelligent system for improving dosage control | |
Achite et al. | Modeling and optimization of coagulant dosage in water treatment plants using hybridized random forest model with genetic algorithm optimization | |
JP7422571B2 (ja) | 水処理技術の装置、システム、及び方法 | |
JP7032485B2 (ja) | 水処理又は汚泥処理システムの運転制御方法 | |
KR20140117959A (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
CN115375009B (zh) | 一种建立混凝智能监控联动系统的方法 | |
Alsaeed et al. | Predicting turbidity and Aluminum in drinking water treatment plants using Hybrid Network (GA-ANN) and GEP | |
Bagheri et al. | Applications of Artificial Intelligence Technologies in Water Environments: From Basic Techniques to Novel Tiny Machine Learning Systems | |
Akbarizadeh et al. | Modeling and optimization of poly electrolyte dosage in water treatment process by GMDH Type-NN and MOGA | |
Cámara et al. | Neural network modelling and prediction of an Anaerobic Filter Membrane Bioreactor | |
Oke et al. | Determination of biocoagulant dosage for water clarification using developed neuro-fuzzy network integrated with user-interface-based calculator | |
Shin et al. | Development of water quality prediction model for water treatment plant using artificial intelligence algorithms | |
KR102641807B1 (ko) | 센서보정장치 및 센서보정장치의 동작 방법 | |
Bae et al. | Decision algorithm based on data mining for coagulant type and dosage in water treatment systems | |
Ivanov et al. | Predicting the Water Potability Index Using Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220707 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230308 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230404 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230529 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230831 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231030 |
|
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: 20240104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240116 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7422571 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |