TW202242728A - 水質管理裝置、水質管理方法及水質管理程式 - Google Patents

水質管理裝置、水質管理方法及水質管理程式 Download PDF

Info

Publication number
TW202242728A
TW202242728A TW111111376A TW111111376A TW202242728A TW 202242728 A TW202242728 A TW 202242728A TW 111111376 A TW111111376 A TW 111111376A TW 111111376 A TW111111376 A TW 111111376A TW 202242728 A TW202242728 A TW 202242728A
Authority
TW
Taiwan
Prior art keywords
seawater
residual chlorine
quality management
water quality
water
Prior art date
Application number
TW111111376A
Other languages
English (en)
Inventor
柳川敏治
尾山圭二
小路一憲
旭義文
勝山一朗
定道有頂
鈴木勇也
市川好貴
Original Assignee
日商中國電力股份有限公司
日商日機裝股份有限公司
日商日本Ｎｕｓ股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日商中國電力股份有限公司, 日商日機裝股份有限公司, 日商日本Ｎｕｓ股份有限公司 filed Critical 日商中國電力股份有限公司
Publication of TW202242728A publication Critical patent/TW202242728A/zh

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/50—Treatment of water, waste water, or sewage by addition or application of a germicide or by oligodynamic treatment
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/70—Treatment of water, waste water, or sewage by reduction
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/72—Treatment of water, waste water, or sewage by oxidation
    • C02F1/76—Treatment of water, waste water, or sewage by oxidation with halogens or compounds of halogens
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Treatment Of Water By Oxidation Or Reduction (AREA)
  • General Factory Administration (AREA)

Abstract

提供能夠預防海水的放水口中的海水中的殘留氯濃度超過基準值的水質管理裝置、水質管理方法及水質管理程式。用於海水利用工廠的水質管理裝置具備︰屬性值獲取部，獲取在設定於海水利用工廠的冷凝器中流通的海水的屬性值；濃度預測部，基於屬性值，預測將海水從冷凝器向海放出的放水路的放水口中的殘留氯濃度；必要量計算部，基於預測的殘留氯濃度，計算注入到放水路的殘留氯的中和劑的必要量；以及中和劑注入部，將必要量的中和劑注入到放水路。

Description

水質管理裝置、水質管理方法及水質管理程式
本發明涉及一種水質管理裝置、水質管理方法及水質管理程式。更詳細地說，涉及一種在發電廠等海水利用工廠中使用的水質管理裝置、水質管理方法及水質管理程式。
作為針對附著於以火力、原子能發電廠為代表的海水利用工廠的海水系統的藤壺類、貽貝類等附著生物以及生物膜的對策，廣泛地實施產生海水電解氯（次氯酸鈉）並注入到取水口的技術。
例如，專利文獻1(日本專利特許第4932529號)公開了如下技術︰透過電解天然海水來生成次氯酸鈉，將含有該次氯酸鈉的電解液注入到海水的取水口而用於防止海洋生物的附著。
在將海水電解氯注入到取水口的情況下，需要以海水的放水口中的殘留氯濃度不超過基準值的模式實施注入，但是注入海水電解氯後的殘留氯濃度由於水溫、水質而衰減速度不同，如果想要維持對防止附著生物有效的殘留氯濃度，則有可能暫時在放水口超過基準值。因此，期望透過在適當的定時注入適當量的中和劑，預防殘留氯濃度超過基準值。
本發明是鑒於上述課題而完成的，其目的在於提供能夠預防海水的放水口中的海水中的殘留氯濃度超過基準值的水質管理裝置、水質管理方法及水質管理程式。
本發明涉及一種用於海水利用工廠的水質管理裝置，具備︰屬性值獲取部，獲取在設定於所述海水利用工廠的冷凝器中流通的海水的屬性值；濃度預測部，基於所述屬性值，預測將所述海水從所述冷凝器向海放出的放水路的放水口中的殘留氯濃度；必要量計算部，基於預測的所述殘留氯濃度，計算注入到所述放水路的殘留氯的中和劑的必要量；以及，中和劑注入部，將所述必要量的所述中和劑注入到所述放水路。
此外，優選的是，所述屬性值包括所述冷凝器的取水口中的海水的殘留氯濃度、所述冷凝器的出口中的海水的水溫、以及從所述取水口到所述放水口的海水的流下時間，所述濃度預測部透過將所述屬性值應用於阿瑞尼斯方程式（Arrhenius equation ），預測所述放水口中的所述殘留氯濃度。
此外，在所述水質管理裝置中，優選的是，所述濃度預測部具備︰輸入數據獲取部，獲取包括所述冷凝器的入口中的海水的殘留氯濃度、鹽分量、pH、ORP（氧化還原電位）、水溫的屬性值的歷史記錄數據作為輸入數據；標記獲取部，獲取所述放水口中的殘留氯濃度的歷史記錄數據作為標記；學習部，將所述輸入數據和所述標記的組作為學習數據，構建推定所述放水口中的所述殘留氯濃度的學習模型；以及推定值生成部，在所述學習模型構建後，透過將新的屬性值應用於所述學習模型，生成所述殘留氯濃度的推定值。
此外，在所述水質管理裝置中，優選的是，所述學習部使用隨機森林來構建所述學習模型。
此外，在所述水質管理裝置中，優選的是，所述學習部使用廣義加法（GAM法）來構建所述學習模型。
此外，本發明涉及一種用於海水利用工廠的水質管理方法，具有︰屬性值獲取步驟，獲取在設定於所述海水利用工廠的冷凝器中流通的海水的屬性值；濃度預測步驟，基於所述屬性值，預測將所述海水從所述冷凝器向海放出的放水路的放水口中的殘留氯濃度；必要量計算步驟，基於預測的所述殘留氯濃度，計算注入到所述放水路的殘留氯的中和劑的必要量；以及中和劑注入步驟，將所述必要量的所述中和劑注入到所述放水路。
此外，本發明涉及一種用於海水利用工廠的水質管理程式，用於使計算機執行︰屬性值獲取步驟，獲取在設定於所述海水利用工廠的冷凝器中流通的海水的屬性值；濃度預測步驟，基於所述屬性值，預測將所述海水從所述冷凝器向海放出的放水路的放水口中的殘留氯濃度；必要量計算步驟，基於預測的所述殘留氯濃度，計算注入到所述放水路的殘留氯的中和劑的必要量；以及中和劑注入步驟，將所述必要量的所述中和劑注入到所述放水路。
根據本發明，能夠預防海水的放水口中的海水中的殘留氯濃度超過基準值。
下面，參照附圖對本發明的實施模式進行說明。 [發明的概要]
圖1是包括本實施模式的水質管理裝置1和冷凝器2的海水利用工廠100的整體構成圖。在海水利用工廠100中，冷凝器2透過取水路21從海3A取出作為冷卻水的海水，冷卻汽輪機等後的冷卻水透過放水路22從冷凝器2的出口221向海3B放出。在取水路21的氯注入點注入含有次氯酸鈉的海水電解液。
水質管理裝置1基於在冷凝器2中流通的海水的屬性值，預測放水路22的放水口222中的殘留氯濃度，計算與冷凝器入口211中的海水的殘留氯濃度相比的降低量，此後基於該降低量，計算中和劑的必要量，並且將該必要量的中和劑注入到放水路22。 [第一實施例]
以下，透過參照圖2和圖3，說明作為本發明的第一實施例的水質管理裝置1。 [實施例的架構]
圖2是水質管理裝置1的功能框圖。水質管理裝置1具備控制部11、中和劑注入部12和存儲部13。
控制部11是控制水質管理裝置1的整體的部分，透過從ROM、RAM、閃存或硬碟（HDD）等存儲區域適當讀出各種程式並執行，實現本實施模式中的各種功能。控制部11可以是CPU。控制部11具備屬性值獲取部111、濃度預測部112和必要量計算部113。
此外，控制部11還具備用於控制水質管理裝置1的整體的功能模塊、用於進行通信的功能模塊這樣的一般的功能模塊。但是，由於這些一般的功能模塊是本領域技術人員所熟知的，所以省略圖示和說明。
屬性值獲取部111獲取在冷凝器2中流通的海水的屬性值。更詳細地說，例如，透過設定在水質管理裝置1的外部的汲水幫浦（圖未示），從取水路21汲取海水，透過設定在水質管理裝置1的外部的水質分析裝置（圖未示）分析汲取的海水。屬性值獲取部111獲取由水質分析裝置分析的海水的水質的屬性值。此外，屬性值獲取部111獲取冷凝器2的出口221中的海水的水溫、以及從冷凝器入口211到放水口222的海水的流下時間等作為屬性值。
在此，作為水質的屬性值，例如除了冷凝器入口211中的海水的殘留氯濃度和水溫以外，以提升精度為目的，還包括有機物濃度、海水中含有的鹽分量、pH、ORP（氧化還原電位）。
濃度預測部112基於由屬性值獲取部111獲取的屬性值，預測海水的放水口222中的殘留氯濃度。特別是在本實施例中，濃度預測部112將作為屬性值的冷凝器2的入口211中的海水的殘留氯濃度、冷凝器2的出口221中的海水的水溫、以及從冷凝器2的入口211到放水口222的海水的流下時間應用於阿瑞尼斯方程式（Arrheinius equation），推定海水的放水口222中的殘留氯濃度。
在此，“阿瑞尼斯方程式”是預測某一溫度下的化學反應速度的公式，表示反應速度的反應速率常數（k）如以下式1所示是表示溫度（T）高、活化能（Ea）低時變大的公式。
Figure 02_image001
其中，A是與溫度無關的常數（指前因子），Ea是每1mol的活化能，R是氣體常數，T是絕對溫度。在此，“指前因子”是指表示雙分子反應中的分子間的碰撞次數的因子。
必要量計算部113基於由濃度預測部112預測的殘留氯濃度，計算注入到放水路22的殘留氯的中和劑的必要量。更詳細地說，必要量計算部113基於與取水口211中的殘留氯濃度相比的放水口222中的推定殘留氯濃度的降低量，計算中和劑的必要量。
在此，中和劑例如可以是35%過氧化氫水、亞硫酸鈉或硫代硫酸鈉等能夠迅速中和殘留氯的現有的藥劑。另外，使用35%過氧化氫水時的反應副產物是氧、水、氯離子，使用亞硫酸鈉時的反應副產物是硫酸離子、氯離子。這些都豐富地存在於海水中。
中和劑注入部12將由必要量計算部113計算出的必要量的中和劑注入到放水路22。特別是優選透過中和劑注入部12，自動控制中和劑向放水路22的注入。
存儲部13存儲由屬性值獲取部111獲取的屬性值、由濃度預測部112預測的殘留氯濃度、以及由必要量計算部113計算的中和劑的必要量。 [實施例的動作]
圖3是示出水質管理裝置1的動作的流程圖。
在步驟S1中，屬性值獲取部111獲取海水的取水口211中的水質的屬性值、冷凝器2的出口221中的海水的水溫、以及從入口211到放水口222的海水的流下時間等。
在步驟S2中，濃度預測部112基於由屬性值獲取部111獲取的屬性值，預測海水的放水口222中的殘留氯濃度。
在步驟S3中，必要量計算部113基於由濃度預測部112預測的殘留氯濃度，計算注入到放水路22的殘留氯的中和劑的必要量。
在步驟S4中，中和劑注入部12將由必要量計算部113計算出的必要量的中和劑注入到放水路22。 [實施例的效果]
本實施例的水質管理裝置1是用於海水利用工廠100的水質管理裝置1，具備︰屬性值獲取部111，獲取在設定於海水利用工廠100的冷凝器2中流通的海水的屬性值；濃度預測部112，基於屬性值，預測將海水從冷凝器2向海放出的放水路22的放水口222中的殘留氯濃度；必要量計算部113，基於推定的殘留氯濃度，計算注入到放水路22的殘留氯的中和劑的必要量；以及中和劑注入部12，將必要量的中和劑注入到放水路22。
由此，能夠預防海水的放水口中的海水中的殘留氯濃度超過基準值。特別是在放水口222中的殘留氯濃度超過基準值之前，透過注入適當量的中和劑，能夠預防超過基準值。由此，能夠較高地配合電解氯注入濃度的基值，透過更有效地抑制成為發電障礙的附著生物、生物膜的附著，冷凝器2的熱交換效率提升，得到極大的成本削減效果。
此外，在水質管理裝置1中，上述屬性值包括冷凝器2的入口211中的海水的殘留氯濃度、冷凝器2的出口221中的海水的水溫、以及從出口221到放水口222的海水的流下時間，濃度預測部透過將上述屬性值應用於阿瑞尼斯方程式，預測放水口222中的殘留氯濃度。
由此，透過使用阿瑞尼斯方程式，能夠預防海水中的殘留氯濃度超過基準值。 [第二實施例]
以下，透過參照圖4～圖6，說明作為本發明的第二實施例的水質管理裝置1A。另外，以下為了簡化說明，主要說明水質管理裝置1A與水質管理裝置1的不同點。 [實施力的構成]
水質管理裝置1A的基本構成與圖2所示的水質管理裝置1相同。但是，水質管理裝置1A具備濃度預測部112A來代替水質管理裝置1所具備的濃度預測部112。濃度預測部112主要透過使用阿瑞尼斯方程式來預測放水口222中的殘留氯濃度，但是濃度預測部112A透過機器學習來預測放水口222中的殘留氯濃度。
圖4是濃度預測部112A的功能框圖。濃度預測部112A具備輸入數據獲取部114、標記獲取部115、學習部116和推定值生成部117。
輸入數據獲取部114從存儲部13獲取包括取水口211中的海水的殘留氯濃度、鹽分量、pH、ORP（氧化還原電位）、水溫的屬性值的歷史記錄數據作為用於機器學習的輸入數據。
標記獲取部115從存儲部13獲取放水口222中的殘留氯濃度的歷史記錄數據作為用於機器學習的標記。
學習部116透過將輸入數據和標記的組作為學習數據進行機器學習，構建推定放水口222中的殘留氯濃度的學習模型，並且將構建的學習模型存儲於存儲部13。
在此，在將輸入數據和標記的組作為學習數據時，考慮從冷凝器2的出口221到放水口222的海水的流下時間，以冷凝器入口數據與該流下時間後的放水口數據成對的模式進行加工。此外，例如，目標變量、解釋變量均可以將負值視為異常值而除去。
此外，學習部116執行的機器學習可以是隨機森林，也可以是廣義加法（GAM法）。在此，“隨機森林”是機器學習的算法之一，是將決策樹作為弱學習器，綜合根據隨機抽樣的訓練數據學習的多個弱學習器來提升泛化能力的算法。此外，“廣義加法”是指使用將廣義線性模型中的線性預測因子作為非線性函數的和的模型的算法，作為此時的非線性函數使用局部回歸函數、平滑樣條、B樣條、自然樣條等。其中，將使用平滑樣條作為非線性函數的算法稱為“GAM法”。
推定值生成部117透過學習部116構建學習模型，在構建的學習模型存儲於存儲部13之後，從存儲部13獲取學習模型，將新的屬性值應用於學習模型，由此生成放水口222中的殘留氯濃度的推定值。 [實施例的動作]
圖5是示出水質管理裝置1A的機器學習時的動作的流程圖。
在步驟S11中，輸入數據獲取部114從存儲部13獲取包括海水的殘留氯濃度、鹽分量、pH、ORP（氧化還原電位）、水溫、流量的屬性值的歷史記錄數據作為輸入數據。
在步驟S12中，標記獲取部115獲取放水口中的殘留氯濃度的歷史記錄數據作為標記。
在步驟S13中，學習部116將輸入數據和標記的組作為學習數據。
在步驟S14中，學習部116使用學習數據進行機器學習。
在步驟S15中，在機器學習結束的情況下（S15︰是），處理轉移至步驟S16。在機器學習未結束的情況下（S15︰否），處理轉移至步驟S11。
在步驟S16中，學習部116將構建的學習模型存儲於存儲部13。
圖6是示出水質管理裝置1A的中和劑注入時的動作的流程圖。
在步驟S21中，推定值生成部117從存儲部13獲取學習模型。
在步驟S22中，推定值生成部117從屬性值獲取部111獲取新的屬性值。
在步驟S23中，推定值生成部117透過將新的屬性值應用於學習模型，生成放水口222中的殘留氯濃度的推定值（預測值）。
在步驟S24中，必要量計算部113基於由濃度預測部112預測的殘留氯濃度，計算注入到放水路22的殘留氯的中和劑的必要量。
在步驟S25中，中和劑注入部12將由必要量計算部113計算出的必要量的中和劑注入到放水路22。 [實施例的效果]
在水質管理裝置1A中，濃度預測部112A具備︰輸入數據獲取部114，獲取包括取水口211中的海水的殘留氯濃度、鹽分量、pH、ORP（氧化還原電位）、水溫的屬性值的歷史記錄數據作為輸入數據；標記獲取部115，獲取放水口222中的殘留氯濃度的歷史記錄數據作為標記；學習部116，將輸入數據和標記的組作為學習數據，構建推定放水口中的所述殘留氯濃度的學習模型；以及推定值生成部117，在學習模型構建後，透過將新的屬性值應用於學習模型，生成殘留氯濃度的推定值。
由此，能夠基於更高精度的殘留氯濃度的預測值，向放水路22注入中和劑。
此外，學習部116透過隨機森林來構成學習模型。
由此，能夠進行與多個解釋變量的對應以及高速的學習，並且能夠計算解釋變量的重要度（貢獻度）。
此外，學習部116使用廣義加法來構建學習模型。
由此，透過使用複雜形式的函數，能夠說明不是單純的比例關係的情況，並且能夠保持線性模型的說明性，同時提升預測的精度。 [預測數據]
[阿瑞尼斯方程式] （1）2018年6月29日～2018年11月9日數據的分析 使用2018年6月29日～2018年11月9日的A發電廠1號機（最大輸出功率340MW）的計測數據
(1-1)與冷凝器入口濃度的關係
還已知殘留氯濃度的衰減對初始濃度的貢獻大。對於（1-1）所示的阿瑞尼斯方程式，按照發電輸出功率將冷凝器入口的殘留氯濃度分為0.05mg/L以上、0.03mg/L以上且小於0.05mg/L、小於0.03mg/L的三種情況，圖7A～圖9C示出各種情況下的阿瑞尼斯方程式。
在任何發電輸出功率的情況下，殘留氯濃度越高，決定係數也越高。最高的決定係數為發電輸出功率200MW以上、殘留氯濃度0.05mg/L以上時，決定係數為0.589。另外，在殘留氯濃度小於0.03mg/L的情況下，在任何發電輸出功率的情況下，決定係數都低於0.05。
[機器學習] 作為用於根據冷凝器入口的殘留氯濃度來預測放水口中的殘留氯濃度的方法，進行了機器學習的應用可能性的研究。
（1）使用的數據 模型構建和預測所使用的數據使用A發電廠1號機中的2018年6月29日～2019年3月31日的1分鐘值。使用的變量和數據的加工方法如下表1所示。
[表1]
目標常數 放水口 殘留氯濃度
解釋變量 冷凝器入口 殘留氯濃度、鹽分、pH、ORP、水溫、電解輸出功率
冷凝器出口水溫A、B
數據的加工方法 1. 以冷凝器入口數據與其4分鐘後的放水口數據成對的模式進行加工 2. 目標變量、解釋變量均將負值視為異常值而除去 3. 冷凝器的殘留氯濃度除去基於法拉第盒的清洗後5分鐘的數據。 4. 對於除去後的殘留氯濃度為0.1以上的數據，除去與清洗後30分鐘的移動平均值之差為正值的數據 5. 放水口的殘留氯濃度除去基於法拉第盒的清洗後10分鐘的數據 6. 使用的變量中的超過四分位範圍的1.5倍的值視為異常值而除去
（2）預測模型的結果 使用加工的數據，使用隨機森林和廣義加法模型（GAM）的兩個預測模型進行了預測。
（2-1）隨機森林的預測結果 將2018年6月29日～2019年2月28日的數據作為學習數據，進行了2019年3月1日～2019年3月31日的預測。圖10A和圖10B示出原始數據與預測結果的比較。
原始數據和預測結果表現出相同的舉動。相對於原始數據大致收斂在0.01mg/L的範圍內，但是由於誤差的分佈存在偏差，所以原始數據和預測結果的決定係數低至0.096。
（2-2）廣義加法（GAM）的預測結果 改變學習範圍和預測範圍，進行了三次預測。
[預測結果1] 與使用隨機森林的預測相同，將2018年6月29日～2019年2月28日的數據作為學習數據，進行了2019年3月1日～2019年3月31日的預測。圖11A和圖11B示出原始數據與預測結果的比較。
與隨機森林的結果相同，原始數據和預測結果表現出相同的舉動。相對於原始數據大致收斂在0.01mg/L以下的範圍內，誤差分佈的偏差也少，因此原始數據和預測結果的決定係數為0.272，比隨機森林的結果高。
[預測結果2] 與前述預測不同地改變學習期間和預測期間，將2018年6月29日～2018年10月31日以及2018年12月1日～2019年3月31日的數據作為學習數據，進行了2018年11月1日～2018年11月30日的預測。圖12A和圖12B示出原始數據與預測結果的比較。
與預測結果1相同，原始數據和預測結果表現出相同的舉動。相對於原始數據大致收斂在0.01mg/L的範圍內，原始數據和預測結果的決定係數為0.303。
[預測結果3] 將2019年2月1日～2019年2月14日的數據作為學習數據，進行了2019年2月15日～2019年2月20日的預測。圖13A和圖13B示出原始數據與預測結果的比較。
原始數據與預測結果的舉動大致一致，表現出高再現性。相對於原始數據大致收斂在0.005mg/L左右的範圍內，原始數據和預測結果的決定係數為0.505而相當高。 [總結]
在發電輸出功率為200MW以上且冷凝器入口的殘留氯濃度為0.05mg/L以上的情況下，從冷凝器入口向放水口的衰減反應能夠確認到基於阿瑞尼斯方程式的近似曲線的決定係數最高，發電輸出功率、殘留氯濃度都越低，決定係數越低的傾向。由此可以認為發電輸出功率越高、冷凝器入口濃度越高，基於艾倫尼烏斯公式的放水口濃度的預測越有效。
關於基於機器學習的放水口濃度的預測，作為透過多個模型、條件進行了驗證的結果，確認到大致具有實用性的預測精度，能夠表現出應用可能性。
水質管理裝置1或1A的管理方法透過軟體實現。在透過軟體實現的情況下，構成該軟體的程式被安裝於計算機（水質管理裝置1或1A）。此外，這些程式可以記錄於可移動介質來分發給用戶，也可以透過經由網路下載到用戶的計算機來分發。此外，這些程式也可以不下載而作為經由網路的Web服務而提供給用戶的計算機（水質管理裝置1或1A）。
1、1A:水質管理裝置 2:冷凝器 100:海水利用工廠 11:控制部 111:屬性值獲取部 112、112A:濃度預測部 113:必要量計算部 114:輸入數據獲取部 115:標記獲取部 116:學習部 117:推定值生成部 12:中和劑注入部 13:存儲部 21:取水路 211:冷凝器入口 22:放水路 221:出口 222:放水口 3A、3B:海 S1、S2、S3、S4:步驟 S11、S12、S13、S14、S15、S16:步驟 S21、S22、S23、S24、S25:步驟
圖1是本發明的一實施例的海水利用工廠的整體架構圖。 圖2是本發明的一實施例的水質管理裝置的功能框圖。 圖3是示出本發明的一實施例的水質管理裝置的動作的流程圖。 圖4是本發明的一實施例的水質管理裝置中包含的濃度預測部的功能框圖。 圖5是示出本發明的一實施例的水質管理裝置的動作的流程圖。 圖6是示出本發明的一實施例的水質管理裝置的動作的流程圖。 圖7A是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖7B是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖7C是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖8A是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖8B是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖8C是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖9A是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖9B是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖9C是示出本發明的一實施例的阿瑞尼斯方程式的圖。 圖10A是示出本發明的一實施例的基於隨機森林的原始數據與預測結果的比較的圖。 圖10B是示出本發明的一實施例的基於隨機森林的原始數據與預測結果的比較的圖。 圖11A是示出本發明的一實施例的基於廣義加法（GAM）的原始數據與預測結果的比較的圖。 圖11B是示出本發明的一實施例的基於廣義加法（GAM）的原始數據與預測結果的比較的圖。 圖12A是示出本發明的一實施例的基於廣義加法（GAM）的原始數據與預測結果的比較的圖。 圖12B是示出本發明的一實施例的基於廣義加法（GAM）的原始數據與預測結果的比較的圖。 圖13A是示出本發明的一實施例的基於廣義加法（GAM）的原始數據與預測結果的比較的圖。 圖13B是示出本發明的一實施例的基於廣義加法（GAM）的原始數據與預測結果的比較的圖。
1:水質管理裝置
11:控制部
111:屬性值獲取部
112:濃度預測部
113:必要量計算部
12:中和劑注入部
13:存儲部

Claims (7)

  1. 一種用於一海水利用工廠的水質管理裝置，包含︰ 一屬性值獲取部，獲取在設定於所述海水利用工廠的一冷凝器中流通的一海水的一屬性值； 一濃度預測部，基於所述屬性值，預測將所述海水從所述冷凝器向海放出的一放水路的一放水口中的一殘留氯濃度； 一必要量計算部，基於預測的所述殘留氯濃度，計算注入到所述放水路的殘留氯的一中和劑的一必要量；以及 一中和劑注入部，將所述必要量的所述中和劑注入到所述放水路。
  2. 根據請求項1所述的水質管理裝置，其中所述屬性值包括所述冷凝器的一取水口中的海水的一殘留氯濃度、所述冷凝器的出口中的海水的水溫、以及從所述取水口到所述放水口的海水的流下時間，所述濃度預測部透過將所述屬性值應用於阿瑞尼斯方程式，預測所述放水口中的所述殘留氯濃度。
  3. 根據請求項1所述的水質管理裝置，其中，所述濃度預測部包含︰ 一輸入數據獲取部，獲取包括所述冷凝器的入口中的海水的一殘留氯濃度、鹽分量、pH、ORP（氧化還原電位）、水溫的屬性值的歷史記錄數據作為一輸入數據； 一標記獲取部，獲取所述放水口中的所述殘留氯濃度的歷史記錄數據作為一標記； 一學習部，將所述輸入數據和所述標記的組作為一學習數據，構建推定所述放水口中的所述殘留氯濃度的一學習模型；以及 一推定值生成部，在所述學習模型構建後，透過將新的屬性值應用於所述學習模型，生成所述殘留氯濃度的一推定值。
  4. 根據請求項3所述的水質管理裝置，其中，所述學習部使用隨機森林來構建所述學習模型。
  5. 根據請求項3所述的水質管理裝置，其中，所述學習部使用廣義加法來構建所述學習模型。
  6. 一種用於一海水利用工廠的水質管理方法，包含︰ 一屬性值獲取步驟，獲取在設定於所述海水利用工廠的一冷凝器中流通的一海水的一屬性值； 一濃度預測步驟，基於所述屬性值，預測將所述海水從所述冷凝器向海放出的一放水路的一放水口中的一殘留氯濃度； 一必要量計算步驟，基於預測的所述殘留氯濃度，計算注入到所述放水路的殘留氯的一中和劑的一必要量；以及 一中和劑注入步驟，將所述必要量的所述中和劑注入到所述放水路。
  7. 一種用於一海水利用工廠的水質管理程式，用於使計算機執行︰ 一屬性值獲取步驟，獲取在設定於所述海水利用工廠的一冷凝器中流通的一海水的一屬性值； 一濃度預測步驟，基於所述屬性值，預測將所述海水從所述冷凝器向海放出的一放水路的一放水口中的一殘留氯濃度； 一必要量計算步驟，基於預測的所述殘留氯濃度，計算注入到所述放水路的殘留氯的一中和劑的一必要量；以及 一中和劑注入步驟，將所述必要量的所述中和劑注入到所述放水路。
TW111111376A 2021-03-31 2022-03-25 水質管理裝置、水質管理方法及水質管理程式 TW202242728A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/JP2021/014000 2021-03-31
PCT/JP2021/014000 WO2022208799A1 (ja) 2021-03-31 2021-03-31 水質管理装置、水質管理方法、及び水質管理プログラム

Publications (1)

Publication Number Publication Date
TW202242728A true TW202242728A (zh) 2022-11-01

Family

ID=82446216

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111111376A TW202242728A (zh) 2021-03-31 2022-03-25 水質管理裝置、水質管理方法及水質管理程式

Country Status (3)

Country Link
JP (1) JP7101912B1 (zh)
TW (1) TW202242728A (zh)
WO (1) WO2022208799A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7776703B1 (ja) * 2025-03-28 2025-11-26 中国電力株式会社 水質管理装置、水質管理方法及び水質管理プログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS54104638A (en) * 1978-02-02 1979-08-17 Mitsubishi Heavy Ind Ltd Device for removing residual chlorine from cooling water
KR100883444B1 (ko) * 2008-07-24 2009-02-17 (주) 테크윈 발라스트수 처리 장치 및 방법
JP2012106224A (ja) * 2010-10-22 2012-06-07 Panasonic Corp バラスト水の制御方法及びバラスト水処理システム
JP6250492B2 (ja) * 2014-07-24 2017-12-20 株式会社日立製作所 圧入水生産システム
JP5887647B1 (ja) * 2015-04-28 2016-03-16 三菱瓦斯化学株式会社 海水冷却水の処理方法
JP6730543B1 (ja) * 2019-09-18 2020-07-29 中国電力株式会社 塩素注入濃度管理装置、塩素注入濃度管理方法、及び塩素注入濃度管理プログラム

Also Published As

Publication number Publication date
JP7101912B1 (ja) 2022-07-15
JPWO2022208799A1 (zh) 2022-10-06
WO2022208799A1 (ja) 2022-10-06

Similar Documents

Publication Publication Date Title
Guo et al. Graph embedding‐based intelligent industrial decision for complex sewage treatment processes
Liu et al. AI models for correlation of physical properties in system of 1DMA2P‐CO2‐H2O
Shabarchin et al. Internal corrosion hazard assessment of oil & gas pipelines using Bayesian belief network model
Shafiei et al. Estimating hydrogen sulfide solubility in ionic liquids using a machine learning approach
Yoshioka et al. Robust stochastic control modeling of dam discharge to suppress overgrowth of downstream harmful algae
EP3025202B1 (en) Dynamic monitoring, diagnosis, and control of cooling tower systems
RU2011130431A (ru) Методика и система расчета скорости коррозии с использованием механических моделей
TW200921313A (en) Control system for industrial water system and method for its use
TW202242728A (zh) 水質管理裝置、水質管理方法及水質管理程式
Hofmann et al. A step-by-step procedure for pH model construction in aquatic systems
Wang et al. On-line ammonia nitrogen measurement using generalized additive model and stochastic configuration networks
CN116796212A (zh) 基于权重递增的条件扩散模型的时间序列异常检测方法及装置
Nishijima et al. State‐space modeling clarifies productivity regime shifts of Japanese flying squid
Song et al. Multi-objective optimal reservoir operation considering algal bloom control in reservoirs
Bohane et al. Machine learning-based predictive approach for pitting and uniform corrosion in geothermal energy systems
Tao et al. A probabilistic modeling framework for assessing the impacts of large reservoirs on river thermal regimes–A case of the Yangtze River
CN117912576A (zh) 一种基于溶解氧平衡模型的河道自净能力评估方法及系统
Wu et al. A comparison of two data analysis techniques and their applications for modeling the carbon dioxide capture process
Baumann et al. Data-driven control-oriented reduced order modeling for open channel flows
Doyen On the Brown–Proschan model when repair effects are unknown
TWI839572B (zh) 氯注入濃度管理裝置、氯注入濃度管理方法、及氯注入濃度管理程式
Varziri et al. Parameter and state estimation in nonlinear stochastic continuous‐time dynamic models with unknown disturbance intensity
KR102013182B1 (ko) 잠수함 열교환기 성능 저하 예측 시뮬레이션 장치 및 방법
Bărbulescu et al. Time series modeling using an adaptive gene expression programming algorithm
Anderko et al. A Model for Calculating Rates of General Corrosion of Carbon Steel and 13% Cr Stainless Steel in CO2/H2S Environments