水厂混凝剂投加量建模研究

通过对某水厂投药量控制以及生产数据的分析和处理,采用机理法及差分进化参数辨识法建立了混凝剂投加量的2种数学模型,并进行了检验和对比。结果表明,2种模型在低原水浊度区都较为准确可靠;在中原水浊度区,线性模型准确性优于指数模型;在高原水浊度区,指数模型准确性优于线性模型。生产过程中可将2种模型结合起来,根据原水浊度的不同分别采用不同的模型预测。将该预测值作为操作工人操作的参考值,解决了在不同操作工操作情况下混凝剂的准确投加问题,为水厂的优化运行提供了良好基础。

不同种类原水混凝剂投加量分析

通过分析不同原水水质、出厂水水质及混凝剂投加情况,得出三者问的关系,为今后更好地做好给水处理工作提供帮助。选取不同原水时混凝剂的投加情况为研究对象,包括聚硫氯化铝、硫酸铝,对混凝剂投加量进行调查。采用混合原水时,聚硫氯化铝投加量略高于采用陈行原水时的投加量。作为混凝剂,聚硫氯化铝混凝效果优于硫酸铝,但硫酸铝能够有效控制出厂水铝含量。

矿井水混凝剂投加自动控制系统的应用

介绍了透光率脉动混凝投药控制系统在山东兖矿集团某煤矿矿井水处理厂的应用情况 ,并通过实际的水质、水量等的改变对该控制系统的动态性能进行评价。

优化RBF神经网络控制水厂混凝剂投加的研究

净水厂混凝剂投加受多重进水因素影响,且变化规律呈现高度的非线性模式,难以控制,采用PSO(粒子群算法)对RBF(径向基神经网络)进行优化,建立误差反向传播的非线性高维映射水厂投药量动态模型。相较于单一RBF模型,优化后的RBF模型平均相对误差降低了3.05%、最大相对误差降低了0.1986,迭代收敛速度快,对不同的水厂也具有良好的适应性。

给水厂中混凝剂投加自动控制技术研究

从控制理论的角度，将给水厂中混凝剂自动投加系统进行了分类，并且分析了各类型系统的优缺点，指出了混凝控制技术的发展方向。

基于机器视觉的混凝剂投加控制系统研究

混凝剂的投加是水处理过程中的重要环节,混凝剂的投加量直接影响到水处理的结果。在总结和分析了现有的混凝剂投加控制方法的基础上,通过水下拍摄及对采得的图像进行处理,得到絮体的"等效粒径"和絮体颗粒的沉降速度,以絮体的沉降速度和等效粒径为控制参数,实现了混凝剂加注量的闭环控制。

PLC在混凝剂投加控制系统中的应用

简要介绍了PLC在自来水厂加药自动控制系统中的应用。通过采用复杂控制规律，实现了系统控制稳、快、准的特点。

矿井水净化处理混凝剂投加量智能控制的关键技术有哪些?

(1)优化前端的预沉淀工艺,通过一级或多级沉淀的方式去除矿井水中的大颗粒悬浮污物,使进入混凝沉淀(澄清)单元的水质波动幅度变小,控制在正常值±50%范围内,为降低后续的药耗奠定基础;(2)混凝反应效果在线检测分析设备的应用,包括反应区图像识别分析,反应后矾花的粒径分析等,用于混凝剂投加量的实时调整。

最佳混凝剂投量的BP神经网络预测研究

给水厂混凝剂投量通常是依据试验结果及操作者的经验来确定,而要科学合理地确定混凝剂投量必须掌握源水水质的变化规律,并在此基础上对未来源水水质的变化进行合理预测.本文通过对影响混凝效果因素的分析,建立了混凝剂投量的BP神经网络预测模型,并以某水厂的实测数据对模型进行了验证.利用该模型可实现混凝剂投量的在线预测控制,从而达到混凝剂优化投加的目的.

净水厂自动投加混凝剂的工艺模式

投加混凝剂是地面净水厂不可缺少的工艺。投加混凝剂方式有手动和自动之分。本文所谈的自动投加混凝剂是根据原水水质和水量变化,自动调节混凝剂(如硫酸铝、聚合氯化铝等)的加注量,达到控制沉淀水浊度的自动化,但其中不包括混凝剂的配制、输送、储存过程的自动化。自动投加混凝剂内容很广。

改进GA-RBF神经网络的水厂混凝投药预测

为了提高水厂混凝剂投加量预测准确性,针对投药系统易受多种水质因素影响,且投药后净水过程存在高度非线性的特点,通过改进遗传算法(GA)优化径向基函数神经网络(也称为RBF神经网络)的权值ω_i和高斯基函数中心宽度向量σ_i,构建GA-RBF神经网络净水厂投药量预测模型。Matlab仿真结果表明,GA-RBF神经网络预测模型可通过实现全局逼近来回避极值陷阱,提高了稳定性和全局寻优能力,相较于单一RBF神经网络预测模型,GA-RBF神经网络预测模型的拟合优度提高5.474%,平均绝对误差降低了4.14%,根均方误差降低3.392%,迭代速度和预测精度都有所提高,数据拟合能力更强。

净水厂最佳投药量的神经网络控制系统

混凝剂的投加是净水厂水处理工艺的重要环节 ,本文通过对目前水厂实际运行过程中混凝剂投加量的影响因素的分析 ,利用神经网络预测理论 ,建立了净水厂混凝剂投加量的预测模型 ,并利用该模型对某水厂的实际运行情况进行了预测 ,对网络预测模型的性能进行了验证。结果表明 ,该模型具有很强的自学习性、自适应性和容错性 ,依靠网络的在线自学习 。

基于BP神经网络和机理法的水厂投药建模研究

通过分析某水厂现有的投药控制,基于机理法及神经网络建模法建立了混凝剂投加量的2种数学模型,并对2种模型进行了检验和比较。结果表明:2种模型都较为准确有效,但机理建模能较直观清晰地反映具体的数学解析式以及变量之间的关系,为该项目的整体优化提供条件;而神经网络建模精度则相对较高,能对水厂投药量作出及时准确预测,为操作工人提供操作指导。实际生产中可根据需要将2种模型结合运用,具有较好的实际意义。

湖库型水源水厂投药控制系统建模与实例研究

混凝是净水工艺中重要的水处理单元,准确投加所需要的混凝剂量是获得较好混凝效果及影响水厂运行管理费用的关键。本文针对我国湖库型水源特点,以云南省某县水厂混凝剂投加系统为研究对象,对该水厂在2008年6月至2011年6月三年内的流量、进出水浊度和混凝剂投加量等运行数据进行统计分析,结果表明混凝剂投加量与进水流量呈线性正相关关系,而与进水浊度为非线性相关关系,并建立了非线性自动投药系统数学模型:M=K(7×10-6T3-2.6×10-3T2+0.3255T+5.2221),对该模型进行检验分析,得到相关系数R2=0.9816。把该模型用于水厂混凝剂自动投加控制系统,并与经验控制法对比,结果表明:数学模型法自动投药控制系统可提高水处理效果,并明显节约投药量,具有较好的经济效益,适合于湖库型水源水厂混凝剂的自动投加控制。同时,本文对数学模型法自动投药控制系统在湖库型水源水厂的推广应用提出了建议。

自来水厂的投药控制现状与进展

混凝剂投加是自来水生产过程中净水处理的重要环节。准确地投加混凝剂可有效地减轻过滤、消毒设备负担。近年来，此问题受到控制与制水领域科技工作者的高度关注。人工智能在理论和应用上的发展，使其用于混凝剂投加的控制过程。主要有基于神经网络、模糊逻辑、专家系统等控制或将几种方法融合的集成智能控制方法。同时，随着水处理理论和技术的发展，出现了基于流动电流和透光率脉动的单因子控制方法。本文将分别对基于人工智能和单因子的投药控制系统进行论述。

基于RBF网络模型的混凝投药智能决策支持系统

介绍了基于径向基函数网络模型的混凝投药智能决策支持系统的机构、功能及其核心系统:径向基函数网络模型子系统和专家子系统的原理和实现方法。在实际水厂中的运行结果表明:与传统的SCD系统相比,该智能决策支持系统能实时确定混凝剂投加量,且沉淀池出水水质较好。

基于神经网络的水处理投药系统自动控制研究

目前我国地表水处理厂药剂投加自动控制系统现有的集散控制系统仅可以根据程序完成逻辑顺序控制,不具有分析非线性系统输入输出关系的智能化能力。将神经网络嵌入集散系统,用于药剂投加量、水处理效果预测,不但可以提高系统数据分析处理能力,实现智能药剂投加量控制,而且还可以结合PLC完成对系统设备的优化控制。

城市污水处理厂化学强化生物除磷的试验研究

为有效解决北京某城市污水处理厂出水总磷含量较高的实际问题,通过在生物处理工艺(A2O)后端添加化学除磷强化单元的方法,依次开展了实验室试验和现场的生产性试验.实验室试验以好氧池出水为试验用水,对不同浓度梯度的聚合氯化铝(PAC)、聚合硫酸铁(PFS)、三氯化铁(Fe Cl3)等除磷效果进行了对比研究,并分别对其除磷机理进行了深入的探讨.试验结果表明:3种药剂中,PAC除磷效果最好,当其投加量为60mg/L,投加系数β为4.15时,出水总磷含量可小于0.5mg/L,而且药剂投加成本较低,仅为0.078元/t.现场生产性试验选取好氧池出水端为药剂投加点,对PAC的除磷效果进行现场验证.经试验测定,当PAC投加量为60mg/L,投加系数β为4.22时,污水处理厂出水总磷含量远低于0.5mg/L,符合排放要求.考虑到进水量和负荷的波动,在保证出水达标排放的前提下,为保证药剂的有效利用,通过采取针对性措施提高前端生物除磷效率及反馈投加药剂的方法,以有效减少药剂的投加量及化学污泥的排放量,达到节能减排的目的.

石灰软化-絮凝法处理地下水硬度的试验研究

采用石灰软化-絮凝法处理华南地区某水厂地下水硬度.在实验室进行静态烧杯试验研究,考察石灰投加量、混凝剂投加量、沉淀时间和过滤条件对试验效果的影响.试验结果表明,石灰投加量为180～240 mg/L,PAC投加量为15～30 mg/L,沉淀时间小于30 min,滤料粒径为0.5 mm、滤速为10m/h时处理效果最佳.

水中胶粒Zeta电位及影响混凝效果的研究

应用ＤＸＤＩ电视显微电泳仪，测定了水厂净水工艺中的原水及投加混凝剂后，水中胶体颗粒ξ电位值－ 通过研究胶体颗粒ξ电位与混凝剂投加量的关系。