基于DA-CNN-BiLSTM的河流溶解氧浓度预测

溶解氧是衡量水质的重要指标,对溶解氧浓度的准确预测,可以为水环境管理和水污染防治工作提供科学依据。考虑溶解氧受外界多种复杂因素影响,数据具有强烈的非线性和非平稳性特征,提出了DA-CNN-BiLSTM溶解氧浓度预测模型,其中CNN层用于提取数据局部特征,空间注意力机制关注对预测结果具有更高影响的特征,BiLSTM挖掘输入序列的前向和后向邻域信息,时间注意力机制捕捉不同时刻的时间依赖性。将模型应用于福建闽江3个水质监测站的溶解氧浓度预测中,通过与基线模型的对比表明:相较于基线模型,DA-CNN-BiLSTM模型对DO浓度具有更好的预测效果,模型的预测值更接近于实测值,溶解氧浓度预测性能最优;加入空间注意力机制后,模型的预测性能得到提升。

乡镇生活污水溶解氧浓度模糊神经网络PID控制系统研究

在乡镇生活污水处理的好氧阶段,溶解氧浓度控制是非常重要的过程,具有滞后性和多干扰等特点,传统控制策略因控制精度较低和自适应能力差而难以满足要求。设计了基于模糊神经网络PID算法的溶解氧浓度控制方案,并在MATLAB中进行仿真。仿真结果表明,该控制方案具有响应速度快、超调量小和抗干扰能力强等优点。

数据驱动的溶解氧浓度在线自组织控制方法

针对城市污水处理过程的非线性、不确定性以及非高斯等特点,提出一种数据驱动的溶解氧(Dissolved oxygen,DO)浓度在线自组织控制方法.首先,设计一种基于相关熵的自组织模糊神经网络控制器(Correntropy-based self-organizing fuzzy neural network,CSOFNN),采用相关熵与规则贡献度指标实现控制器结构与参数的自动构建或修剪.其次,设计基于相关熵诱导准则的补偿控制器及参数自适应律,充分利用相关熵抑制非高斯噪声的能力,能够有效地降低系统中的不确定性.然后,分析所提出的控制方法的稳定性,从而保证其在实际应用中的可靠性.最后,基于基准仿真1号模型(Benchmark simulation model No.1,BSM1)的实验验证了所提方法的有效性.

烟台-威海北部海洋牧场底层溶解氧浓度的季节变化研究

基于2021年4~12月山东半岛烟台-威海北部海洋牧场区域4处连续观测站的长期观测数据,研究了该海域底层溶解氧(dissolved oxygen,DO)浓度的季节变化特征,并探讨了物理机制。该海域底层DO从春季到夏季逐渐降低,而从夏季到秋季逐渐升高,主要受温度控制;各观测站DO均在8月达到最低值,受垂向层结增强和底层生物化学耗氧增多的共同影响。底层DO浓度在东西方向差异较小,而在南北方向上差异明显;在春季和秋季DO浓度南高北低,是由于层结较弱,海水垂向混合向底层提供DO,且南边水深更浅,DO更容易达到饱和或过饱和状态,而水深更深处DO仍处于不饱和状态;夏季DO浓度南边大于北边是季节性层结强度的空间差异所致,同时南边底层DO浓度下降更快,使其南北差异在夏季有所减小。在11月中旬,近岸3个观测站底层DO快速增多,可能是由于此前的大风过程引起浮游植物繁殖,晴朗天气促进其光合作用使海水中DO增多,之后海水层结消失,海水充分垂向混合使丰富的DO到达底层。

溶解氧浓度改进差分进化BP模糊神经网络控制的方法研究

针对溶解氧浓度控制精度要求高,活性污泥法污水处理过程中进水流量波动大、水质变化大,以及非线性、强耦合、大滞后等特点,文章提出一种用于控制可变参数溶解氧浓度的基于改进差分BP模糊神经网络控制的方法。模糊神经网络参数的离线优化可以通过改进差分法进行优化,在神经网络的在线调整中提供最优或更优的参数值。在ASM简化模型上进行仿真,结果表明,该控制方法可以准确、迅速地满足溶解氧浓度的控制要求。

基于专家前馈-模糊PID反馈的溶解氧浓度控制方案研究

在制浆造纸废水处理的好氧工段,溶解氧浓度是重要的被控变量,其控制过程是一个大滞后、多变量、非线性、多干扰的过程。本研究提出了用专家前馈控制器和模糊PID反馈控制器组成前馈-反馈控制系统来控制曝气池中的溶解氧浓度。MATLAB仿真和实际控制数据表明,基于专家前馈-模糊PID反馈的溶解氧浓度控制方案的控制效果好,超调小,响应速度快。

基于SOTSFNN的溶解氧浓度控制方法

针对污水处理过程溶解氧浓度难以控制的问题,提出了一种基于自组织T-S模糊神经网络的控制方法。其实质是采用模糊规则层激活强度的方法,根据实际环境自适应的对神经元进行调整,构造合适的控制结构,从而提高控制精度。同时采用梯度下降法对控制器的各个参数进行实时调整。该控制器运用在污水处理基准仿真模型中进行实验,结果表明,提出的SO-TSFNN控制方法能够较好地实现对溶解氧浓度的控制,具有较好的自适应性。

基于复合抗扰的溶解氧浓度控制

污水处理中,出水水质受进水流量、组分以及浓度波动等因素影响.要保证处理效果,溶解氧浓度控制应有较强的鲁棒性.简单闭环控制的能耗及出水水质波动大.为此,本文以污水处理过程1号基准仿真模型模拟污水生化处理过程,提出基于扩张状态观测器和滑模控制的复合抗扰控制方法,以降低对模型信息的依赖,保证溶解氧浓度控制效果.数值仿真结果显示,复合抗扰控制能够以较小的能耗获得期望的调控效果.这表明,复合抗扰控制具有很好的适应性,能够满足调控要求,是一种具有较强实用性的污水处理溶解氧浓度控制方法.

控制低溶解氧浓度实现生活污水短程硝化研究

以SBR工艺处理低C/N生活污水 ,研究了溶解氧浓度 (DO)对硝化过程中亚硝酸氮积累的影响 .在 2 0～ 2 5℃ ,进水氨氮为 78～ 10 8mg/L时 ,当DO <1.0mg/L ,出现亚硝酸氮的累积 .当DO在 0 .5～ 0 .7mg/L时 ,曝气时间 6h ,亚硝化率可达到 80 %以上 ,氨氮去除率在 95 %以上 .与其他 5个溶解氧浓度水平相比 ,该条件下是既达到较高亚硝化率 。

三峡工程坝身泄流下游水体溶解氧浓度数值模拟

三峡工程坝身泄流与下游水体强烈碰撞,产生大量气泡,当气泡渗透进入水体一定深处时,气泡界面与水体之间的质量交换极易导致水体溶解气体浓度超饱和,可导致鱼类气泡病。该文应用气泡界面传质理论建立了掺气水流的溶解氧浓度对流扩散方程,与气液两相流混合模型相耦合,模拟计算了三峡大坝在库水位为139m情况下溶解氧浓度变化情况,成功地与现场观测数据进行了验证,完善了气泡界面传质系数公式。对关键因子进行敏感分析,表明气含率、紊动强度、下游水深是决定溶解氧浓度的关键因素。

几种溶解氧浓度控制方法的比较

以溶解氧浓度(DO)为控制对象,研究了开关控制、PID控制、模糊控制和增益调度控制等多种控制方法,并进行了运行费用(控制输入)和浓度波动等方面的比较。仿真结果表明,增益调度方法是一种比较优越的控制策略。

控制溶解氧浓度对里氏木霉产纤维素酶的促进作用

通过调节通风量控制溶解氧浓度研究其对里氏木霉产纤维素酶的促进作用。结果表明：当通风量固定为25L／（h·L）时，反应22～40h期间溶解氧浓度过低，0—15h和45h以后溶解氧浓度偏高，45～80h期间气体中CO2含量在0．8％以上，不利于菌丝的生长。调节通风量控制溶解氧浓度，可有效地提高里氏木霉合成纤维素酶的能力，并显著地缩短产酶时间。当溶解氧为20％～30％时，气体中CO2含量降到0．4％左右，菌丝生长代谢快，滤纸酶活从固定通风量时的2．75U／mL增加到3．54U／mL，提高28．7％，产酶酶活最高的时间也从84h缩短到72h。

人工肝生物反应器中溶解氧浓度动态分布的模型与数值分析

研究了人工肝生物反应器的结构特点,并在对反应器内部液体流动与气液传质规律进行分析的基础上,结合反应器的实际需要,建立了基于一维轴向扩散模型的人工肝专用生物反应器溶解氧浓度动态分布的数学机理模型.利用有限差分方法对模型离散化求解,得到了流动速度、氧传质系数及细胞耗氧速率对反应器内部溶解氧浓度分布的影响规律.通过对模型数值解的分析得到了特定条件下反应器内的优化参数为液体流速0.55mm/s,传质系数0.31s-1,扩散系数0.02mm2/s.最后,通过仿真数据与实测实验的对比验证了该模型的正确性,其平均误差在±5%以内.本模型的建立在理论上验证了该专用生物反应器可以提供稳定且均匀的溶解氧浓度分布,同时也为下一代新型反应器的优化设计提供了参考数据和理论依据.

圆柱状人工肝生物反应器中溶解氧浓度动态分布模型及其氧浓度变化速率

从人工肝治疗的需要出发,建立了圆柱状专用生物反应器中溶解氧浓度动态分布的数学机理模型,并分析了反应器内部实时氧浓度变化速率,设计出了溶氧变化的在线检测方法,结合模型推导出反应器内部总氧浓度变化量与实时氧浓度变化速率之间的关系.通过仿真数据与实测实验的对比验证了该模型的正确性,其平均误差在±5%以内,氧浓度变化速率误差在±1%以内,验证了总氧浓度变化量δDO与实时氧浓度变化速率R之间满足δDO=MNΔhR/V.

活性污泥法优化控制──溶解氧浓度对运行费用的影响

在现有的关于活性污泥法最优控制研究的基础上， 以溶解氧浓度为控制变量，以出水水质为约束条件，以运行费用为性能指标，对多变量最优控制问题进行了探讨。建立了最优控制所必要的基本状态方程与性能指标的泛函表达式，通过计算研究了在满足同一出水质量前提下控制不同的溶解氧浓度时所需要的运行费用。运算结果表明，溶解氧浓度为１．２ｍｇ／Ｌ时所需运行费用最少，这与传统观点的活性污泥法应当维持溶解氧浓度大于２．０ｍｇ／Ｌ相比相差较大，说明将最优控制引入水处理工程，将产生很大的经济效益。

以ANFIS模型实时预测曝气池溶解氧浓度

要对曝气量进行有效控制,应首先对曝气池内溶解氧(DO)浓度进行准确的实时预测。用EFOR软件对污水处理过程进行模拟,得到的数据作为自适应神经模糊推理系统(Adaptive Neural Network Based Fuzzy Inferential System,ANFIS)模型的训练样本,通过建立ANFIS模型实现对曝气池DO的实时预测。结果表明,ANFIS模型可以准确预测一直处于好氧状态的曝气池中DO的浓度,预测误差在0.14mg/L以下,但对处于好氧和缺氧交替状态的曝气池DO浓度的预测,则误差较大。

基于DE-BP算法的模糊神经网络控制器及其在污水处理溶解氧浓度控制上的应用

针对污水处理过程这一多变量、强耦合的复杂非线性系统,提出了一种基于差分进化算法的模糊神经网络控制方法,并应用于污水处理过程溶解氧浓度的控制。首先利用差分进化(DE)结合BP的混合算法对给定的模糊神经网络控制器结构参数进行离线优化,然后利用BP算法较强的局部搜索能力,对参数进一步在线调整。将所提出的控制器用于污水处理BSM1仿真平台的溶解氧浓度控制,控制性能优于常规的模糊控制器,仿真结果表明了该控制策略的有效性。

曝气池溶解氧浓度控制与节能

本文通过对曝气池需氧量及其分布规律的探讨,运用传氧理论提出了分段控制曝气池溶解氧浓度的设计概念。若将这一设计概念运用于工程实践,较之于常规的设计方法,可以使曝气系统的能耗和设备能力节约15％左右。

基于AIA-TSFNN的溶解氧浓度控制方法

针对污水处理过程中溶解氧(DO)浓度的控制具有时变、非线性以及设定值难以跟踪的问题,提出了一种基于人工免疫算法的TS模糊神经网络(AIA-TSFNN)控制方法.首先利用TS模糊神经网络的自学习能力设计了控制器;然后采用人工免疫算法作为TS模糊神经网络的学习方法,对网络的中心值、宽度值以及连接权值进行在线优化,以保证控制器的收敛性,提高控制精度;最后在国际基准仿真平台BSM1上进行实验验证,仿真结果表明,所提方法具有较好的自适应性和鲁棒性,提高了溶解氧的跟踪控制性能.

基于GF-LSTM和GAN网络的小样本集人工水体溶解氧浓度预测

采用推流方式改善人工水体溶解氧分布不均衡以防止富营养化时,需要对其分布进行预测来提高推流效率,为此构建了基于生成式对抗网络(GAN,Generative Adversarial Networks)和长短期记忆神经网络(LSTM,Long-Short Term Memory Network)的溶解氧浓度预测模型。以广西大学镜湖35 m2的一片水体区域为研究对象,采用不同电压直流水泵推流,用无人船搭载在线检测仪在一段时间内定时定点采集水体溶解氧浓度数据作为原始数据样本,并采用GAN扩充数据样本。利用遗传算法和改进的一阶滤波算法进行溶解氧的噪声数据处理,结合LSTM网络构建溶解氧浓度预测模型GF-LSTM(Genetic And Filtering Algorithm-Long Short Term Memory Network)。结果表明:相比常用的BP网络,GF-LSTM网络预测的平均误差降低了62%,均方误差降低了75%;相比传统的LSTM网络,GF-LSTM网络预测的平均误差降低了22%,均方误差降低了50%。