利用CFD做数据预处理的水处理过程机器学习建模方法技术

本发明专利技术公开了一种利用CFD做数据预处理的水处理过程机器学习建模方法，包括数据采集步骤通过采集系统获得水处理过程的历史数据；数据预处理步骤包括根据工艺原理，确定不同水处理工艺单元机器学习模型对应的历史数据中的输入数据与历史输出数据，再通过CFD模型计算模块计算该工艺单元的流动和输运过程的水力停留时间，确定历史数据的时序性对应关系；模型训练步骤包括通过机器学习模型算法模块对时序性对应关系的历史数据进行机器学习，训练机器学习模型。本发明专利技术的方法采用CFD精确计算水处理流动过程中各数据之间的时序对应关系，解决了水厂机器学习建模中数据可用性差的问题，提高了各工艺单元机器学习模型的预测精度。度。度。

【技术实现步骤摘要】
利用CFD做数据预处理的水处理过程机器学习建模方法


[0001]本专利技术属于水处理过程数据模型领域，尤其涉及一种利用CFD做数据预处理的水处理过程机器学习建模方法。

技术介绍

[0002]可靠准确的数据是建立水处理过程机器学习模型的基础。虽然大部分的水厂都完成了自动化升级和改造，实现了水处理各环节数据的采集与自动控制。但现有水平获得的水厂数据可用性较差，导致水厂该数据在机器学习模型建模和大数据分析应用的效果不佳。
[0003]数据可用性差的一个重要原因是不能确定数据之间的时序性对应关系。以污水加药环节为例，药剂投加是一个流动和反应耦合的过程，加药前后数据之间的对应关系与反应和输运的水力停留时间密切相关。然而，自动化系统采集的数据，无法准确判断数据的时序性对应关系，只能依靠流量与池容的关系进行估算。这是制约药剂投加机器学习模型准确性和可靠性的关键。
[0004]因为水处理本身是一个流体流动、生化反应与传热传质耦合过程，因此利用计算流体力学(CFD)模型，可以准确的计算当前输入条件下输出结果的停留时间。因此，将CFD模型作为数据预处理，以解决水厂机器学习模型建模中数据可用性差的问题，提高各工艺单元机器学习模型的预测精度。

技术实现思路

[0005]鉴于此，本专利技术的目的是提出一种基于CFD水力停留时间计算和机器学习的药剂智能投加方法，以解决上述药剂智能投加方法中存在的问题。具体方案如下：
[0006]一种利用CFD做数据预处理的水处理过程机器学习建模方法，包括：
[0007]数据采集步骤：通过数据采集系统获得水处理过程的历史数据；
[0008]数据预处理步骤：根据工艺原理，确定水处理过程的不同工艺单元的机器学习模型对应的历史输入数据与历史输出数据，历史输入数据与历史输出数据统称历史数据；将所述历史数据传输给CFD模型的CFD模型计算模块，计算不同工艺单元的流动和输运过程的水力停留时间，通过水力停留时间确定历史输入数据和历史输出数据的时序性对应关系；
[0009]模型训练步骤：将确定时序对应关系的历史数据传输给机器学习模型算法模块，对该历史数据进行机器学习，训练机器学习模型。
[0010]进一步地，数据采集系统采集PLC控制系统、上位机、在线仪器仪表或其他数据库中的数据。
[0011]进一步地，水处理过程的历史数据包括水质检测数据、水流信息数据和能耗信息数据；
[0012]水质检测数据包括悬浮物浊度(SS浊度)、PH值、溶解氧、电导率、总磷浓度、总氮浓度、氨氮浓度、化学需氧量(COD)、生化需氧量(BOD)、污泥浓度、水温和正磷酸盐浓度等；水
流信息数据包括进水量、出水量、外回流流量、内回流流量和药剂投加量等；能耗信息数据包括鼓风机的类型、运行功率、频率和压力等；
[0013]记录采集到的历史数据，并将所述历史数据存入原始数据库。
[0014]进一步地，水处理工艺单元包括但不限于除磷药剂投加过程、消毒药剂投加过程、碳源投加过程、爆气过程、膜过滤过程和消毒过程等。
[0015]进一步地，CFD模型包括水处理过程的不同工艺单元，计算域与不同水处理单元的几何结构和尺寸相同；
[0016]该CFD模型全面考虑单元内水处理过程的流动、传热、传质、反应和颗粒动力学等因素；通过调用原始数据库中的输入数据作为CFD模型的边界条件，并求解质量守恒、动量守恒、能量守恒、组分输运、反应动力学方程和群平衡方程等，最后精确计算得到不同水处理工艺单元的流动和组分输运的水力停留时间；根据水力停留时间，在原始数据库中寻找输入数据对应的输出数据，将确定了时序性对应关系的一组历史输入数据与历史输出数据存入模型训练数据库；依此类推，根据上述方法对数据采集系统得到的所有历史数据都进行CFD水力停留时间计算，构建模型训练数据库。
[0017]进一步地，机器学习模型算法模块调用模型训练数据库中的历史数据，将所述历史数据作为机器学习模型的输入值和输出值进行训练，以提高机器学习模型建模的精度。
[0018]进一步地，所述机器学习的方法包括回归模型、k近邻模型、决策树模型、感知机模型、神经网络模型、支持向量机模型、Boosting模型、随机森林模型、聚类算法与kmeans、主成分分析、奇异值分解、最大信息熵、朴素贝叶斯、贝叶斯网络、EM算法、隐马尔可夫模型、条件随机场和马尔可夫链蒙特卡洛方法、中的一个或多个；
[0019]所述回归模型包括线性回归、逻辑回归、Lasso回归、Ridge回归和LDA回归；
[0020]所述Boosting模型包括AdaBoost模型、GBDT模型、XGBoost模型、LightGBM模型和CatBoost模型。
[0021]与现有技术相比，本申请具有如下有益效果：
[0022]本专利技术的方法，通过建立全面考虑水处理过程中的流动、传热、传质、反应和颗粒动力学的CFD模型，精确计算得到流动和组分输运的水力停留时间，确定输入数据与输出数据的时序对应关系，解决了现有机器学习模型构建中数据可用性差的问题，有利于水处理过程大数据分析的有效应用，不仅提高水处理精度和效果，也大大提高了水处理的效率。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，图中相同的标记表示相同的部件，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本专利技术的主旨。
[0024]图1是本专利技术实施例的利用CFD做数据预处理的水处理过程机器学习建模方法的流程示意图；
[0025]图2是本实施例的除磷加药反应池内流线和停留时间示意图；
[0026]图3是本实施例的除磷加药反应池内组分浓度分布示意图；
[0027]图4是本实施例的除磷加药反应池内絮体粒径分布示意图；
[0028]图5是本实施例的机器学习模型的在线预测最佳药剂投加量流程示意图。
具体实施方式
[0029]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0030]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施例对本专利技术作进一步的详细说明。
[0031]实施例
[0032]如图1是本专利技术实施例的利用CFD做数据预处理的水处理过程机器学习建模方法的流程示意图。以除磷药剂投加为例，该方法包括以下步骤：
[0033]1、通过数据采集系统获得药剂投加过程的输入数据和输出数据；其中，输入数据包括历史输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用CFD做数据预处理的水处理过程机器学习建模方法，其特征在于，包括：数据采集：通过数据采集系统获得水处理过程的历史数据；数据预处理：根据工艺原理，确定水处理过程的不同水处理工艺单元的机器学习模型对应的历史输入数据和历史输出数据；将历史输入数据和历史输出数据传输给CFD模型中的CFD模型计算模块，CFD模型计算模块计算不同水处理工艺单元的流动和输运过程的水力停留时间，通过水力停留时间确定历史输入数据和历史输出数据的时序性对应关系，历史输入数据和历史输出数据统称历史数据；模型训练：将确定时序对应关系的历史数据传输给机器学习模型中的机器学习模型算法模块，对该历史数据进行机器学习，训练机器学习模型。2.根据权利要求1所述的利用CFD做数据预处理的水处理过程机器学习建模方法，其特征在于：数据采集系统采集PLC控制系统、上位机或在线仪器仪表中的数据。3.根据权利要求1所述的利用CFD做数据预处理的水处理过程机器学习建模方法，其特征在于，水处理过程的历史数据包括不同水处理工艺单元中的水质检测数据、水流信息数据和能耗信息数据；水质检测数据包括悬浮物浊度、PH值、溶解氧、电导率、总磷浓度、总氮浓度、氨氮浓度、化学需氧量、生化需氧量、污泥浓度、水温和正磷酸盐浓度；水流信息数据包括进水量、出水量、外回流流量、内回流流量和药剂投加量；能耗信息数据包括鼓风机的类型、运行功率、频率和压力；记录采集到的历史数据，并将所述历史数据存入原始数据库。4.根据权利要求3所述的利用CFD做数据预处理的水处理过程机器学习建模方法，其特征在于，水处理工艺单元包括除磷药剂投加过程、消毒药剂投加过程、碳源投加过程、爆气过程、膜过滤过程和消毒过程。5.根据权利要求4所述的利用CFD做数据预处理的水处...

【专利技术属性】
技术研发人员：詹敏述，陆永杰，程国坚，袁芳，徐伟，宗杰，黄鑫，彭高洁，章春花，
申请(专利权)人：中环保水务投资有限公司中节能工程技术研究院有限公司，
类型：发明
国别省市：