宜兴诺庞环保有限公司

您现在的位置:首页 > 新闻资讯
深度学习应用--曝气系统设计
 点击数:2900次 添加时间:2020-7-13 [打印] [关闭] [收藏]

  随着科技不断的进步,AI已经应用到各个领域,深度学习更是打破了很多传统的计算流程,使得结果更加精准并且容易的获得。然而深度学习模型是建立在有大量数据集的前提下,才能训练出来的,套用到曝气器设计领域,我们必须要足够多成功运行的污水处理厂曝气器设计时候的数据。这些数据包括有日处理量,进水BODCOD,出水BODCOD等等,后面会具体详细说明这个模型。

  传统曝气系统的设计由设计院或者曝气生产厂家根据客户提供的数据,来计算曝气头的用量,并且根据经验得出使用曝气器的规格和型号。举个例子,设计人员可以从日处理量,气水比计算出实际需氧量,也可以从BODCOD进出水的差值来计算实际需氧量,等等方法。每个计算的结果肯定会有偏差,然后经过复杂的计算后最终得出生化池中的实际需氧量。如果要考虑多方面的因素,计算往往是复杂的,但是也是最接近事实的数据,当然有些时候考虑少一点因素,计算就会比较简单,但是往往计算出来的数据也会偏离的比较远。

  文章开始提过,大量的数据才是好的训练模型的关键。我司拥有30多年污水处理厂成功运行的经验,已经收集了大量的成功运行污水处理厂的数据。这个数据就可以帮助我们训练出好的模型来帮助我们计算出污水厂需要曝气器的数量。模型如下图所示:


  以上图示模型是可以直接使用的模型流程,训练模型这里不做说明。

  因为我司有上万个污水处理厂成功运行的经验数据,所以深度学习训练出来的模型是非常健壮的。模型在送入新的数据时候,它等于会考虑以前所有污水处理厂的情况,当然,肯定会有一些训练的数据会偏离实际,但是我在训练模型的时候使用了一些方法,防止过度拟合,也就是强制让模型舍去偏离很严重的数据。我们已经把此种计算方法使用在了很多污水处理厂的设计中,效果也非常的好。

  深度学习还在不断的发展,以后会越来越强大,相信在不久的将来图纸的设计以及绘制以后也都可以交给AI

苏ICP备2022046235号