一种基于CFD数值模拟和机器学习的智能加药系统和方法

摘要

本发明公开了一种基于CFD数值模拟和机器学习的智能加药系统和方法，该系统包括运算分析模块、优化控制模块和反应沉淀池，运算分析模块包括历史运行数据库、CFD模拟数据库、模型样本数据库和机器学习模型，历史运行数据库包括反应沉淀池在不同参数下的历史运行数据，CFD模拟数据库包括模型计算获得的反应沉淀池模拟数据，历史运行数据和CFD模拟数据在模型样本数据库中进行数据融合，获得模型样本数据，机器学习模型对模型样本数据进行训练，获得反应沉淀池内的加药量参数，优化控制模块根据加药量参数在反应沉淀池内投加药剂。本申请在CFD数值模拟结果扩充历史数据集，增加了机器学习输入数据维度，利于机器学习建立更好的预测模型，实现药剂精准投加。

说明书

技术领域

本发明属于水处理技术领域中的智能加药系统，尤其涉及一种基于CFD数 值模拟和机器学习的智能加药系统和方法。

背景技术

通过投加除磷药剂的化学混凝方法，是去除污水中微小悬浮物和胶体杂质 的有效方法之一。由于进水水质和水量波动较大，一些凭经验运行的污水处理 厂排放难以稳定达标。在这种情况下，众多污水处理厂多采用过量投放药剂的 方法以实现达标排放的目的。但药剂的过量投加，不仅增加了药剂成本，而且 导致了污泥产量增大而相应处理成本增加的问题。更为严重的情况，过量的药 剂投加还会对水质产生二次污染。因此，除磷药剂的精准投加对于污水厂的达 标排放和降低运行成本至关重要。

目前针对水处理中的智能投药系统分为两类：第一类是通过自动化控制的 方式实现，如专利CN209526334U中PLC控制器根据加药箱的温度、压力和 液位进行加药，专利CN109592760A中控制器根据进出水流量和浊度控制加药， 然而自动化控制方法受制于污水处理过程所存在的非线性、不确定性、时滞性、 变量多等问题，难以实现对其高效稳定的控制；第二类是通过智能算法的方式 实现，如专利CN110981021A的神经网络模型算法、专利CN106227251A和 CN106348408A开发的加药量算法，可以考虑更多变量对药剂投加量的影响， 实现了由自动化到智能化的转变。然而，以上这些智能加药系统和方法，均未 考虑到反应沉淀池内流场特征对加药和絮凝效果的影响。

目前的污水处理厂基本上根据经验公式和参数进行设计和操作，未考虑反 应沉淀池内流动和混合情况。然而，反应沉淀池内的流动不均匀，如涡流或流 动死区以及短路流等情况，严重制约混凝和絮凝的加药效果，致使加药量增多 或者出水水质很难达标。同时，对于水质水量波动剧烈的情况，反应沉淀池内 的流场变化较大，此时对药剂的投加量更是缺乏调控依据。

因此，结合上述存在的技术问题，有必要提出一种新的技术方案。

发明内容

本发明的目的在于提供一种基于CFD数值模拟和机器学习的智能加药系统 和方法，其中CFD数值模拟方法考虑了流动特征对加药效果的影响，补充了模 型样本数据库的完整度，提高了机器学习的准确性和可靠性；同时，CFD模拟 数据与运行数据进行数据融合，提供给机器学习进行训练与深度学习，最终为 水处理过程中的智能加药系统提供最优参数。

为实现发明目的，根据本发明的一个方面，本发明提供一种基于CFD数值 模拟和机器学习的智能加药系统，其包括运算分析模块、优化控制模块和反应 沉淀池，所述运算分析模块包括历史运行数据库、CFD模拟数据库、模型样本 数据库和机器学习模型，所述历史运行数据库中包括有通过污水生产运行积累 的所述反应沉淀池在不同参数下的历史运行数据，所述CFD模拟数据库中包括 有通过模型计算获得的所述反应沉淀池的模拟数据，所述历史运行数据库和 CFD模拟数据库分别被配置的能够将历史运行数据和模拟数据发送至所述模型 样本数据库，所述模型样本数据库被配置的对所述历史运行数据库和CFD模拟 数据库分别发送的数据信息进行数据融合，获得模型样本数据，所述机器学习 模型被配置的能够对所述模型样本数据进行训练，所述机器学习模型还被配置 的计算获得所述反应沉淀池内的加药量参数，所述优化控制模块被配置的能够 根据所述机器学习输出的加药量参数在所述反应沉淀池内投加药剂。

在一个进一步的实施例中，所述智能加药运算分析模块还包括实时运行数 据库，所述实时运行数据库包括有所述反应沉淀池的实时运行数据，所述机器 学习模型被配置的能够将所述实时运行数据与模型样本数据进行相似度匹配， 不断在线修正所述机器学习模型。

在一个进一步的实施例中，其还包括储药装置，所述优化控制模块包括有 控制器和计量泵，所述计量泵能够被配置的将所述储药装置内的药剂投加至所 述反应沉淀池中，所述控制器被配置的能够调用所述机器学习模块输出的加药 量参数，并根据所述加药量参数控制所述计量泵投加在所述反应沉淀池内的药 剂数量。

在一个进一步的实施例中，所述历史运行数据包括有在污水生产运行中所 述反应沉淀池内的加药量、进水流量、进水浊度、进水磷酸根浓度、出水流量、 出水浊度和出水磷酸根浓度。

在一个进一步的实施例中，所述模拟数据包括有根据所述反应沉淀池的实 际几何结构、进水的入口条件及水质情况计算获得的所述反应沉淀池内的流场 信息、絮体沉淀效率和出水悬浮物。

在一个进一步的实施例中，所述实时运行数据包括有所述反应沉淀池在实 时运行时的加药量、进水流量、进水浊度、进水磷酸根浓度、出水流量、出水 浊度和出水磷酸根浓度。

根据本发明的另一个方面，本发明提供了一种基于CFD数值模拟和机器学 习的智能加药方法，其包括如下步骤：S1：记录污水生产运行中反应沉淀池在 不同参数下的加药量、进水流量、进水浊度、进水磷酸根浓度、出水流量、出 水浊度和出水磷酸根浓度，构建历史运行数据库；S2：根据所述反应沉淀池的 实际几何结构、进水的入口条件和水质情况，建立所述反应沉淀池的物理模型， 之后分别针对不同流量、搅拌速度和悬浮物浓度进行模拟，计算获得所述反应 沉淀池内的流场信息、絮体沉淀效率和出水悬浮物，构建CFD模拟数据库；S3： 对所述历史运行数据库和CFD模拟数据库进行数据融合，构建大数据模型样本数据库；S4：通过机器学习模型对所述模型样本数据库中的模型样本数据进行 训练，计算获得反应沉淀池内的加药量参数；S5：根据实时运行数据库获得的 所述反应沉淀池内的实时运行数据，所述机器学习模型被配置的将所述实时运 行数据与模型样本数据进行相似度匹配，不断在线修正所述机器学习模型，获 得最优加药量参数；S6：控制器调用所述机器学习模型获得的最优加药量参数， 并根据所述加药量参数控制计量泵投加在所述反应沉淀池内的药剂数量。

在一个进一步的实施例中，步骤S2中，所述物理模型的构建如下：采用双 流体模型耦合颗粒群平衡方法的絮体团聚和破碎子模型，对反应沉淀池内絮凝 过程进行数值模拟，揭示流动条件与沉淀效率直接的关系，获得超出历史数据 外的样本数据。

在一个进一步的实施例中，步骤S2中，所述流场信息包括所述反应沉淀池 中是否存在涡流、流动死区或者短路流情况。

在一个进一步的实施例中，步骤S4中，所述机器学习模型使用人工神经网 络算法对来自模型样本数据库的模型样本数据进行训练；步骤S5中，在对所述 实时运行数据与模型样本数据进行相似度匹配时，若相似度较高，则所述机器 学习模型直接输出加药量参数；若匹配度较低，则由CFD计算出相同工况下对 应的加药量参数，并输送给所述机器学习模型进行输出，之后将该匹配度较低 时的实时运行数据输送至所述模型样本数据库进行数据融合获得新模型样本数 据，之后所述机器学习模型对所述新模型样本数据进行训练，更新机器学习模 型。

与现有技术相比，本申请采用CFD数值模拟和机器机器学习相结合的智能 控制系统，通过CFD数值模拟从机理上给出了反应沉淀池内流场信息与絮凝效 果之间的关系，本申请通过CFD数值模拟扩充了原有的历史运行数据集，增加 了机器学习模型输入数据的维度，有利于机器学习建立更好的预测模型，实现 药剂精准投加。

附图说明

图1是本申请基于CFD数值模拟和机器学习的智能加药系统的系统示意 图；

图2是本申请中机器学习模型的离线学习流程图；

图3是本申请中机器学习模型的在线预测和模型更新流程图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以 下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功 效，详细说明如下。

请参阅图1至图3，图1是本申请基于CFD数值模拟和机器学习的智能加 药系统的系统示意图；图2是本申请中机器学习模型的离线学习流程图；图3 是本申请中机器学习模型的在线预测和模型更新流程图。

实施例

如图1所示，本发明提供一种基于CFD数值模拟和机器学习的智能加药系 统，其包括运算分析模块、优化控制模块和反应沉淀池。所述运算分析模块包 括历史运行数据库、CFD模拟数据库、模型样本数据库、机器学习模型和时运 行数据库。所述历史运行数据库中包括有通过污水生产运行积累的所述反应沉 淀池在不同参数下的历史运行数据，所述历史运行数据包括有在污水生产运行 中所述反应沉淀池内的加药量、进水流量、进水浊度、进水磷酸根浓度、出水 流量、出水浊度和出水磷酸根浓度。所述CFD模拟数据库中包括有通过模型计 算获得的所述反应沉淀池的模拟数据，所述模拟数据包括有根据所述反应沉淀池的实际几何结构、进水的入口条件及水质情况计算获得的所述反应沉淀池内 的流场信息、絮体沉淀效率和出水悬浮物。所述历史运行数据库和CFD模拟数 据库分别被配置的能够将历史运行数据和模拟数据信发送至所述模型样本数据 库，所述模型样本数据库被配置的对所述历史运行数据库和CFD模拟数据库分 别发送的数据信息进行数据融合，获得模型样本数据，所述机器学习模型被配 置的能够对所述模型样本数据进行训练，所述机器学习模型还被配置的计算获 得所述反应沉淀池内的加药量参数，所述优化控制模块被配置的能够根据所述 机器学习输出的加药量参数在所述反应沉淀池内投加药剂。所述实时运行数据 库包括有所述反应沉淀池的实时运行数据，述实时运行数据包括有所述反应沉 淀池在实时运行时的加药量、进水流量、进水浊度、进水磷酸根浓度、出水流 量、出水浊度和出水磷酸根浓度。所述机器学习模型被配置的能够将所述实时 运行数据与模型样本数据进行相似度匹配，不断在线修正所述机器学习模型。

在一个进一步的实施例中，其还包括储药装置，所述优化控制模块包括有 控制器和计量泵，所述计量泵能够被配置的将所述储药装置内的药剂投加至所 述反应沉淀池中，所述控制器被配置的能够调用所述机器学习模块输出的加药 量参数，并根据所述加药量参数控制所述计量泵投加在所述反应沉淀池内的药 剂数量。

根据本发明的另一个方面，本发明提供了一种基于CFD数值模拟和机器学 习的智能加药方法，其包括如下步骤：

S1：记录污水生产运行中反应沉淀池在不同参数下的加药量、进水流量、 进水浊度、进水磷酸根浓度、出水流量、出水浊度和出水磷酸根浓度，构建历 史运行数据库；

S2：根据所述反应沉淀池的实际几何结构、进水的入口条件和水质情况， 建立所述反应沉淀池的物理模型，所述物理模型的构建如下：采用双流体模型 耦合颗粒群平衡方法的絮体团聚和破碎子模型，对反应沉淀池内絮凝过程进行 数值模拟，揭示流动条件与沉淀效率直接的关系，获得超出历史数据外的样本 数据。物理模型建立之后分别针对不同流量、搅拌速度和悬浮物浓度进行模拟， 计算获得所述反应沉淀池内的流场信息、絮体沉淀效率和出水悬浮物，构建CFD 模拟数据库，其中，所述流场信息包括所述反应沉淀池中是否存在涡流、流动 死区或者短路流情况。

其中，CFD数值模拟通过以下方程，求解流动和传质过程：

质量守恒方程：

动量守恒方程：

通过群平衡方程求解污水中悬浮物在加入絮凝剂的长大和破碎过程：

S3：对所述历史运行数据库和CFD模拟数据库进行数据融合，构建大数据 模型样本数据库，该数据模型样本数据库的数据主要包括加药量、进水流量、 进水浊度、进水磷酸根浓度、出水流量、出水浊度、出水磷酸根浓度、流场信 息、沉淀效率和出水悬浮物等信息；

S4：通过机器学习模型对所述模型样本数据库中的模型样本数据进行训练， 计算获得反应沉淀池内的加药量参数。如图2所示，即机器学习模型的离线学 习部分。具体包括如下步骤：

第一步，首先将模型的权值与阈值初始化，并将学习模式参数即学习速率 提供给当前网络，然后根据输入数据计算中间层各单元输入和输出值，最后计 算输出层各单元的输入和输出值，至此完成一次前向计算。第二步，将最终输 出值与真实值进行计算从而得出输出层各单元的矫正误差，然后反向传播计算 中间层各单元的矫正误差。将误差与误差阈值进行比较，如果误差大于阈值， 反向调整中间层至输出层的连接权值及输出层各单元的输出阈值，然后继续调 整输入层至中间层之间的连接权值及中间层各单元的输出阈值即更新参数，最 后重复第一步。为了提高模型的泛化能力，再调整学习率直到达到最优网络结 构，反复循环学习直至达到收敛要求(达到学习次数或者达到精度)。

所述机器学习模型使用人工神经网络算法对来自模型样本数据库的模型样 本数据进行训练。为了得到一个准确的模型，对人工神经网络进行算法提升， 其内容包括采用交叉熵的损失函数并进行正则化处理，考虑动量的梯度下降法， 隐含层和输出层采用双曲正切函数作为激活函数。初始化各层权重之后，网络 的隐含层第i个节点的输出net

隐含层第i个节点的输出O

其中，tanh为双曲正切的激励函数；M为输入层神经元个数，即数据融合 后的大数据模型样本数据；w

输出层第k个节点的输出net

输出层第k个节点的输出O

其中q为预测输出层维数损失函数为：

其中，y

隐含层误差为：

δ

每一层权值的变化梯度为：

Δ

即

计算考虑动量的梯度变化：

其中v是上一次迭代时梯度的变化。

网络的权值更新：

其中，α为学习率。

通过上式不断更新输入层至隐含层、隐含层至输出层的连接权重，使算法 误差收敛到指定值ε。此时可以得到预测的反应沉淀池内的加药量参数。

S5：根据实时运行数据库获得的所述反应沉淀池内的实时运行数据，所述 机器学习模型被配置的将所述实时运行数据与模型样本数据进行相似度匹配， 不断在线修正所述机器学习模型，获得最优加药量参数。如图3所示，即机器 学习模型的在线预测和模型更新部分。当现场的实时运行数据传送到已训练好 的机器学习模型时，首先与大数据模型样本数据库作相似度匹配，若相似度较 高，如90％～97％或以上，则所述机器学习模型直接输出加药量参数；若匹配度 较低，如0％～90％，则由CFD模拟计算出相同工况下对应的加药量参数，并输 送给所述机器学习模型进行输出，之后将该匹配度较低时的实时运行数据输送 至所述模型样本数据库进行数据融合获得新模型样本数据，之后所述机器学习 模型对所述新模型样本数据进行离线学习训练，更新机器学习模型，为后续提 供更为精确的模型。

S6：控制器调用所述机器学习模型获得的最优加药量参数，并根据所述加 药量参数控制计量泵投加在所述反应沉淀池内的药剂数量，实现对反应沉淀池 的药剂精准投加。同时将最优参数条件下所得的结果数据反馈回实时运行数据 库以补充数据的丰富性，使得机器学习的训练愈加精准。

与现有技术相比，本申请采用CFD数值模拟和机器机器学习相结合的智能 控制系统，通过CFD数值模拟从机理上给出了反应沉淀池内流场信息与絮凝效 果之间的关系，本申请通过CFD数值模拟扩充了原有的历史运行数据集，增加 了机器学习模型输入数据的维度，有利于机器学习建立更好的预测模型，实现 药剂精准投加。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他 性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。

在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中 以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。 应当理解，所述方位词的使用不应限制本申请请求保护的范围。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的 精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的 保护范围之内。