[发明专利]一种基于CFD数值模拟和机器学习的智能加药系统和方法

说明书

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。

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。