CN118270897B - 一种尾矿库泄漏低温高浊重金属污水处理方法 - Google Patents
一种尾矿库泄漏低温高浊重金属污水处理方法 Download PDFInfo
- Publication number
- CN118270897B CN118270897B CN202410657632.9A CN202410657632A CN118270897B CN 118270897 B CN118270897 B CN 118270897B CN 202410657632 A CN202410657632 A CN 202410657632A CN 118270897 B CN118270897 B CN 118270897B
- Authority
- CN
- China
- Prior art keywords
- magnetic
- supernatant
- turbidity
- final
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 98
- 238000011282 treatment Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000010865 sewage Substances 0.000 title claims abstract description 40
- 238000004062 sedimentation Methods 0.000 claims abstract description 113
- 239000006228 supernatant Substances 0.000 claims abstract description 82
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 238000002156 mixing Methods 0.000 claims abstract description 49
- 239000000701 coagulant Substances 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000002351 wastewater Substances 0.000 claims description 65
- 230000005415 magnetization Effects 0.000 claims description 46
- 210000002569 neuron Anatomy 0.000 claims description 34
- 239000008394 flocculating agent Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 23
- 238000000926 separation method Methods 0.000 claims description 15
- 239000002002 slurry Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000035484 reaction time Effects 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000010802 sludge Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 16
- 239000012530 fluid Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 49
- 238000007885 magnetic separation Methods 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 239000003344 environmental pollutant Substances 0.000 description 15
- 231100000719 pollutant Toxicity 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 14
- 238000005070 sampling Methods 0.000 description 12
- 238000005189 flocculation Methods 0.000 description 11
- 230000016615 flocculation Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000004065 wastewater treatment Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 5
- 230000003631 expected effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000005995 Aluminium silicate Substances 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 235000012211 aluminium silicate Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000004042 decolorization Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 229920000592 inorganic polymer Polymers 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 239000006148 magnetic separator Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920000620 organic polymer Polymers 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910052761 rare earth metal Inorganic materials 0.000 description 1
- 150000002910 rare earth metals Chemical class 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 229920005613 synthetic organic polymer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
- 229910052727 yttrium Inorganic materials 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/48—Treatment of water, waste water, or sewage with magnetic or electric fields
- C02F1/488—Treatment of water, waste water, or sewage with magnetic or electric fields for separation of magnetic materials, e.g. magnetic flocculation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/5209—Regulation methods for flocculation or precipitation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/20—Heavy metals or heavy metal compounds
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/11—Turbidity
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/44—Time
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明提供一种尾矿库泄漏低温高浊重金属污水处理方法，该方法包括：采用磁化模块根据磁场强度和磁化时间将尾矿污水进行磁化处理；将磁化处理后的尾矿污水输送至混合池，根据絮凝剂投加量、混凝剂投加量和磁种投加量向混合池中投加磁种、絮凝剂和混凝剂；根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型；根据第一神经网络模型输出的沉降时间、上清液最终浊度和重金属最终浓度调整下一次尾矿污水的处理参数。有效地对尾矿库泄漏的低温高浊重金属污水进行处理，节省投加量，根据神经网络预测的结果自适应调整。
Description
技术领域
本发明涉及水污染治理技术领域，具体涉及一种尾矿库泄漏低温高浊重金属污水处理方法。
背景技术
磁分离技术是指利用元素或组分磁势的差异，借助外磁场对物质进行处理，从而达到强化分离过程的一种分离技术。根据外磁场源的不同，磁分离可以分为永磁分离、电磁分离、超导磁分离；根据应用环境的不同可将其分为湿式磁分离和干式磁分离；根据磁反应器的不同可分为传统磁分离、磁盘分离、高梯度磁分离和开梯度磁分离。因其快速高效的分离效果，特别是随着超导磁体技术与高梯度磁技术的发展，磁分离已在尾矿分选、钢渣回收、高岭土脱色等领域得到了广泛的应用，不同于常规水处理技术，磁分离技术利用磁场力直接作用于污染物或目标杂质，从而将污染物脱离于原水体系，不对水体造成影响，也不会发生化学和生物的反应，具有不产生二次污染、分离速度快、占地少等显著优势。磁分离已成为水处理领域颇具前景的处理技术，在水处理中具有广泛的应用潜力。
高梯度磁分离技术是指在磁分离器中填充一定量的磁敏感性介质，引起磁性介质周围的磁场发生异化，产生较高的磁梯度，极大化地增加磁场力，进而提高分离的速率与效率。然而，磁分离技术应用于水处理领域的一个重要挑战就是废水中大部分污染物质是无磁性的，不能通过磁场直接去除，所以磁载体是影响磁分离技术在水处理领域推广应用的一个关键因素。因此根据有/无磁载体和磁载体种类，磁分离技术在水处理中的应用可分为以下几类：直接磁分离、磁絮凝、磁吸附和磁催化。目前采用磁分离技术处理污水的方式主要分为两种：1.污水中投加磁种，磁种被添加到废水中，混凝剂和助凝剂的添加使得污染物与磁性介质结合形成磁性絮凝物。在磁场的作用下，这些磁性絮凝物可以被吸引并从水中分离出来，这种方式因为需要添加磁种，所以成本较高，且需要对处理后的磁性介质进行回收或处理，否则会造成二次污染。2.磁化污水，污水通过预磁化，使得水中的污染物和水分子均发生变化。在添加混凝剂和助凝剂后，这些磁化的污染物聚集形成磁性絮凝物并且可以从水中分离出来，但是这种方式对无磁性或弱磁性污染物效果稍弱。
发明内容
本发明的目的是提供一种尾矿库泄漏低温高浊重金属污水处理方法，该方法通过磁化处理和磁絮凝能有效地对尾矿库泄漏的低温高浊重金属污水进行处理，节省絮凝剂、混凝剂的投加量。同时，通过第一神经网络模型的预测结果，有助于处理人员在处理开始前，可以根据预测的结果进行必要的调整，例如增减处理剂的加入量，改变磁场强度或者调整磁化时间，以确保处理结果达到预期效果，从而确保实际的污水处理过程能满足环保要求和实际工作需要。
一种尾矿库泄漏低温高浊重金属污水处理方法，包括：
根据磁场强度和磁化时间将尾矿污水进行磁化处理；
将尾矿污水输送至混合池，根据絮凝剂投加量、混凝剂投加量、磁种投加量向混合池中投加磁种、絮凝剂和混凝剂；
经过混合反应时间后，通过磁富集模块打捞混合池中的带磁絮团，将混合池中剩余的尾矿污水传输至沉淀池；
将所述带磁絮团通过磁回收模块脱水分离得到尾矿污水、磁种和污泥，将磁种循环投加至混合池，尾矿污水传输至沉淀池；
检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值；
根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型；
根据第一神经网络模型输出的沉降时间、上清液最终浊度和重金属最终浓度调整下一次尾矿污水的处理参数。
优选地，所述检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值包括：
将沉淀池的沉降速度、上清液浊度和重金属浓度输入第二神经网络模型；
第二神经网络模型输出处理标准参数的第二预测值；
若处理标准参数的第二预测值不满足预设标准，则生成预警信号；
根据预警信号向混合池和/或沉淀池额外投加絮凝剂和混凝剂；
记录根据第二预测值调整的尾矿污水处理措施和尾矿污水处理结果，并增加至第一神经网络模型的训练样本。
优选地，所述根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型包括：
将絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间输入第一神经网络模型；
第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度；
根据第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度与沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值计算总损失函数；
迭代训练至总损失函数满足预设要求时停止。
优选地，所述检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值之后，还包括；
若上清液最终浊度和重金属最终浓度满足预设标准，则将上清液从沉淀池排出；否则，将上清液回流至磁化模块与污水混合进行磁化处理。
优选地，所述根据第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度与沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值计算总损失函数包括：
所述总损失函数包括均方误差和正则化损失；
所述总损失函数表示为:
所述均方误差表示为：
其中，n指的是样本数量，假设是模型的预测值，是实际值；
所述正则化损失表示为：
其中表示权重，是正则化参数。
优选地，所述迭代训练至总损失函数满足预设要求时停止包括：
通过反向传播计算总损失函数相对于每个权重和偏差的偏导数；
设定总损失函数为，第l层中的第j个神经元的输出为a，则偏导数表示为；
对于每个隐藏层，使用链式法则计算损失函数关于当前隐藏层每个神经元输入的偏导数：
其中，表示对所有第l+1层神经元进行求和，表示第l层的第j个神经元的输入，即神经元接收到的信号，具体为前一层神经元的输出和对应权重的线性组合再加上偏差；表示第l层的第j个神经元的输出；
得到损失函数关于每个权重和偏差的偏导数：
其中，为从第(l-1)层的第i个神经元到第l层的第j个神经元的连接的权重；为第l层的第j个神经元的偏差，即该神经元的阈值；
根据计算的偏导数，使用梯度下降法更新第一神经网络模型中的每一个权重和偏差参数；
重复训练直至第一神经网络模型的性能达到预设要求或者迭代次数达到阈值停止。
优选地，设置所述絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间包括：
收集历史处理过程中实际的输入参数数据，所述输入参数包括：絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间，和对应的处理标准参数结果，所述处理标准参数结果包括：沉降时间、上清液最终浊度和重金属最终浓度；
使用已训练好的第一神经网络模型对输入参数进行预测，并将预测结果与实际的处理标准参数结果进行对比，以得到预测误差；
计算每个输入参数与预测误差的相关系数，相关系数的绝对值越大，表示输入参数与预测误差的关系越强，需要对当前参数进行更大幅度的调整；
定义最小化预测误差作为优化目标，使用遗传算法对输入参数进行优化；
在优化过程中，每一个输入参数的调整幅度与预测误差的相关系数成正比，相关系数越大的参数调整幅度越大；
将优化后的输入参数数据反馈给处理过程，并持续迭代过程，实现参数的自适应调整。
优选地，所述检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值包括：
在沉淀池的顶部安装超声波传感器；
所述超声波传感器的发射器和接收器朝向沉淀物表面，根据预设的采样频率连续获取若干超声采样数据，根据超声采样数据计算沉降速度；
在沉淀池上清液出口位置安装浊度计和重金属分析器；
所述浊度计和重金属分析器分别监测上清液浊度和重金属浓度；
所述超声采样数据包括若干距离数据和采样时间戳，所述距离数据的采集原理表示为：
D = 0.5 * T * C
其中，D表示传感器至固液分离界面距离，T表示超声波发射至被接收的时间差，C表示超声波在上清液中的传播速度；
所述沉降速度表示为：
Vi= (Di+1-Di)/ti+1-ti，
其中，Vi表示时间ti至ti+1处的沉降速度。
一种尾矿库泄漏低温高浊重金属污水处理系统，包括：
磁化模块，用于根据磁场强度和磁化时间将尾矿污水进行磁化处理；
沉淀模块，用于将尾矿污水输送至混合池，根据絮凝剂投加量、混凝剂投加量、磁种投加量向混合池中投加磁种、絮凝剂和混凝剂；
第一分离模块，用于经过混合反应时间后，通过磁富集模块打捞混合池中的带磁絮团，将混合池中剩余的尾矿污水传输至沉淀池；
第二分离模块，用于将所述带磁絮团通过磁回收模块脱水分离得到尾矿污水、磁种和污泥，将磁种循环投加至混合池，尾矿污水传输至沉淀池；
检测模块，用于检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值；
预测模块，用于根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型；
调节模块，用于根据第一神经网络模型输出的沉降时间、上清液最终浊度和重金属最终浓度调整下一次尾矿污水的处理参数。
一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行一种尾矿库泄漏低温高浊重金属污水处理方法。
本申请通过磁化处理和磁絮凝能有效地对尾矿库泄漏的低温高浊重金属污水进行处理，节省絮凝剂、混凝剂的投加量。同时，通过第一神经网络模型的预测结果，有助于处理人员在处理开始前，可以根据预测的结果进行必要的调整，例如增减处理剂的加入量，改变磁场强度或者调整磁化时间，以确保处理结果达到预期效果，从而确保实际的污水处理过程能满足环保要求和实际工作需要。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，标示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的总流程示意图；
图2为本发明的沉淀池污水参数检测流程示意图；
图3为本发明的第一神经网络训练流程示意图；
图4为本发明的一种电子设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
目前采用磁分离技术处理污水的方式主要分为两种：1.污水中投加磁种，磁种被添加到废水中，混凝剂和助凝剂的添加使得污染物与磁性介质结合形成磁性絮凝物。在磁场的作用下，这些磁性絮凝物可以被吸引并从水中分离出来，这种方式因为需要添加磁种，所以成本较高，且需要对处理后的磁性介质进行回收或处理，否则会造成二次污染。2.磁化污水，污水通过预磁化，使得水中的污染物和水分子均发生变化。在添加混凝剂和助凝剂后，这些磁化的污染物聚集形成磁性絮凝物并且可以从水中分离出来，但是这种方式对无磁性或弱磁性污染物效果稍弱。
本申请通过磁化处理和磁絮凝能有效地对尾矿库泄漏的低温高浊重金属污水进行处理，节省絮凝剂、混凝剂的投加量。同时，通过第一神经网络模型的预测结果，有助于处理人员在处理开始前，可以根据预测的结果进行必要的调整，例如增减处理剂的加入量，改变磁场强度或者调整磁化时间，以确保处理结果达到预期效果，从而确保实际的污水处理过程能满足环保要求和实际工作需要。
实施例1
一种尾矿库泄漏低温高浊重金属污水处理方法，包括：
S100，根据磁场强度和磁化时间将尾矿污水进行磁化处理；
磁化的具体步骤包括：对污水进行预处理，去除尾矿污水中大部分的悬浮物和固体颗粒；选择磁化装置，根据实际处理要求和磁力场的要求，设计和选择合适的磁化装置，包括磁体、磁场的形状、磁场的强度等。磁化处理，将预处理的污水通过磁化装置，使其在强磁场中流动，并经受磁场的作用，实现污染物的分解和沉淀。终端处理：经过磁化处理后的污水，根据不同的处理要求，进行后续的反应、沉淀、过滤等终端处理。
S200，将尾矿污水输送至混合池，根据絮凝剂投加量、混凝剂投加量、磁种投加量向混合池中投加磁种、絮凝剂和混凝剂；
磁絮凝包括无机絮凝剂和有机絮凝剂。其中，无机絮凝剂包括无机絮凝剂和无机高分子絮凝剂，有机絮凝剂包括合成有机高分子絮凝剂、天然有机高分子絮凝剂和微生物絮凝剂。磁絮凝技术的工艺原理是在传统的絮凝混合沉淀工艺中，加入磁种，以增强絮凝的效果，形成高密度的絮凝体和加大絮凝体的比重，达到高效除污和快速沉降的目的。根据磁种的离子极性和金属特性，作为絮凝体的核体，大大地强化了对水中悬浮污染物的絮凝结合能力，减少絮凝剂用量。混有磁种的絮凝体比重增大，可使絮凝体快速沉降。
S300，经过混合反应时间后，通过磁富集模块打捞混合池中的带磁絮团，将混合池中剩余的尾矿污水传输至沉淀池；
尾矿污水中的污染物被完全分离需要经过一定的混合反应时间，当尾矿污水中的污染物从水中分离出来形成沉淀后，就可以通过磁富集模块将带磁絮团从尾矿污水中打捞出来，剩余还未处理完的尾矿污水进入下一步处理工序。
S400，将带磁絮团通过磁回收模块脱水分离得到尾矿污水、磁种和污泥，将磁种循环投加至混合池，尾矿污水传输至沉淀池；
带磁絮团中的磁种，本申请利用磁种本身的特性使用稀土永磁磁鼓进行分离后回收并在尾矿污水处理系统中循环使用。以达到高度净化出水并降低污水处理费用的目的。
S500，检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值；
沉淀池的沉降完成时沉降时间从尾矿污水完全传输至沉淀池时开始计算，即当全部的尾矿污水都转移到沉淀池后开始计算沉淀池的沉降完成时沉降时间，因为在尾矿污水转移过程中，上层的尾矿污水的运动会影响到下层尾矿污水的沉淀效果，所以当尾矿污水静止后，即尾矿污水完全转移到沉淀池后开始计算沉降完成时沉降时间。上清液最终浊度通过对沉淀池中多个区域的上清液进行采样，然后计算各个区域上清液浊度的平均值作为上清液最终浊度。重金属最终浓度的计算需要对沉淀后的尾矿污水进行采样，然后经过过滤和稀释操作，采用原子吸收光谱法、电感耦合登离子体发射光谱法登测定尾矿污水中重金属最终浓度。
S600，根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型；
第一神经网络模型的输出是沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值，输入是磁化过程中的磁场强度和磁化时间、混合池中的絮凝剂投加量、混凝剂投加量、磁种投加量还有混合反应时间，第一神经网络用于预测整个尾矿污水处理过程中控制参数。
S700，根据第一神经网络模型输出的沉降时间、上清液最终浊度和重金属最终浓度调整下一次尾矿污水的处理参数。
本申请通过磁化处理和磁絮凝能有效地对尾矿库泄漏的低温高浊重金属污水进行处理，节省絮凝剂、混凝剂的投加量。同时，通过第一神经网络模型的预测结果，有助于处理人员在处理开始前，可以根据预测的结果进行必要的调整，例如增减处理剂的加入量，改变磁场强度或者调整磁化时间，以确保处理结果达到预期效果，从而确保实际的污水处理过程能满足环保要求和实际工作需要。
优选地，S500，检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值包括：
S510，将沉淀池的沉降速度、上清液浊度和重金属浓度输入第二神经网络模型；
沉淀池的沉降速度由沉淀池的半径以及深度决定，并且不同类型的尾矿污水的沉降速度不同、上清液浊度表示尾矿污水上层清液的浊度，重金属浓度表示尾矿污水处理后尾矿污水中重金属的含量。
S520，第二神经网络模型输出处理标准参数的第二预测值；
作为一个优选地实施例，本发明采用RNN模型作为第二神经网络的架构，RNN模型为深度学习模型，适合处理具有序列或顺序依赖的数据，RNN模型在处理每个输入时都会保留一个隐藏状态，该隐藏状态会被传递到下一个时间步，以便RNN模型能够记忆之前的信息。
RNN模型包括输入层、输出层和隐藏层，在本申请中，输出层采用softmax函数对数据进行归一化处理，在隐藏层中采用tanh作为激活函数。
S530，若处理标准参数的第二预测值不满足预设标准，则生成预警信号；
预设标准是预期要投入到混合池和/或沉淀池的絮凝剂和混凝剂的种类以及重量，预设标准是根据普通行业的处理标准设置的，处理标准参数的第二预测值是RNN模型预测出的将要投入到混合池和/或沉淀池的絮凝剂和混凝剂的种类以及重量，如果RNN模型输出的处理标准参数的第二预测值不满足预设标准，则说明所需要投入到混合池和/或沉淀池的絮凝剂和混凝剂的种类以及重量达不到处理尾矿污水时需要的量，则需要增加絮凝剂和混凝剂剂量。
S540，根据预警信号向混合池和/或沉淀池额外投加絮凝剂和混凝剂；
预警信号中的信息包括了需要另外向混合池和/或沉淀池额外投加絮凝剂和混凝剂的数量以及种类，然后尾矿污水处理的工作人员根据预警信号中的信息实时调整混合池和/或沉淀池的投放量。
S550，记录根据第二预测值调整的尾矿污水处理措施和尾矿污水处理结果，并增加至第一神经网络模型的训练样本。
更多的训练样本虽然会导致较长的训练时间，但是对于一些复杂的问题，比如在本申请中第一神经网络需要根据投入处理池中的投放参数来预测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度，如果训练样本不够多的话就容易导致第一神经网络预测产生缺陷，这时较多的训练样本能够使得第一神经网络的训练更加完善，弥补缺陷与不足，使得第一神经网络的预测结果更加精准。
在本实施例中，第二神经网络模型用于根据沉降速度、上清液浊度和重金属浓度对处理标准参数进行实时预测，以实现对反应过程进行预警分析和实时调整，并确保后续的污水处理计划能够得到及时调整。与此同时，所有的调整措施和结果都将被记录并反馈到数据中心，以及时排除机械故障，或通过增加第一神经网络模型的训练样本优化第一神经网络模型。
优选地，参考图3，S600，根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型包括：
S610，将絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间输入第一神经网络模型；
絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间都为第一神经网络的输入量。
S620，第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度；
沉降时间、上清液最终浊度和重金属最终浓度为第一神经网络的输出量。
S630，根据第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度与沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值计算总损失函数；
S640，迭代训练至总损失函数满足预设要求时停止。
损失函数用于衡量第一神经网络模型预测结果与真实结果之间的差异或误差，损失函数是一个非负实值函数，通常用L(Y,f(x))表示，其中Y是真实值，f(x)是模型的预测值。损失函数越小，模型的鲁棒性就越好。在机器学习中，损失函数是经验风险函数的核心部分，也是结构风险函数的重要组成部分。结构风险函数包括了经验风险项和正则项，其目的是在减少经验风险的同时，通过正则项控制模型的复杂度，以防止过拟合。损失函数根据学习任务的不同（如分类、回归）选择不同的损失函数。例如，均方误差(MSE)是一种常用的回归损失函数；而在分类问题中，可能使用交叉熵损失或铰链损失等。损失函数不仅是模型训练过程中的优化目标，也是评估模型性能的重要指标。
优选地，采用MLP模型作为第一神经网络模型的架构；
将MLP模型的输入层节点设置为6，输出层节点设置为3。
输入层负责接收外界的输入信息，并将其转化为神经网络可处理的格式，输入层可以接收不同类型的原始数据或经过预处理的数据，例如，在图像识别领域，输入层可以接收原始三维的多彩图像；在音频识别领域，它可以接收经过傅利叶变换的二维波形数据；在自然语言处理中，输入层可以接收一维表示的句子向量，输入层的作用是将外部输入的数据转化为模型可以处理的形式。例如，在处理图像时，输入层会接收图像的像素值，而在处理文本时，它会接收文本的字符或词向量。这些原始数据通过神经网络的转换和处理，最终得到有用的输出，输入数据必须是数值型的，非数值内容需要转化为数值。在将数据输入到神经网络之前对其进行处理的过程称为数据处理。例如，图像数据通常会被转换成矩阵像素数据，以便于神经网络处理。输入层还可能进行一些前期处理操作，如归一化、去均值等，以提升模型的性能。
输出层为神经网络模型的终点，负责将神经网络的处理结果转化为人类或其他生物可理解的格式并输出。输出层的设置取决于神经网络所面临的任务类型。例如，在图像识别任务中，输出层可能输出人类可辨认的物体或场景；在语言处理任务中，输出层可能输出语句或段落。输出层由若干神经元组成，每个神经元代表一个对象，其输出的附加数值表示该对象是某特定类别的概率。
在本申请中，输入层节点设置为6，代表了输入参数提供了处理过程的全面信息。MLP模型通过隐藏层进行非线性转换，学习这些输入参数与处理效果（如沉降时间、上清液最终浊度和重金属最终浓度）之间存在的高级关联性。输出层节点设置为3，对应于处理效果的三个关键指标：沉降时间、上清液最终浊度和重金属最终浓度。MLP训练的目标就是尽可能准确地预测这三个输出。模型训练好之后，就可以将输入参数输入模型，以期最小化沉降时间、上清液最终浊度和重金属最终浓度。
优选地，S630，根据第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度与沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值计算总损失函数包括：
总损失函数包括均方误差和正则化损失；
总损失函数表示为:
均方误差表示为：
其中，n指的是样本数量，假设是模型的预测值，是实际值；
正则化损失表示为：
其中表示权重，是正则化参数。
均方误差是预测评价中常用的一个指标，用于评估第一神经网络模型在给定数据上的拟合程度，其计算方式为模型预测值与实际观测值之间差的平方的平均数。均方误差的值越小，表明第一神经网络模型的预测越精确。需要注意的是，均方误差不能等于0，因为这会导致模型过于拟合数据，可能会忽略一些重要的因素，从而在实际应用中出现大的波动。
正则化是一种用于改善机器学习模型的技术，主要目的是减少过拟合，提高模型的泛化能力。在机器学习中，过拟合是指模型对训练数据表现良好，但对新数据（测试数据）表现不佳的现象。正则化通过在模型的损失函数中添加正则项来实现，这个正则项惩罚模型参数的大小或数量，从而鼓励模型选择更简单、泛化能力更强的假设。常见的正则化方法包括L1正则化和L2正则化，它们分别通过在损失函数中加入模型参数的绝对值之和或平方和来实施。L1正则化倾向于使模型参数变得稀疏，即许多参数变为零，这有助于特征选择和减少模型的复杂度。L2正则化则使参数变小，但不完全变为零，有助于减少模型的不稳定性和过拟合风险。正则化损失即将损失函数正则化，在损失函数后面添加一个额外项，即L1正则化或L2正则化。
优选地，S640，迭代训练至总损失函数满足预设要求时停止包括：
S641，通过反向传播计算总损失函数相对于每个权重和偏差的偏导数；
设定总损失函数为，第l层中的第j个神经元的输出为a，则偏导数表示为；
对于每个隐藏层，使用链式法则计算损失函数关于当前隐藏层每个神经元输入的偏导数：
其中，表示对所有第l+1层神经元进行求和，表示第l层的第j个神经元的输入，即神经元接收到的信号，具体为前一层神经元的输出和对应权重的线性组合再加上偏差；表示第l层的第j个神经元的输出；
得到损失函数关于每个权重和偏差的偏导数：
其中，为从第(l-1)层的第i个神经元到第l层的第j个神经元的连接的权重；为第l层的第j个神经元的偏差，即该神经元的阈值；
S642，根据计算的偏导数，使用梯度下降法更新第一神经网络模型中的每一个权重和偏差参数；
具体的，对于每一个权重和偏差参数，其更新后的值等于原值减去学习率乘以该参数的偏导数，这一步的目标是通过改变每一个权重和偏差参数的值以使得下一次的损失函数的值更小。梯度下降法是一种用于找到函数局部最小值的优化算法，用于机器学习和人工智能中寻找最小化目标函数的模型参数。梯度下降法的基本思想是通过不断迭代，逐步调整模型参数（或自变量），使得目标函数（通常是误差函数或损失函数）的值减小。在每次迭代中，算法计算目标函数在当前点梯度（即函数值变化最快的方向），然后按照负梯度方向移动一小步，即向目标函数的局部极小值逼近。这种方法的关键在于利用目标函数的梯度信息来指导下一步的移动方向和步长。梯度下降法有几种变体，如随机梯度下降和自适应梯度下降，它们分别用于处理大数据集和稀疏数据。梯度下降法也可以与梯度上升法相对比，后者是向梯度正方向移动，用于寻找函数的局部极大值。
S643，重复训练直至第一神经网络模型的性能达到预设要求或者迭代次数达到阈值停止。
优选地，设置絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间包括：
收集历史处理过程中实际的输入参数数据，输入参数包括：絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间，和对应的处理标准参数结果，处理标准参数结果包括：沉降时间、上清液最终浊度和重金属最终浓度；
使用已训练好的第一神经网络模型对输入参数进行预测，并将预测结果与实际的处理标准参数结果进行对比，以得到预测误差；
计算每个输入参数与预测误差的相关系数，相关系数的绝对值越大，表示输入参数与预测误差的关系越强，需要对当前参数进行更大幅度的调整；
定义最小化预测误差作为优化目标，使用遗传算法对输入参数进行优化；
在优化过程中，每一个输入参数的调整幅度与预测误差的相关系数成正比，相关系数越大的参数调整幅度越大；
将优化后的输入参数数据反馈给处理过程，并持续迭代过程，实现参数的自适应调整。
本实施例通过收集历史处理过程中的实际输入参数数据和对应的处理参数结果，在预测误差的基础上计算出每个输入参数与预测误差的相关系数，并通过遗传算法本方案能实现全局优化，避免陷入局部最优解，从而自适应地调整输入参数，提高处理效果的稳定性和精确性。
优选地，参考图2，S500，检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值包括：
S510，在沉淀池的顶部安装超声波传感器；
S520，超声波传感器的发射器和接收器朝向沉淀物表面，根据预设的采样频率连续获取若干超声采样数据，根据超声采样数据计算沉降速度；
超声波传感器的主要组成部分包括一个压电晶体，能够将电能转换为超声波（机械波）并能将接收到的声波再次转换回电能。这些传感器通常用于检测物体的位置、大小、速度或液位等物理量，基于声波在空气、液体或固体中的传播特性，通过测量发射和接收超声波的时间差，可以计算出传感器与目标物体之间的距离。
S530，在沉淀池上清液出口位置安装浊度计和重金属分析器；
S540，浊度计和重金属分析器分别监测上清液浊度和重金属浓度；
在沉淀池中采用一定体积的液体，然后经过消解处理，其中待测重金属元素的物质全部氧化为离子态，待测重金属离子与显色剂进行络合，形成特定颜色的络合物，在一定的波长处，该络合物具有最大吸收，此吸光度与待测物的浓度呈线性相关，由吸光度可计算待测重金属的浓度。
超声采样数据包括若干距离数据和采样时间戳，距离数据的采集原理表示为：
D = 0.5 * T * C
其中，D表示传感器至固液分离界面距离，T表示超声波发射至被接收的时间差，C表示超声波在上清液中的传播速度；
沉降速度表示为：
Vi= (Di+1-Di)/ti+1-ti，
其中，Vi表示时间ti至ti+1处的沉降速度。
若上清液最终浊度和重金属最终浓度满足预设标准，则将上清液从沉淀池排出；否则，将上清液回流至磁化模块与污水混合进行磁化处理。本申请通过上清液排放质量的实时监控及回流处理，确保最终排放物质达到环保标准。
实施例2
一种尾矿库泄漏低温高浊重金属污水处理系统，包括：
磁化模块，用于根据磁场强度和磁化时间将尾矿污水进行磁化处理；
沉淀模块，用于将尾矿污水输送至混合池，根据絮凝剂投加量、混凝剂投加量、磁种投加量向混合池中投加磁种、絮凝剂和混凝剂；
第一分离模块，用于经过混合反应时间后，通过磁富集模块打捞混合池中的带磁絮团，将混合池中剩余的尾矿污水传输至沉淀池；
第二分离模块，用于将带磁絮团通过磁回收模块脱水分离得到尾矿污水、磁种和污泥，将磁种循环投加至混合池，尾矿污水传输至沉淀池；
检测模块，用于检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值；
预测模块，用于根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型；
调节模块，用于根据第一神经网络模型输出的沉降时间、上清液最终浊度和重金属最终浓度调整下一次尾矿污水的处理参数。
实施例3
一种电子设备，包括：处理器和存储器，存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当处理器执行计算机指令时，电子设备执行一种尾矿库泄漏低温高浊重金属污水处理方法。
参考图4，该电子设备2包括处理器21，存储器22，输入装置24，输出装置23。该处理器21、存储器22、输入装置24和输出装置23通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本发明实施例对此不作限定。应当理解，本发明的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器（graphics processing unit， GPU），在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本发明实施例不作限定。
存储器22可用于存储计算机程序指令，以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体（random accessmemory，RAM）、只读存储器（read-only memory，ROM）、可擦除可编程只读存储器（erasableprogrammable read only memory，EPROM）、或便携式只读存储器（compact disc read-only memory，CD-ROM），该存储器用于相关指令及数据。
输入装置24用于输入数据和/或信号，以及输出装置23用于输出数据和/或信号。输出装置23和输入装置24可以是独立的器件，也可以是一个整体的器件。
本申请通过磁化处理和磁絮凝能有效地对尾矿库泄漏的低温高浊重金属污水进行处理，节省絮凝剂、混凝剂的投加量。同时，通过第一神经网络模型的预测结果，有助于处理人员在处理开始前，可以根据预测的结果进行必要的调整，例如增减处理剂的加入量，改变磁场强度或者调整磁化时间，以确保处理结果达到预期效果，从而确保实际的污水处理过程能满足环保要求和实际工作需要。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种尾矿库泄漏低温高浊重金属污水处理方法，其特征在于，包括：
采用磁化模块根据磁场强度和磁化时间将尾矿污水进行磁化处理；
将磁化处理后的尾矿污水输送至混合池，根据絮凝剂投加量、混凝剂投加量和磁种投加量向混合池中投加磁种、絮凝剂和混凝剂；
经过混合反应时间后，通过磁富集模块打捞混合池中的带磁絮团，将混合池中剩余的尾矿污水传输至沉淀池；
将所述带磁絮团通过磁回收模块脱水分离得到尾矿污水、磁种和污泥，将分离得到的磁种循环投加至混合池，分离得到的尾矿污水传输至沉淀池；
检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值；
根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型；
根据第一神经网络模型输出的沉降时间、上清液最终浊度和重金属最终浓度调整下一次尾矿污水的处理参数；
所述根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型包括：
将絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间输入第一神经网络模型；
第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度；
根据第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度与沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值计算总损失函数；
迭代训练至总损失函数满足预设要求时停止。
2.根据权利要求1所述的一种尾矿库泄漏低温高浊重金属污水处理方法，其特征在于，所述检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值之后，还包括；
若上清液最终浊度和重金属最终浓度满足预设标准，则将上清液从沉淀池排出；否则，将上清液回流至磁化模块与污水混合进行磁化处理。
3.根据权利要求2所述的一种尾矿库泄漏低温高浊重金属污水处理方法，其特征在于，所述根据第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度与沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值计算总损失函数包括：
所述总损失函数包括均方误差和正则化损失；
所述总损失函数表示为:
所述均方误差表示为：
其中，n指的是样本数量，假设是模型的预测值，是实际值；
所述正则化损失表示为：
其中表示权重，是正则化参数。
4.根据权利要求3所述的一种尾矿库泄漏低温高浊重金属污水处理方法，其特征在于，所述迭代训练至总损失函数满足预设要求时停止包括：
通过反向传播计算总损失函数相对于每个权重和偏差的偏导数；
设定总损失函数为，第l层中的第j个神经元的输出为a，则偏导数表示为；
对于每个隐藏层，使用链式法则计算损失函数关于当前隐藏层每个神经元输入的偏导数：
其中，表示对所有第l+1层神经元进行求和，表示第l层的第j个神经元的输入，即神经元接收到的信号，具体为前一层神经元的输出和对应权重的线性组合再加上偏差；表示第l层的第j个神经元的输出；
得到总损失函数关于每个权重和偏差的偏导数：
；
其中，为从第(l-1)层的第i个神经元到第l层的第j个神经元的连接的权重；为第l层的第j个神经元的偏差，即该神经元的阈值；
根据计算的偏导数，使用梯度下降法更新第一神经网络模型中的每一个权重和偏差参数；
重复训练直至第一神经网络模型的性能达到预设要求或者迭代次数达到阈值停止。
5.根据权利要求1所述的一种尾矿库泄漏低温高浊重金属污水处理方法，其特征在于，设置絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间包括：
收集历史处理过程中实际的输入参数数据，所述输入参数包括：絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间，和对应的处理标准参数结果，所述处理标准参数结果包括：沉降时间、上清液最终浊度和重金属最终浓度；
使用已训练好的第一神经网络模型对输入参数进行预测，并将预测结果与实际的处理标准参数结果进行对比，以得到预测误差；
计算每个输入参数与预测误差的相关系数，相关系数的绝对值越大，表示输入参数与预测误差的关系越强，需要对当前参数进行更大幅度的调整；
定义最小化预测误差作为优化目标，使用遗传算法对输入参数进行优化；
在优化过程中，每一个输入参数的调整幅度与预测误差的相关系数成正比，相关系数越大的参数调整幅度越大；
将优化后的输入参数数据反馈给处理过程，并持续迭代过程，实现参数的自适应调整。
6.一种尾矿库泄漏低温高浊重金属污水处理系统，其特征在于，包括：
磁化模块，用于根据磁场强度和磁化时间将尾矿污水进行磁化处理；
沉淀模块，用于将磁化处理后的尾矿污水输送至混合池，根据絮凝剂投加量、混凝剂投加量和磁种投加量向混合池中投加磁种、絮凝剂和混凝剂；
第一分离模块，用于经过混合反应时间后，通过磁富集模块打捞混合池中的带磁絮团，将混合池中剩余的尾矿污水传输至沉淀池；
第二分离模块，用于将所述带磁絮团通过磁回收模块脱水分离得到尾矿污水、磁种和污泥，将分离得到的磁种循环投加至混合池，分离得到的尾矿污水传输至沉淀池；
检测模块，用于检测沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值；
预测模块，用于根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型；
所述根据沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值训练第一神经网络模型包括：
将絮凝剂投加量、混凝剂投加量、磁种投加量、矿浆浓度、磁场强度和磁化时间输入第一神经网络模型；
第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度；
根据第一神经网络模型输出沉降时间、上清液最终浊度和重金属最终浓度与沉淀池沉降完成时沉降时间、上清液最终浊度和重金属最终浓度的实际值计算总损失函数；
迭代训练至总损失函数满足预设要求时停止；
调节模块，用于根据第一神经网络模型输出的沉降时间、上清液最终浊度和重金属最终浓度调整下一次尾矿污水的处理参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410657632.9A CN118270897B (zh) | 2024-05-26 | 2024-05-26 | 一种尾矿库泄漏低温高浊重金属污水处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410657632.9A CN118270897B (zh) | 2024-05-26 | 2024-05-26 | 一种尾矿库泄漏低温高浊重金属污水处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118270897A CN118270897A (zh) | 2024-07-02 |
| CN118270897B true CN118270897B (zh) | 2024-09-13 |
Family
ID=91640167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410657632.9A Active CN118270897B (zh) | 2024-05-26 | 2024-05-26 | 一种尾矿库泄漏低温高浊重金属污水处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118270897B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108298759A (zh) * | 2018-04-09 | 2018-07-20 | 北矿机电科技有限责任公司 | 一种基于磁强化混凝分离的城市污水处理系统和方法 |
| CN111115783A (zh) * | 2020-01-11 | 2020-05-08 | 南京大学 | 一种制备聚钛混凝剂的方法及其应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4375832B2 (ja) * | 1999-02-19 | 2009-12-02 | 独立行政法人科学技術振興機構 | 磁性スラッジを利用した廃水処理装置および廃水処理方法 |
-
2024
- 2024-05-26 CN CN202410657632.9A patent/CN118270897B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108298759A (zh) * | 2018-04-09 | 2018-07-20 | 北矿机电科技有限责任公司 | 一种基于磁强化混凝分离的城市污水处理系统和方法 |
| CN111115783A (zh) * | 2020-01-11 | 2020-05-08 | 南京大学 | 一种制备聚钛混凝剂的方法及其应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118270897A (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Narges et al. | Prediction of the optimal dosage of coagulants in water treatment plants through developing models based on artificial neural network fuzzy inference system (ANFIS) | |
| CN104182794B (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
| CN107132325B (zh) | 一种基于粒子群算法和支持向量机的废水厌氧处理系统出水挥发性脂肪酸的软测量方法 | |
| Allahkarami et al. | Prediction of Co (II) and Ni (II) ions removal from wastewater using artificial neural network and multiple regression models | |
| Du et al. | Removal of chromium from industrial wastewater by magnetic flocculation treatment: Experimental studies and PSO-BP modelling | |
| CN117263464A (zh) | 一种节能型工业污水处理系统及污水处理方法 | |
| Mbamba et al. | Optimization of deep learning models for forecasting performance in the water industry using genetic algorithms | |
| Yasmin et al. | Improved support vector machine using optimization techniques for an aerobic granular sludge | |
| Li et al. | Study on optimal conditions of flocculation in deinking wastewater treatment | |
| CN118270897B (zh) | 一种尾矿库泄漏低温高浊重金属污水处理方法 | |
| Jia et al. | Detecting the interaction between microparticles and biomass in biological wastewater treatment process with Deep Learning method | |
| Wang et al. | Predicting flocculant dosage in the drinking water treatment process using Elman neural network | |
| Ghasemi et al. | Predicting coagulation–flocculation process for turbidity removal from water using graphene oxide: a comparative study on ANN, SVR, ANFIS, and RSM models | |
| Hrnjica et al. | Application of deep learning neural networks for nitrate prediction in the Klokot River, Bosnia and Herzegovina | |
| Wang et al. | Successful prediction for coagulant dosage and effluent turbidity of a coagulation process in a drinking water treatment plant based on the Elman neural network and random forest models | |
| Szeląg et al. | Application of Selected Methods of Artificial Intelligence to Activated Sludge Settleability Predictions. | |
| Szeląg et al. | Application of the model of sludge volume index forecasting to assess reliability and improvement of wastewater treatment plant operating conditions | |
| Rustum | Modelling activated sludge wastewater treatment plants using artificial intelligence techniques (fuzzy logic and neural networks) | |
| CN115353223A (zh) | 一种基于anfis模型的实验室废水处理一体化方法及装置 | |
| Ruck et al. | A neural network predictor of benthic community structure in the Canadian waters of the Laurentian Great Lakes | |
| Bui et al. | Application of artificial neural networks on water and wastewater prediction: A review | |
| Nakhaei et al. | Prediction of sulfur removal from iron concentrate using column flotation froth features: comparison of k-means clustering, regression, backpropagation neural network, and convolutional neural network | |
| CN118343914A (zh) | 一种一体化污水处理设备的mbr膜池加热温度控制系统 | |
| CN115390460B (zh) | 一种重介旋流器的控制系统 | |
| Liu et al. | ANN-based prediction of ammonia nitrogen for wastewater discharge indicators under carbon neutral trend |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |