JPH06335694A - 排水の生物学的処理装置の制御装置 - Google Patents
排水の生物学的処理装置の制御装置Info
- Publication number
- JPH06335694A JPH06335694A JP5128582A JP12858293A JPH06335694A JP H06335694 A JPH06335694 A JP H06335694A JP 5128582 A JP5128582 A JP 5128582A JP 12858293 A JP12858293 A JP 12858293A JP H06335694 A JPH06335694 A JP H06335694A
- Authority
- JP
- Japan
- Prior art keywords
- sludge
- control
- amount
- neural network
- excess
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Activated Sludge Processes (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 汚泥の沈降特性が変化した場合も安定した制
御ができるようにした。 【構成】 ニューラルネット制御部２０にＳＲＴ設定
値、流入水量（Ｑｓ）計５のＱｓ値、汚泥容量指標（Ｓ
ＶＩ）計４からのＳＶＩ値を導入する。この制御部２０
でこれら値を処理して出力に余剰汚泥量Ｑｗと返送汚泥
量ＱRを送出する。Ｑｗにより余剰汚泥ポンプ９が制御
され、ＱRにより返送用制御弁２２が制御される。
御ができるようにした。 【構成】 ニューラルネット制御部２０にＳＲＴ設定
値、流入水量（Ｑｓ）計５のＱｓ値、汚泥容量指標（Ｓ
ＶＩ）計４からのＳＶＩ値を導入する。この制御部２０
でこれら値を処理して出力に余剰汚泥量Ｑｗと返送汚泥
量ＱRを送出する。Ｑｗにより余剰汚泥ポンプ９が制御
され、ＱRにより返送用制御弁２２が制御される。
Description
【０００１】
【産業上の利用分野】本発明は排水の水質制御を行う活
性汚泥処理システムにおける排水の生物学的処理装置の
制御装置に関する。
性汚泥処理システムにおける排水の生物学的処理装置の
制御装置に関する。
【０００２】
【従来の技術】一般に排水は活性汚泥微生物により好気
的（脱窒，脱リンは必要な場合等、一部嫌気的プロセス
を含む）に処理される。このとき、微生物は増殖するた
め処理系を安定（定常）に維持するためには、活性汚泥
の一部は余剰汚泥として処理系外に排出するが、一部は
返送汚泥として処理系に返送される。余剰汚泥の排出量
の制御としては現在では以下のような手段がある。
的（脱窒，脱リンは必要な場合等、一部嫌気的プロセス
を含む）に処理される。このとき、微生物は増殖するた
め処理系を安定（定常）に維持するためには、活性汚泥
の一部は余剰汚泥として処理系外に排出するが、一部は
返送汚泥として処理系に返送される。余剰汚泥の排出量
の制御としては現在では以下のような手段がある。
【０００３】（１）一日当りの目標引き抜き汚泥量を設
定し、余剰の積算流量がその目標値になるまで引き抜く
方法（定量引き抜き制御） （２）曝気槽内汚泥流量の一定割合を毎日引き抜く方法
（汚泥日令制御、ＳＡ制御） （３）系内汚泥量の一定割合を毎日引き抜く方法（平均
汚泥滞留時間制御、ＳＲＴ制御） 等が提案され、一部実用化されているが、現在、余剰汚
泥量制御として最も良好な管理方法はＳＲＴ制御であ
る。
定し、余剰の積算流量がその目標値になるまで引き抜く
方法（定量引き抜き制御） （２）曝気槽内汚泥流量の一定割合を毎日引き抜く方法
（汚泥日令制御、ＳＡ制御） （３）系内汚泥量の一定割合を毎日引き抜く方法（平均
汚泥滞留時間制御、ＳＲＴ制御） 等が提案され、一部実用化されているが、現在、余剰汚
泥量制御として最も良好な管理方法はＳＲＴ制御であ
る。
【０００４】また、返送汚泥量制御手段としては、定量
返送手段、流入水比例制御手段（返送率一定制御）、Ｍ
ＬＳＳ演算制御手段および界面一定制御手段等がある。
返送手段、流入水比例制御手段（返送率一定制御）、Ｍ
ＬＳＳ演算制御手段および界面一定制御手段等がある。
【０００５】ここでは余剰汚泥量制御のうちのＳＲＴ制
御を例として述べる。図５はＳＲＴ制御を行うための概
略構成図を示したもので、図５において、曝気槽１の出
力付近に配置された汚泥容量（ＳＶ）計２、並びに活性
汚泥浮遊量（ＭＬＳＳ）計３の検出値をそれぞれ汚泥容
量指標（ＳＶＩ）計４に導入して、汚泥容量指標ＳＶＩ
を算出する。この算出された汚泥容量指標ＳＶＩの値、
流入水量（Ｑｓ）計５による流入水量Ｑｓ、並びに返送
（余剰）汚泥濃度（ＣR）計６１により求められる返送
汚泥量などから、演算処理（ＷＳ）部７によって、最終
沈殿池１０内における汚泥量を演算する。またこの演算
された最終沈殿池内汚泥量ＭＦ、余剰汚泥量（Ｑｗ）計
１１からの余剰汚泥量Ｑｗ、並びに上記の返送（余剰）
濃度ＣRをＳＲＴ制御部８に入力する。そしてこれらの
入力に基づいてＳＲＴ制御部８により余剰汚泥量を求
め、この余剰汚泥量に応じて余剰汚泥引き抜き用の余剰
汚泥ポンプ９をＯＮ／ＯＦＦ制御して所定量の余剰汚泥
を排出することで、処理系を安定に維持している。
御を例として述べる。図５はＳＲＴ制御を行うための概
略構成図を示したもので、図５において、曝気槽１の出
力付近に配置された汚泥容量（ＳＶ）計２、並びに活性
汚泥浮遊量（ＭＬＳＳ）計３の検出値をそれぞれ汚泥容
量指標（ＳＶＩ）計４に導入して、汚泥容量指標ＳＶＩ
を算出する。この算出された汚泥容量指標ＳＶＩの値、
流入水量（Ｑｓ）計５による流入水量Ｑｓ、並びに返送
（余剰）汚泥濃度（ＣR）計６１により求められる返送
汚泥量などから、演算処理（ＷＳ）部７によって、最終
沈殿池１０内における汚泥量を演算する。またこの演算
された最終沈殿池内汚泥量ＭＦ、余剰汚泥量（Ｑｗ）計
１１からの余剰汚泥量Ｑｗ、並びに上記の返送（余剰）
濃度ＣRをＳＲＴ制御部８に入力する。そしてこれらの
入力に基づいてＳＲＴ制御部８により余剰汚泥量を求
め、この余剰汚泥量に応じて余剰汚泥引き抜き用の余剰
汚泥ポンプ９をＯＮ／ＯＦＦ制御して所定量の余剰汚泥
を排出することで、処理系を安定に維持している。
【０００６】
【発明が解決しようとする課題】上述した汚泥量制御シ
ステムにおいては、活性汚泥の沈降特性を考慮していな
いため、汚泥の沈降特性が変化すると、制御が目標値に
維持できなくなる。また、返送汚泥量制御と余剰汚泥量
制御が別々に制御されるため、相互干渉により相互に悪
影響を及ぼすおそれがある。
ステムにおいては、活性汚泥の沈降特性を考慮していな
いため、汚泥の沈降特性が変化すると、制御が目標値に
維持できなくなる。また、返送汚泥量制御と余剰汚泥量
制御が別々に制御されるため、相互干渉により相互に悪
影響を及ぼすおそれがある。
【０００７】本発明は上記の事情に鑑みてなされたもの
で、汚泥の沈降特性が変化した場合も安定した制御がで
きるとともに、返送、余剰汚泥量制御を同時に行って相
互干渉を防止するようにした排水の生物学的処理装置の
制御装置を提供することを目的とする。
で、汚泥の沈降特性が変化した場合も安定した制御がで
きるとともに、返送、余剰汚泥量制御を同時に行って相
互干渉を防止するようにした排水の生物学的処理装置の
制御装置を提供することを目的とする。
【０００８】
【課題を解決するための手段】本発明は上記の目的を達
成するために、排水の生物学的処理装置において、この
処理装置におけるＳＲＴ設定値、汚泥容量指標（ＳＶ
Ｉ）および流入水量をニューラルネットモデルへの入力
変数とし、このニューラルネットモデルで前記変数を処
理して出力に返送汚泥量と余剰汚泥量とを出力変数とし
て送出すると共に、前記ニューラルネットモデルは階層
形モデルであることを特徴とするものである。
成するために、排水の生物学的処理装置において、この
処理装置におけるＳＲＴ設定値、汚泥容量指標（ＳＶ
Ｉ）および流入水量をニューラルネットモデルへの入力
変数とし、このニューラルネットモデルで前記変数を処
理して出力に返送汚泥量と余剰汚泥量とを出力変数とし
て送出すると共に、前記ニューラルネットモデルは階層
形モデルであることを特徴とするものである。
【０００９】
【作用】定常解析プログラムにより返送汚泥量制御およ
び余剰汚泥量制御方式からそれぞれ一方式づつ選択し、
選択した制御方式の各設定値（目標値）の組み合わせを
変更し、その収束解を求めて教師データを生成する。こ
の教師データとニューロモデル出力値との誤差の二乗和
を評価関数としてこの値が最小となるようにニューロモ
デルに含まれる重み係数やオフセット値の同定（学習）
を行う。
び余剰汚泥量制御方式からそれぞれ一方式づつ選択し、
選択した制御方式の各設定値（目標値）の組み合わせを
変更し、その収束解を求めて教師データを生成する。こ
の教師データとニューロモデル出力値との誤差の二乗和
を評価関数としてこの値が最小となるようにニューロモ
デルに含まれる重み係数やオフセット値の同定（学習）
を行う。
【００１０】
【実施例】以下本発明の実施例を図面に基づいて説明す
るに、図５に示した従来の制御システムとの主な違い
は、演算処理部７とＳＲＴ制御部８に代えて、ニューラ
ルネット制御部２０を設けたことである。
るに、図５に示した従来の制御システムとの主な違い
は、演算処理部７とＳＲＴ制御部８に代えて、ニューラ
ルネット制御部２０を設けたことである。
【００１１】ＳＲＴ制御における操作量は余剰汚泥量
（通常は１日当りの余剰汚泥量）であるから、ニューラ
ルネット制御の入力項目（入力変数）はＳＲＴ制御下で
この余剰汚泥量に影響を及ぼす因子が選定され、具体的
には、汚泥容量ＳＶ30と活性汚泥浮遊量ＭＬＳＳ濃度よ
り演算される汚泥容量指標ＳＶＩ、平均汚泥滞留時間Ｓ
ＲＴの設定値（ＳＲＴｓｅｔ）および流入水量Ｑｓの３
項目を用いる。また、ニューラルネット制御における操
作量である出力項目（出力変数）は、返送汚泥量ＱRと
余剰汚泥量Ｑｓである。
（通常は１日当りの余剰汚泥量）であるから、ニューラ
ルネット制御の入力項目（入力変数）はＳＲＴ制御下で
この余剰汚泥量に影響を及ぼす因子が選定され、具体的
には、汚泥容量ＳＶ30と活性汚泥浮遊量ＭＬＳＳ濃度よ
り演算される汚泥容量指標ＳＶＩ、平均汚泥滞留時間Ｓ
ＲＴの設定値（ＳＲＴｓｅｔ）および流入水量Ｑｓの３
項目を用いる。また、ニューラルネット制御における操
作量である出力項目（出力変数）は、返送汚泥量ＱRと
余剰汚泥量Ｑｓである。
【００１２】なお、入力項目としては上記の場合、３項
目としたが、次のような項目を必要に応じて選択する。
目としたが、次のような項目を必要に応じて選択する。
【００１３】（１）ＳＶＩ、（２）Ｑｓ、（３）流入Ｂ
ＯＤ濃度（Ｌｓ）、（４）返送汚泥量制御目標値（例え
ば、流入水比例制御の場合、返送比率）、（５）余剰汚
泥量制御目標値（例えば、ＳＲＴ制御の場合はＳＲＴ設
定値、（６）流入ＳＳ濃度、（７）流入ＮＨ4−Ｎ濃
度。
ＯＤ濃度（Ｌｓ）、（４）返送汚泥量制御目標値（例え
ば、流入水比例制御の場合、返送比率）、（５）余剰汚
泥量制御目標値（例えば、ＳＲＴ制御の場合はＳＲＴ設
定値、（６）流入ＳＳ濃度、（７）流入ＮＨ4−Ｎ濃
度。
【００１４】上記入力項から教師データを生成するには
まず定常解析により上記した返送汚泥量制御および余剰
汚泥量制御方式より、それぞれ一方式づつ選択し、選択
した制御方式の各設定値（目標値）の組み合わせを変更
し、その収束解を求める。その収束解は返送汚泥量ＱR
と余剰汚泥量Ｑｗである。
まず定常解析により上記した返送汚泥量制御および余剰
汚泥量制御方式より、それぞれ一方式づつ選択し、選択
した制御方式の各設定値（目標値）の組み合わせを変更
し、その収束解を求める。その収束解は返送汚泥量ＱR
と余剰汚泥量Ｑｗである。
【００１５】図２にニューラルネットワークの１例を示
す。図２において、入力層２４にはＳＶＩ、ＳＲＴ、Ｑ
ｓの３つのデータが入力される。これらデータは中間層
２５で処理されて出力層２６にＱｗ、Ｑｓの２つの出力
を送出する。この場合、返送汚泥量制御として界面一定
制御、また、余剰汚泥量制御としてはＳＲＴ制御をそれ
ぞれ選択した。ここではＳＶＩを７種類、ＳＲＴも７種
類合計７×７＝４９種類の入力データに対する出力（Ｑ
ｗ、ＱR値）を定常解析により求め、教師データとし
た。
す。図２において、入力層２４にはＳＶＩ、ＳＲＴ、Ｑ
ｓの３つのデータが入力される。これらデータは中間層
２５で処理されて出力層２６にＱｗ、Ｑｓの２つの出力
を送出する。この場合、返送汚泥量制御として界面一定
制御、また、余剰汚泥量制御としてはＳＲＴ制御をそれ
ぞれ選択した。ここではＳＶＩを７種類、ＳＲＴも７種
類合計７×７＝４９種類の入力データに対する出力（Ｑ
ｗ、ＱR値）を定常解析により求め、教師データとし
た。
【００１６】次に、上記教師データとニューラルネット
ワークモデル出力値との誤差の二乗和を評価関数とし
て、この値が最小となるように、ニューラルネットワー
クモデルに含まれる重み係数やオフセットの同定（学
習）を行った。約１万回学習させた場合のＱｗとＱRの
結果を図３と図４に示した。図３と図４から教師データ
とニューラルネット出力値が良く一致したことからニュ
ーラルネットを利用したニューロ制御が可能であるが示
唆された。
ワークモデル出力値との誤差の二乗和を評価関数とし
て、この値が最小となるように、ニューラルネットワー
クモデルに含まれる重み係数やオフセットの同定（学
習）を行った。約１万回学習させた場合のＱｗとＱRの
結果を図３と図４に示した。図３と図４から教師データ
とニューラルネット出力値が良く一致したことからニュ
ーラルネットを利用したニューロ制御が可能であるが示
唆された。
【００１７】上記のように得られたＱｗは図１に示すよ
うにニューラルネット制御部２０からオンオフ制御器２
１に与えられ、余剰汚泥ポンプ９が制御される。また、
ＱRもニューラルネット制御部２０から送出され、これ
により制御弁２２が制御されてポンプ２３からの流量が
制御される。
うにニューラルネット制御部２０からオンオフ制御器２
１に与えられ、余剰汚泥ポンプ９が制御される。また、
ＱRもニューラルネット制御部２０から送出され、これ
により制御弁２２が制御されてポンプ２３からの流量が
制御される。
【００１８】
【発明の効果】以上述べたように、本発明によれば、生
物学的処理装置の制御装置にニューラルネットワークを
用いることにより、多変量制御（ＱR、Ｑｗの２項目の
ようなもの）が簡単に構築でき、また、学習機能によ
り、ニューロモデルに含まれる重み係数等のパラメータ
を簡単に同定することができる。さらに入力項目にＳＶ
Ｉを含んでいるため、汚泥の沈降特性が変化した場合も
安定した制御が継続でき、しかも返送、余剰汚泥量制御
を同時に行っても相互干渉が生じないようにできる等の
利点がある。
物学的処理装置の制御装置にニューラルネットワークを
用いることにより、多変量制御（ＱR、Ｑｗの２項目の
ようなもの）が簡単に構築でき、また、学習機能によ
り、ニューロモデルに含まれる重み係数等のパラメータ
を簡単に同定することができる。さらに入力項目にＳＶ
Ｉを含んでいるため、汚泥の沈降特性が変化した場合も
安定した制御が継続でき、しかも返送、余剰汚泥量制御
を同時に行っても相互干渉が生じないようにできる等の
利点がある。
【図１】本発明の実施例を示すニューラルネット制御シ
ステムの説明図である。
ステムの説明図である。
【図２】階層形ニューラルネットモデル図である。
【図３】余剰汚泥量Ｑｗの学習結果を示す説明図であ
る。
る。
【図４】返送汚泥量ＱRの学習結果を示す説明図であ
る。
る。
【図５】従来のＳＲＴ制御装置の構成図である。
１…曝気槽 ２…汚泥容量（ＳＶ）計 ３…活性汚泥浮遊量（ＭＬＳＳ）計 ４…汚泥容量指標（ＳＶＩ）計 ５…流入水量（Ｑｓ）計 ９…余剰汚泥ポンプ １０…最終沈殿池 ２０…ニューラルネット制御部 ２１…オンオフ制御部 ２２…制御弁 ２３…ポンプ
Claims (1)
- 【請求項１】 排水の生物学的処理装置において、この
処理装置におけるＳＲＴ設定値、汚泥容量指標（ＳＶ
Ｉ）および流入水量をニューラルネットモデルへの入力
変数とし、このニューラルネットモデルで前記変数を処
理して出力に返送汚泥量と余剰汚泥量とを出力変数とし
て送出すると共に、前記ニューラルネットモデルは階層
形モデルであることを特徴とする排水の生物学的処理装
置の制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5128582A JPH06335694A (ja) | 1993-05-31 | 1993-05-31 | 排水の生物学的処理装置の制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5128582A JPH06335694A (ja) | 1993-05-31 | 1993-05-31 | 排水の生物学的処理装置の制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06335694A true JPH06335694A (ja) | 1994-12-06 |
Family
ID=14988321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5128582A Pending JPH06335694A (ja) | 1993-05-31 | 1993-05-31 | 排水の生物学的処理装置の制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06335694A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10151480A (ja) * | 1996-11-25 | 1998-06-09 | Maezawa Ind Inc | 排水処理装置及びその運転方法 |
| FR2784093A1 (fr) * | 1998-10-06 | 2000-04-07 | Suez Lyonnaise Des Eaux | Perfectionnements apportes au traitement d'eaux usees selon les procedes par boues activees |
| EP1376276A1 (en) * | 2002-06-21 | 2004-01-02 | H2L Co., Ltd | An AI based control system and method for treating sewage/waste water by means of a neural network and a back-propagation algorithm |
| WO2017033160A1 (fr) * | 2015-08-27 | 2017-03-02 | Suez International | Procédé de traitement des eaux usées comportant un décanteur statique rapide et installation associée |
| WO2020183576A1 (ja) * | 2019-03-11 | 2020-09-17 | 株式会社 ゴーダ水処理技研 | 排水処理施設の運転管理システム |
-
1993
- 1993-05-31 JP JP5128582A patent/JPH06335694A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10151480A (ja) * | 1996-11-25 | 1998-06-09 | Maezawa Ind Inc | 排水処理装置及びその運転方法 |
| FR2784093A1 (fr) * | 1998-10-06 | 2000-04-07 | Suez Lyonnaise Des Eaux | Perfectionnements apportes au traitement d'eaux usees selon les procedes par boues activees |
| WO2000020344A1 (fr) * | 1998-10-06 | 2000-04-13 | Suez Lyonnaise Des Eaux | Perfectionnements apportes au traitement d'eaux usees selon les procedes par boues activees |
| KR100642974B1 (ko) * | 1998-10-06 | 2006-11-10 | 수에즈 리오네즈 데 조 | 활성 슬러지 공정을 이용한 폐수 처리의 개선 |
| EP1376276A1 (en) * | 2002-06-21 | 2004-01-02 | H2L Co., Ltd | An AI based control system and method for treating sewage/waste water by means of a neural network and a back-propagation algorithm |
| WO2017033160A1 (fr) * | 2015-08-27 | 2017-03-02 | Suez International | Procédé de traitement des eaux usées comportant un décanteur statique rapide et installation associée |
| FR3040388A1 (fr) * | 2015-08-27 | 2017-03-03 | Degremont | Procede de traitement des eaux usees comportant un decanteur statique rapide et installation associee |
| WO2020183576A1 (ja) * | 2019-03-11 | 2020-09-17 | 株式会社 ゴーダ水処理技研 | 排水処理施設の運転管理システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schmitt et al. | Development of artificial neural networks to predict membrane fouling in an anoxic-aerobic membrane bioreactor treating domestic wastewater | |
| Lindberg | Control and estimation strategies applied to the activated sludge process | |
| AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
| Ingildsen et al. | Dissolved oxygen controller based on on-line measurements of ammonium combining feed-forward and feedback | |
| EP0642469B1 (en) | Method of controlling wastewater purification plants using multiple control functions | |
| Dalmau et al. | Comparison of a deterministic and a data driven model to describe MBR fouling | |
| US20030234218A1 (en) | System and method for AI controlling waste-water treatment by neural network and back-propagation algorithm | |
| Schraa et al. | Ammonia-based aeration control with optimal SRT control: improved performance and lower energy consumption | |
| JP4334317B2 (ja) | 下水処理システム | |
| Cadet et al. | Multicriteria control strategy for cost/quality compromise in wastewater treatment plants | |
| CN114380378B (zh) | 智能控磷药品投加方法、装置及存储介质 | |
| CN114604962A (zh) | 高速公路服务区污水处理系统运行工况的控制方法和系统 | |
| Nam et al. | An autonomous operational trajectory searching system for an economic and environmental membrane bioreactor plant using deep reinforcement learning | |
| Flores-Alsina et al. | Including the effects of filamentous bulking sludge during the simulation of wastewater treatment plants using a risk assessment model | |
| EP0643672B1 (en) | Method of controlling wastewater purification plants using quality evaluation of measuring data | |
| JPH06335694A (ja) | 排水の生物学的処理装置の制御装置 | |
| Lindberg | Multivariable modeling and control of an activated sludge process | |
| JPH07115025B2 (ja) | Ｓｖｉを用いたバルキング制御方法 | |
| JP7494669B2 (ja) | 排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置 | |
| Piotrowski et al. | Adaptive stochastic and hybrid nonlinear optimization algorithms for improving the effectiveness of the biological processes at WWTP | |
| JP3123167B2 (ja) | 硝化脱窒プロセスシミュレータ | |
| JP3460211B2 (ja) | 下水処理制御装置 | |
| JPH06328091A (ja) | 生物学的処理装置の制御システムにおける汚泥容量指標推定方法 | |
| CN118427626B (zh) | 一种污水处理池的曝气时间确定方法和系统 | |
| JPH06335693A (ja) | 活性汚泥プロセスのニューロ制御装置 |