摘要：【目的】 文章旨在解决人工经验模式下，水厂的高密度澄清处理工艺中，药剂投加控制过程面临若干技术难题，包括反应时间的延迟、对水质和水量变化的不敏感性，以及药剂投加的不精确性，提升水厂精细化运行水平。 【方法】 文章基于反向传播神经网络构建了高密度澄清工艺药剂投加预测模型，通过“学习”上海某水厂高密度澄清工艺的实际运行数据，实现了对工艺混凝剂(硫酸铝)和絮凝剂(聚丙烯酰胺)加注率的同时预测。 训练后的模型加载于水厂模型管理平台，通过获取实时数据实现了在线运行和预测。 在此基础上，文章结合该水厂的工艺运行现状，提出了基于模型辅助的药剂投加控制策略，并在生产环节进行了测试和应用。 【结果】 模拟结果显示，药剂投加模型对2种药剂加注率预测的相对误差均小于10%，反映出较高的预测精度。 不仅如此，与单纯的按人工经验药剂投加控制方式对比，在模型辅助控制的策略下，药剂的加注率可随进水的水质和水量波动及时调整，提升了药剂投加的灵敏度。 【结论】 通过采用模型辅助药剂投加的控制策略，高密度澄清工艺能更好地应对水质和水量变化带来的冲击，有效弥补了人工经验投加模式存在的不足，为水厂精细化和智慧化运行提供了有力支撑。

关键词：高密度澄清工艺；药剂投加控制；神经网络模型；数据清洗；模型辅助决策

基金资助：国家重点研发计划(2021YFC3201303);上海市住建委水资源保护与利用学科研究中心服务项目;上海城投科技创新计划启明星专项(CTKY-PTRC-2023-002-001-002);南市水厂“泥/水平衡”模拟及优化项目(C202115)

下载

查看