Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Zastosowanie ciśnieniowych procesów membranowych i bioreaktora membranowego do usuwania azotanów z wody pitnej

100%

Wąsik E. , Bohdziewicz J.

Inżynieria i Ochrona Środowiska

1998

tom T. 1, nr 2

162-170

Intensywne stosowanie chemikaliów oraz rozwój rolnictwa doprowadziły w Polsce do zanieczyszczenia azotanami wielu naturalnych zbiorników wodnych. Wzrastające ich stężenie w wodzie gruntowej może być przyczyną poważnych chorób, m.in. metemoglobinemii u niemowląt. Metody klasyczne, pozwalające na usuwanie NO(-3), obejmują procesy fizykochemiczne oraz biologiczne. W pracy opisano próbę usuwania azotanów z wody wodociągowej za pomocą dwóch skojarzonych procesów: nanofiltracji z odwróconą osmozą oraz denitryfikacji z ultrafiltracją.

The intensive development of agriculture and application of chemicals led to the contamination of a big number of natural water reservoirs and ground waters with nitrates. Increased nitrate concentrations in ground water have caused methemoglobinemia in infants. Several treatment have been proposed to overcome this problem, some of them based upon physico-chemical processes, others on biological processes. This paper describes an attempt at removal of nitrate ions from tap water by two combined processes: reverse osmosis-nanofiltration and biological denitrification-ultrafiltration.

Zastosowanie sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w odpływie z oczyszczalni ścieków

80%

Wąsik E. , Chmielowski K. , Studziński J. , Szeląg B.

tom Vol. 40, nr 1

29--33

Zaprezentowano możliwość wykorzystania sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w ściekach oczyszczonych w funkcji jego różnych postaci występujących w odpływie z oczyszczalni ścieków. W badaniach zastosowano dane z lat 2010–2016, zawierające pomiary zawartości związków azotu w ściekach odpływających z oczyszczalni obsługującej aglomerację o równoważnej liczbie mieszkańców powyżej 100000. Zbiór danych wejściowych został wstępnie poddany analizie skupień i następnie wykorzystany do trenowania sieci neuronowej w postaci perceptronu wielowarstwowego. Na podstawie uzyskanych symulacji stwierdzono, że najmniejsze wartości błędów prognozy ilosci azotu ogólnego (2÷3%) uzyskano w wariancie, gdy jego wartość była funkcją wszystkich postaci azotu występujących w oczyszczonych ściekach. W przypadku modelu wykorzystującego jedynie dane o zawartości azotu nieorganicznego oraz azotanów otrzymane wyniki symulacji niewiele różniły się od wartości rzeczywistych, na co wskazuje bardzo duża wartość współczynnika korelacji (>97%). Wartość średniego błędu bezwzględnego w tym przypadku zwiększyła się tylko o około 4 punkty procentowe do wartości 6,2% (proces uczenia) oraz 6,9% (proces testowania/walidacji) w stosunku do symulacji wykorzystującej wszystkie postacie azotu w ściekach.

Potential application of artifi cial neural networks (ANN) to forecast total nitrogen content (TNC) in treated wastewater was presented as a function of selected nitrogen forms present in the secondary effl uent. The analyzed data from the period of 2010–2016 covered measurements of the nitrogen content in the effl uent from the treatment plant servicing agglomeration with a population equivalent of more than 100,000. The input data set was initially subjected to cluster analysis and then, used to train a neural network in the form of a multilayer perceptron (MLP). The simulations demonstrated that the smallest error values for the forecast of TNC (2–3%) were obtained for the variant, the value of which was a function of all the forms of nitrogen present in the secondary effl uent. For the total nitrogen model based on inorganic nitrogen and nitrates data only, the simulation results did not differ signifi cantly from the actual values, as indicated by a very high correlation coeffi cient (over 97%). In this case, the value of the mean absolute error increased only by nearly 4% to 6.2% (learning process) or 6.9% (testing/validation process), compared to the simulation based on all the nitrogen forms in the sewage.