NEIGHBORHOOD MODELING OF WASTEWATER TREATMENT PROCESSES

Cover Page

Cite item

Full Text

Abstract

The article presents the definition of industrial and domestic sewage, their principal and staff are listed. The main task of the wastewater treatment facilities are described, the sewage treatment plant, its components are given. The purpose of the writing of this work lies in the prediction of the composition of mixed waste water, which is coming from households and industrial enterprises in a centralized system of water removal, after cleaning on the basis of dynamic linear and quadratic neighborhood models. The work is relevant because before draining waste waters into the pond, you must ensure that the information contained in their composition of impurities and contaminants do not exceed acceptable norms. In the article is presented the wastewater treatment process in the form neighborhood dynamic model, consisting of five nodes. The dynamic linear and quadratic neighborhood models are reviewed. The equations of recalculation of conditions and outputs for the intermediate and output nodes neighborhood models are given. The identification of dynamic linear and quadratic neighborhood models of wastewater treatment are performed, calculated average absolute errors for identification. The comparison of the results of dynamic linear and quadratic neighborhood models and the conclusion are produced.

About the authors

Anatoliy Mihaylovich Shmyirin

Lipetsk State Technical University

Email: amsh@lipetsk.ru
Doctor of technical sciences, Professor, Head of Mathematics Department Lipetsk, the Russian Federation

Irina Aleksandrovna Sedykh

Lipetsk State Technical University

Email: sedykh-irina@yandex.ru
PhD of of Physics and Mathematics Lipetsk, the Russian Federation

Anastasiya Mikhailovna Smetannikova

Lipetsk State Technical University

Email: n.smetannickowa@yandex.ru
Student, Physics and Technology Faculty Lipetsk, the Russian Federation

Ekaterina Yurevna Nikiforova

Regional State Unitary Enterprise «Lipetskoblvodokanal»

Email: niki291279@yandex.ru
chief process engineer Lipetsk, the Russian Federation

References

  1. Блюмин С.Л., Шмырин А.М., Шмырина О.А. Билинейные окрестностные системы. Липецк: ЛГТУ, 2006. 130 с.
  2. Шмырин A.M., Седых И.А. Классификация билинейных окрестностных моделей // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2012. T. 17. Вып. 5. C. 1366-1369.
  3. Шмырин А.М., Седых И.А., Щербаков А.П. Общие билинейные дискретные модели // Вестник Воронежского государственного технического университета. Воронеж, 2014. Т. 10. Вып. 3-1. С. 44-49.
  4. Шмырин А.М., Седых И.А. Дискретные модели в классе окрестностных систем // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2012. T. 17. Вып. 3. C. 867-871.
  5. Shmyrin A., Sedykh I. Алгоритмы идентификации и управления функционированием окрестностных систем, полученных на основе сетей Петри // Управление большими системами, 2009. Вып. 24. С. 18-33.
  6. Седых И.А. Окрестностное моделирование мультиагентных систем // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2013. T. 18. Вып. 5-2. C. 2667-2668.
  7. Седых И.А. Параметрическая идентификация линейной динамической окрестностной модели // Сб. ст. Международной научно-практической конференции «Инновационная наука: прошлое, настоящее, будущее». Уфа: АЭТЕРНА, 2016. С. 12-19.
  8. Седых И.А., Сметанникова А.М. Параметрическая идентификация окрестностной модели с помощью генетического алгоритма и псевдообращения // Интерактивная наука. 2017. T. 4. Вып. 14. С. 113-116.
  9. Зайнуллин Р.Р., Галяутдинов А.А. Проблемы очистки городских сточных вод // Инновационная наука. 2016. Вып. 6-2. С. 68-69.
  10. Калимуллина Д.Д., Гафуров А.М. Потребности в водоснабжении и водоотведении на тепловых электрических станциях // Инновационная наука. 2016. Вып. 3-3. С. 98-100.
  11. Морозенко М.И., Никулина С.Н., Черняев С.И. Коагуляционная очистка сточных вод металлургического предприятия // Фундаментальные исследования. 2016. Вып. 12-2. С. 318-323.

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».