更多内容请点击

人工智能优化紫外-过碳酸钠法降解间甲酚废水过程

刘一楠 ,  张婧 ,  陈晓飞 ,  陈平 ,  孙啸林 ,  慕朝 ,  马磊

现代化工 ›› 2025, Vol. 45 ›› Issue (7) : 119 -125.

PDF (2340KB)
现代化工 ›› 2025, Vol. 45 ›› Issue (7) : 119-125. DOI: 10.16606/j.cnki.issn0253-4320.2025.07.020
科研与开发

人工智能优化紫外-过碳酸钠法降解间甲酚废水过程

作者信息 +

Optimization of UV-sodium percarbonate route M-cresol-containing wastewater degradation process by artificial intelligence

Author information +
文章历史 +
PDF (2395K)

摘要

本研究采用紫外-过碳酸钠(UV-SPC)氧化反应体系处理间甲酚废水,并借助人工智能方法进行工艺优化,利用响应面法(RSM)进行实验设计,考察溶液初始pH、反应时间、间甲酚初始浓度、SPC投加量、催化剂用量和反应温度等因素对TOC去除率的影响。基于RSM实验结果,分别使用RSM模型和人工神经网络(ANN)模型进行优化,并进行了对比分析,考察2个模型差异,结果显示,ANN模型准确度比RSM模型高50%以上。在ANN模型模拟优化所得最佳反应条件下,实验中TOC去除率为91.48%,明显高于以RSM模型模拟优化所得的最优结果,验证了ANN模型法优异的学习能力和泛化能力。

Abstract

In this study,the UV-sodium percarbonate (UV-SPC) oxidation reaction system is used to treat m-cresol-containing wastewater,and the treatment process is optimized by means of artificial intelligence method.The response surface method (RSM) is mainly used to perform experimental design.The influences of initial pH of solution,reaction time,initial concentration of m-cresol,SPC dosage,catalyst dosage and reaction temperature on the removal rate of total organic carbon (TOC) are deeply investigated.Based on RSM experiment results,RSM model and AI model are respectively used for the optimization,and a comparative analysis is carried out to evaluate the differences between two models.The results demonstrate that the accuracy of ANN model is more than 50% higher than that of RSM model.Under the optimal conditions from the optimization by ANN model,the removal rate of TOC reaches 91.48% in the experiment,which is significantly higher than the optimal result obtained from RSM model optimization.It is also verified that AI model method has an excellent learning ability and a generalization ability.

Graphical abstract

关键词

人工智能 / 响应面 / 过碳酸钠 / 紫外线 / 人工神经网络

Key words

artificial intelligence / response surface / sodium percarbonate / ultraviolet / artificial neural network

Author summay

刘一楠(1999-),女,硕士生,研究方向为催化氧化的方法处理难降解工业废水,。

引用本文

引用格式 ▾
刘一楠,张婧,陈晓飞,陈平,孙啸林,慕朝,马磊. 人工智能优化紫外-过碳酸钠法降解间甲酚废水过程[J]. , 2025, 45(7): 119-125 DOI:10.16606/j.cnki.issn0253-4320.2025.07.020

登录浏览全文

4963

注册一个新账户 忘记密码

间甲酚是煤化工、石油化工、制药废水中的主要污染物[1],具有强烈的腐蚀性和生物毒性[2],被美国环境保护局(EPA)列入环境优先控制污染物的黑名单[3],也是我国重点控制的污染物之一。近年来,处理含酚废水的方法有物理吸附法[4-5]、生物降解法[6-7]、化学氧化法[8-10]等。紫外-过碳酸钠法(UV-SPC)是新型废水处理技术,其将紫外光氧化与过碳酸钠氧化相结合,具有较强的氧化能力,受到学者们广泛关注[11-12]。过碳酸钠(Na2CO3·1.5H2O2,SPC)是一种白色固体球状颗粒,溶于水时能释放出H2O2和碳酸钠。由于SPC是固体,相对容易采购且运输保存更为方便安全[13-14]。当酚类物质被 UV-SPC工艺降解时,UV活化的SPC同时产生羟基自由基(·OH)和碳酸根自由基(CO3·-),·OH将有机物氧化分解为小分子酸或CO2和H2O等无机物[15],CO3·-是一种选择性单电子氧化剂(E0=1.78 V,pH=7),可以通过电子转移或氢萃取与富电子化合物反应[16]对水中的污染物进行有效去除。该方法操作简单、成本低、对环境负荷小且能有效去除水中污染物[17-18]。
近年来,人工智能解锁了水资源管理的新可能性,使人类能够处理和分析大量数据集,做出明智的决策,深入地了解错综复杂的水文系统,为水环境治理领域工程应用给出高效解决方案[19-20]。Oliveira-Esquerre等[21]利用神经网络为第一性原理模型为难以描述的复杂过程提供有效的预测模型,开发的BOD预测模型为废水生物处理系统进行有效评估;Shang等[22]研究合成了钛硅分子筛负载氮化碳(TS-1/CN)复合光催化剂,用于氧氟沙星(OFX)废水的光催化降解,预测最大去除效率为82.92%;Elmolla等[23]研究了人工神经网络(ANN)在Fenton工艺对水溶液中抗生素降解的预测和模拟中的应用,优化了三层反向传播神经网络,预测和模拟了Fenton法处理氨苄西林和氯西林废水过程等。
ANN在最佳反应条件预测和催化剂设计优化等方面有很大进步[24-26],在提高效率的同时,最大限度地减少实验工作量和运行成本[27]。因此,ANN显著促进了高级氧化废水处理技术的发展。
响应面分析法(Response surface methodology,RSM)[28]也是一种重要的实验设计方法。科研人员可以利用其合理的实验设计方案开展实验并产生大量实验数据,并基于实验数据进行多元二次回归方程来拟合实验因素与响应值之间的函数关系,通过对回归方程的分析来寻找最优工艺参数[15],在科学实验中应用广泛。
笔者利用UV-SPC法处理间甲酚废水,使用响应面分析法进行实验设计,产生了86组实验数据。基于这些实验数据,以总有机碳(TOC)去除率[29]作为模型优化目标,分别使用ANN和RSM模型进行模拟优化,比较两种模型模拟优化结果,以验证ANN模型的精确性。

1 材料、分析和试验方法

1.1 材料

间甲酚、过碳酸钠、钒酸铵、硝酸铋、硝酸、浓硫酸和氢氧化钠,均为分析纯。

1.2 分析和计算方法

pH由Rex仪器厂(上海)生产的PHS-3C pH计测量;TOC浓度采用岛津TOC-LCPN型分析仪测定。
T O C r e m o v a l ( % ) = [ ( T O C 0 - T O C t ) / T O C t ] × 100 %
式中,TOC0为间甲酚原水的总有机碳浓度,TOCt为给定处理时间出水的总有机碳浓度。

1.3 钒酸铋催化剂的制备

为了合成BiVO4,将Bi(NO3)3·5H2O和NH4VO3的1∶1混合物溶解在硝酸中,连续搅拌产生黄色透明溶液,随后加入氨溶液将溶液的pH值调节至约0.95。经过2 h的剧烈搅拌,在室温下得到淡黄色前驱体浆液,随后将其转移至100 mL装有特氟龙衬垫的不锈钢高压釜中,在473℃下热处理10 h。待冷却后,对产生的黄色沉淀进行离心分离,然后用去离子水进行洗涤,在353℃烘箱中干燥,最后在500 K的马弗炉中煅烧,得到BiVO4晶体样品[30]。

1.4 紫外-过碳酸钠(UV-SPC)氧化过程

量取200 mL间甲酚废水于反应器中,调节pH至预定值,反应器放入恒温水浴槽中,加热到设定温度后,将适量SPC加入反应器内废水中,随即快速加入一定量钒酸铋催化剂,打开紫外灯开始反应,并定时取样,检测溶液TOC浓度变化。

1.5 响应面设计

本研究采用Design Expert(version 8.0.5b,Stat-Ease,Inc.,Minneapolis,MN)软件中的中心复合设计(CCD)模型来设计RSM实验,优化工艺参数[31]。实验以溶液初始pH(P)、反应时间(t)、间甲酚初始浓度(M)、SPC投加量(S)、催化剂用量(c)以及反应温度(T)为控制因素,分别设为x1、x2、x3、x4、x5、x6,以TOC去除率(%)为响应因子Y。
通过对CCD法设计的矩阵和实验结果给出的响应进行多元回归分析,建立了以下编码形式的二阶多项式方程来解释预测响应变量值:
Y = b 0 + ∑ i = 1 5 b i x i + ∑ i = 1 4 ∑ i j 5 b i j x i x j + ∑ i = 1 5 b i i x i 2 + ε
上式为5因素1水平方案方程式,Y为预测响应因子,b0、bi、bii、bij和ε分别代表偏移项、线性效应、平方效应、交互效应和随机误差。
实验设计采用RSM-CCD模型,实验因素水平编码如表1所示。

1.6 人工神经网络设计

利用实验设计(DOE)提供的数据集建立ANN模型[32]。ANN模型的建立把溶液初始pH(P)、反应时间(t)、间甲酚初始浓度(M)、SPC投加量(S)、催化剂用量(c)以及反应温度(T)6个因素的响应面数据联系起来,如图1所示。
ANN是一个并行处理单元,可以通过使用数据集中的输入输出关系来描述复杂的非线性行为。ANN模型的系统是分层排列的,输入层之后是隐藏层,隐藏层连接到输出层。每一层都通过权重和偏差连接到后续层[33]。信息通过网络中神经元之间的某种信号来进行传递,每个神经元之间的连接都有一个相关的权重,决定了信号的强度。将每个输入乘以相应的权重,然后使用激活函数,得到ANN的最终输出结果[34]。ANN中的隐藏层节点和神经元数量是通过迭代过程确定的。选择一个初始值,并根据该值逐渐调节节点和神经元的数量。然后,比较每个网络的结果,并根据最佳性能选择最佳节点和神经元的数量[35]。

1.7 模型优化效果评价方法

通过相关系数(R2)、均方根误差(RMSE)、平均绝对相对误差(AARE)3个性能指标来全面评价所提出模型的有效性。对于模型预测的变异性与实际数据变异性之间的比例进行方差分析,而决定系数R2作为多项式模型拟合质量的指标,RMSE作为稳健型度量指标,AARE(%)用于衡量预测值与实际值之间的偏差程度。这些指标阐述如式(3)、(4)、(5):
R 2 = 1 - ∑ ( Q p - Q o ) 2 / ∑ ( Q - o - Q o ) 2
R M S E = ( 1 / m ) ∑ ( Q p - Q o ) 2
A A R E ( % ) = ( 1 / m ) ∑ [ ( | Q p - Q o | ) / Q o ] × 100 %
其中,Qp为预测值,Qo为真实值,并且 Q - o为真实值的平均值。
通常,R2是介于0和1之间的数字;例如,R2的值越接近1,模型就越接近实际数据(通常≥0.70是可以接受的)[36]。RMSE越小表示模型拟合越好[37],AARE(%)越接近0,说明预测值与真实值之间的误差越小[22],模型的预测准确性越高。

2 实验及拟合优化结果

2.1 RSM实验数据及RSM模型拟合

响应面编码及对应实验结果如表2。
通过分析响应面编码及对应实验结果(ANOVA)发现TOC去除率模型中均存在不显著项,所以采用后退回归法对初步模型进行优化,优化后响应面模型方差分析和回归方程系数显著性检验结果如表3所示。
从表3中可以看出,优化后的模型显示出更高的F值和更低的p值,表明模型的整体拟合效果得到了提高,并且具有更显著的统计意义。另外,优化后的模型的失拟程度(Lack of Fit)也有所改善,失拟项的p值为0.005 8,略高于优化前。这表明优化后的模型在某些情况下对数据的拟合程度有所增强。此外,优化后的模型的R2、 R A d j 2和 R p r e d 2等指标也发生了变化,表明模型的解释能力和预测能力更强。式(6)展示了优化后模型所对应的实际TOC去除率拟合值。
T O C r e m o v a l = 16.01 + 14.03 P + 0.39 T - 1.19 M + 11.52 S - 3.64 C + 0.72 t + 0.07 P M - 1.29 P S - 0.09 P t + 0.12 M S - 1.08 P 2 - 1.64 S 2
将响应面分析所得的预测值与实验值进行了对比,见图2。可观察到实验值与预测值之间存在较大的差异或波动,计算得到整体数据的AARE为23.42%。实验得到响应面预测的最佳反应条件为:溶液初始pH(P)为3.24,反应时间(t)为113.55 min,SPC投加量(S)为6.16 g/L,反应温度(T)为28.04℃,催化剂用量(c)为0.61 g/L,间甲酚初始浓度(M)为90.18 mg/L,所得TOC去除率预测值为68%,实验验证值为83.23%。预测值与实验值之间绝对误差为15.23%,表明RSM模型存在一定的不足。

2.2 ANN模型优化结果

利用人工神经网络建立6个实验变量溶液初始pH(P)、反应时间(t)、间甲酚初始浓度(M)、SPC投加量(S)、催化剂用量(c)以及反应温度(T)与响应面之间的关系。经过反复调试舍弃9组重复实验,最终选择77组实验数据作为ANN拟合的原始数据,其中69组实验数据用于训练模型,8组实验数据用于测试[38]评估最终模型的性能。采用 MinMaxScaler方法进行数据预处理,使用多层感知器(MLP)结构,通过手动调节隐藏层的节点数和层数来优化模型的性能,确定ANN结构。在模型训练过程中,采用LBFGS优化器来处理较小的数据集,Relu激活函数帮助神经网络更快地收敛并减少梯度消失问题的影响,使得模型的预测结果与实际观测值尽可能接近。为防止过拟合并增强模型的泛化能力,选择了k=10的交叉验证技术。最终,获得了一个经过训练和验证的ANN模型,可用于预测不同条件下的TOC去除率。这个模型有助于更好地理解考察变量与TOC去除率之间的关系,指导实验设计和优化过程,并为后续的研究工作提供支持。
训练集和测试集的R2、RMSE和AARE(%)如表4所示,实验值与预测值比较结果如图3所示。所有数据实验值与预测值之间的平均绝对相对误差约为7.27%,表明预测结果的准确性和可靠性较好,可以满足大多数实际应用的需求。

2.3 ANN模型与RSM模型比较

RSM和ANN在训练集和测试集的表达结果以及R2和RMSE如图4所示。从图4(a)、(b)中可以看出,训练集中ANN模型的预测与实际值的比较点在y=x直线附近均匀分布,则测试集中ANN预测的数据与实验值误差较小。RSM和ANN在训练集和测试集上的R2和RMSE如图4(c)、(d)所示,在训练集上,ANN和RSM模型的TOC去除率的R2分别为0.98和0.72;而在8组测试集上,ANN和RSM模型的RMSE分别为3.58和8.45。结果表明ANN准确度比RSM提高了57.63%,ANN模型拟合程度好,预测精准。
根据ANN所建立模型,预测了最佳TOC去除率实验条件为:P=3.58、t=36.95 min,S=6.17 g/L, T=33.33℃,c=0.32 g/L,M=73.28 mg/L,所预测最佳TOC去除率为87.22%;该条件下实际实验结果TOC去除率为91.48%,绝对误差只有4.26%。优化结果明显优于RSM模型。综上所述,表明ANN模型成功捕捉到了系统的关键特征,并且能够准确地预测输出变量的行为。

3 结论

(1)采用响应面软件设计了86组紫外-过碳酸钠法(UV-SPC)实验,考察了溶液初始pH、反应时间、间甲酚初始浓度、SPC投加量、催化剂用量和反应温度等因素对反应结果的影响,借助RSM和ANN等方法来优化实验结果,从而找到最佳反应条件。
(2)在RSM模型中,基于所得结果建立了多元二次回归方程并进行了进一步优化,优化后的模型显示出更高的F值和更低的p值,表明模型的整体拟合效果得到了改善,实验值与预测值较为接近。优化后最佳反应条件下,其TOC去除率预测值为68%,而实验值为83.23%,绝对误差较大,达到了15.23%。
(3)采用MinMaxScaler方法进行数据预处理,并选择了k=10的交叉验证技术优化网络参数,最终获得ANN模型,并选用RSM中的数据进行模型训练。
(4)所得ANN模型优化结果明显优于RSM模型。采用ANN在69组训练集上所得R2(0.98)大于RSM模型的R2(0.72),在8组测试集上的RMSE为3.58小于RSM模型的8.45,充分说明ANN模型对数据拟合预测更为准确。ANN模型预测的最佳反应条件下TOC去除率预测值为87.22%,同样条件下实际实验得到的TOC去除率为91.48%,绝对误差为4.26%,进一步证明了ANN模型的预测准确度较高。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

韩培威, 刘伟军, 赵颖, 等. 高分散纳米钙锆复合材料催化臭氧氧化降解间甲酚废水[J]. 环境工程学报, 2020, 14(10):2634-2642.
[2]

孙文静, 王亚旻, 卫皇曌, 等. Fe-MCM-41催化臭氧氧化间甲酚废水[J]. 环境科学, 2015, 36(4):1345-1351.
[3]

Yuan R, Li H P, Liu J D, et al. Isolation and characterization of citrobacter farmeri SCO1:A novel m-cresol-degrading strain[J]. Environmental Engineering Science, 2009, 26(10):1489-1495.
[4]

Cengiz F M, Babacan U, Akinci E, et al. Extraction of phenolic acids from ancient wheat bran samples by ultrasound application[J]. Journal of Chemical Technology & Biotechnology, 2020, 96(1):134-141.
[5]

王特, 杨鹏辉, 屈撑囤, 等. 高含酚废水处理技术的研究进展[J]. 化工技术与开发, 2024, 53(Z1):92-98.
[6]

王平. 高盐含酚废水生物处理及微生物群落结构研究[D]. 大连: 大连理工大学, 2009.
[7]

Loh K C, Chung T S, Ang W F. Immobilized-cell membrane bioreactor for high-strength phenol wastewater[J]. Journal of Environmental Engineering, 2000, 126(1):75-79.
[8]

刘聪. 高浓度含酚废水构成分析及芬顿氧化技术应用[J]. 净水技术, 2020, 39(2):91-97.
[9]

冯思慧. Al2O3负载CuO催化臭氧氧化含酚污水[D]. 哈尔滨: 哈尔滨工程大学, 2016.
[10]

Lal K, Garg A. Catalytic wet oxidation of phenol under mild.operating conditions:Development of reaction pathway and sludge characterization[J]. Clean Technologies and Environmental Policy, 2015, 17(1):199-210.
[11]

郑怀礼, 相欣奕. 光助Fenton氧化反应降解染料罗丹明B[J]. 光谱学与光谱分析, 2004,(6):726-729.
[12]

李纪华, 薛韫坤, 何坚. 过碳酸钠降解水相中罗丹明B的实验研究[J]. 环境工程, 2012, 30(S2):176-178.
[13]

Chang X Q, Lin T, Mo J C, et al. Coagulation combined with ultraviolet.irradiation activated sodium percarbonate as pretreatment prior to ultrafiltration:Analysis of free radical oxidation mechanism and membrane fouling control[J]. Chemosphere, 2022, 287(P1):132049.
[14]

Liu X, He S, Yang Y, et al. A review on percarbonate-based advanced.oxidation processes for remediation of organic compounds in water[J]. Environmental Research, 2021, 200:111371.
[15]

赵颖, 王亚旻, 卫皇曌, 等. 响应面法优化污泥炭催化湿式过氧化氢氧化降解间甲酚模拟废水[J]. 环境化学, 2016, 35(3):516-525.
[16]

Wang Q, Chen M, Min Y, et al. Aging of polystyrene microplastics by UV/Sodium percarbonate oxidation:Organic release,mechanism,and disinfection by-product formation[J]. Journal of Hazardous Materials, 2024, 464:132934.
[17]

Yue L, Cheng J, Hua J, et al. A sodium percarbonate/ultraviolet system generated free radicals for degrading capsaicin to alleviate inhibition of methane production during anaerobic digestion of lipids and food waste[J]. The Science of the Total Environment, 2021, 761:143269.
[18]

Li Y, Dong H, Li L, et al. Efficient degradation of sulfamethazine via activation of percarbonate by chalcopyrite[J]. Water Research, 2021, 202:117451.
[19]

Heinrich S T, Zack W, Tan Y, et al. Algorithmic urban planning for smart and sustainable development:Systematic review of the literature[J]. Sustainable Cities and Society, 2023, 94:104562.
[20]

Haupt S E, Gagne D J, Hsieh W W, et al. The history and practice of ai in the environmental sciences[J]. Bulletin of the American Meteorological Society, 2022, 103(5):1351-1370.
[21]

Oliveira-Esquerre K P, Seborg D E, Mori M, et al. Application of steady-state and dynamic modeling for the prediction of the BOD of an aerated lagoon at a pulp and paper mill:Part Ⅱ.Nonlinear approaches[J]. Chemical Engineering Journal, 2004, 105(1):61-69.
[22]

Shang Q, Liu X, Zhang M, et al. Photocatalytic degradation of ofloxacin antibiotic wastewater using TS-1/C3N4 composite photocatalyst:Reaction performance optimisation and estimation of wastewater component synergistic effect by artificial neural network and genetic algorithm[J]. Chemical Engineering Journal, 2022, 443:136354.
[23]

Elmolla E S, Chaudhuri M, Eltoukhy M M. The use of artificial neural network (ANN) for modeling of COD removal from antibiotic aqueous solution by the Fenton process[J]. Journal of Hazardous Materials, 2010, 179(1):127-134.
[24]

Li H, Zhang Z, Liu Z. Application of artificial neural networks for catalysis:A review[J]. Catalysts, 2017, 7(10):306.
[25]

Cao L, Shen J, Wang L, et al. Predicting spikes with artificial neural network[J]. Science China Information Sciences, 2018, 61(6):1-3.
[26]

Meng G Y, Fang L Q, Yin Y, et al. Intelligent control of the.electrochemical nitrate removal basing on artificial neural network (ANN)[J]. Journal of Water Process Engineering, 2022, 49:103122.
[27]

Acharya C, Mohanty S, Sukla L B, et al. Prediction of sulphur.removal with Acidithiobacillus sp.using artificial neural networks[J]. Ecological Modelling, 2006, 190(1):223-230.
[28]

Suvanka D, Ananya G, Chandra M S, et al. Application of response surface methodology for optimization of reactive azo dye degradation process by Fenton’s oxidation[J]. International Journal of Environmental Science and Development, 2015, 6(11):818-823.
[29]

张婧, 张橙, 卫皇瞾, 等. 人工智能助力Fenton法降解间甲酚废水的过程优化研究[J]. 现代化工, 2024, 44(7):103-108.

[30]

Zhao Y, Li R, Mu L, et al. Significance of crystal morphology controlling in semiconductor-based photocatalysis:A case study on BiVO4 photocatalyst[J]. Crystal Growth & Design, 2017, 17(6):2923-2928.
[31]

Pravina R, Uthayakumar H, Sivasamy A. Hybrid approach based on response surface methodology and artificial neural networks coupled with genetic algorithm (RSM-GA-ANN) for the Prediction and optimization for the Photodegradation of dye using nano ZnO anchored glass fiber under solar light irradiation[J]. Journal of the Taiwan Institute of Chemical Engineers, 2023, 153:105248.
[32]

张婧. 人工智能在废水高级氧化处理技术中的应用[D]. 北京: 北京石油化学院, 2024.
[33]

Thankachan P, Fida A, Pillai T M M. Health monitoring of steel structures using Cuckoo Search algorithm-based ANN[J]. Structures, 2024, 61:105933.
[34]

Mehta C, Sant A V, Sharma P. Optimized ANN for LiFePO4 battery charge estimation using principal components based feature generation[J]. Green Energy and Intelligent Transportation, 2024, 3(4):100175.
[35]

Kooh M R R, Dahri M K, Lim L B L, et al. Batch adsorption studies of the removal of methyl violet 2B by soya bean waste:Isotherm,kinetics and artificial neural network modelling[J]. Environmental Earth Sciences, 2016, 75(9):783-789.
[36]

Yang F X, Li Y, Li X T, et al. The beauty premium of tour guides in the customer decision-making process:An AI-based big data analysis[J]. Tourism Management, 2022, 93:104575.
[37]

Bui H M, Bui H N, Le T M, et al. Chapter 5-application of artificial neural networks on water and wastewater prediction:A review[M]. Elsevier,2021:95-109.
[38]

Wang X, Zhang Y, Zhang C, et al. Artificial intelligence-aided preparation of perovskite SrFexZr1-xO3-δ catalysts for ozonation degradation of organic pollutant concentrated water after membrane treatment[J]. Chemosphere, 2023, 318:137825.

基金资助

国家自然科学基金(52100072)

石家庄高层次科技创新创业人才项目(08202303)

AI Summary AI Mindmap
PDF (2340KB)

182

访问

0

被引

导航
相关文章

AI思维导图

/

〈 〉

京ICP备09035943号-37
版权所有 ©《现代化工》编辑部
地址：北京市朝阳区安定路33号化信大厦B座206　邮政编码：100029
编辑部电话：010-64444090　E-mail:mci@cncic.cn
技术支持：北京玛格泰克科技发展有限公司