Un nuevo marco de sensor blando basado en un conjunto adaptativo de LSTM para la predicción robusta de la calidad del...

Área de la Ciencia:

• Ingeniería Ambiental
• Ciencia de Datos
• Tratamiento de Aguas Residuales

Sus antecedentes:

• La predicción precisa de la calidad del agua de entrada es vital para optimizar las operaciones de las plantas de tratamiento de aguas residuales (PTAR).
• Los métodos existentes a menudo luchan con problemas de calidad de datos y precisión de predicción.

Objetivo del estudio:

• Desarrollar un nuevo marco de sensor blando utilizando un conjunto adaptativo de aprendizaje a corto plazo (LSTM) para predecir la calidad del agua de entrada en las PTAR.
• Mejorar la precisión de la predicción y la eficiencia operativa mediante un preprocesamiento de datos avanzado y un enfoque de aprendizaje de conjunto.

Principales métodos:

• Se implementó un enfoque híbrido que combina el Filtro Hodrick-Prescott (HP) para la extracción de tendencias y el Agrupamiento Espacial de Aplicaciones con Ruido Basado en la Densidad (DBSCAN) para la detección de anomalías.
• Se utilizó el Método de Interpolación de Newton para manejar datos faltantes.
• Se desarrolló un modelo TPA-LSTM (Temporal Pattern Attention LSTM) dentro de un marco de conjunto adaptativo para la predicción.

Principales resultados:

• El modelo híbrido-LSTM demostró un rendimiento superior en comparación con un solo LSTM.
• Se logró una mejora del 52,7% en la correlación de ajuste promedio para siete indicadores de calidad del agua.
• Se redujo el error de predicción en un 62,1%.

Conclusiones:

• El marco de sensor blando propuesto predice eficazmente los parámetros de calidad del agua de entrada (DBO, DQO, NH3_N).
• El enfoque de conjunto adaptativo mejora significativamente la precisión de la predicción y reduce los errores.
• Este marco ofrece una herramienta valiosa para mejorar la eficiencia operativa y la rentabilidad de las PTAR.