Capacitación para el modelado preciso de biorreactores de membrana anaeróbicos mediante el aprendizaje automático de máquinas

Área de la Ciencia:

• Ingeniería Ambiental Ingeniería Ambiental.
• Tecnologías de tratamiento de aguas residuales.
• Aplicaciones de aprendizaje automático Aplicaciones de aprendizaje automático.

Sus antecedentes:

• Los biorreactores de membrana anaeróbica (AnMBR) son cruciales para el tratamiento de las aguas residuales.
• El modelado de AnMBRs utilizando el aprendizaje automático (ML) presenta desafíos debido a la complejidad y los requisitos de experiencia.
• El aprendizaje automático de máquinas (AutoML) ofrece una solución potencial para la selección de modelos y la optimización de hiperparámetros.

Objetivo del estudio:

• Aplicar AutoML para modelar la eliminación de la demanda química de oxígeno (COD) en los AnMBR.
• Para comparar el rendimiento de AutoML con los modelos neuronales profundos existentes.
• Investigar el impacto de la ingeniería de características y el volumen de datos en el modelado de AnMBR.

Principales métodos:

• Aprendizaje automático de máquina (AutoML) utilizado para el modelado de procesos AnMBR.
• Modelado la eliminación de la demanda química de oxígeno (COD) en las aguas residuales municipales.
• Evaluó la influencia de las características de tiempo operativo y el tamaño del conjunto de datos en la precisión del modelo.

Principales resultados:

• AutoML logró un rendimiento superior con un promedio de error porcentual absoluto del 3,11%, superando a los modelos neuronales profundos.
• La incorporación del tiempo operativo como una característica mejoró el rendimiento del modelado.
• El aumento del tamaño del conjunto de datos no mejoró significativamente los resultados de los modelos basados en ML.
• La concentración de COD influyente fue identificada como el predictor más crítico para la eliminación de COD.

Conclusiones:

• AutoML es una herramienta altamente efectiva para el modelado de AnMBR, simplificando tareas complejas de ML.
• La ingeniería de características, específicamente el tiempo operativo, tiene más impacto que el volumen de datos para pequeños conjuntos de datos en el tratamiento de aguas residuales.
• Este estudio proporciona información valiosa para aplicar ML a los procesos de tratamiento de aguas residuales con datos limitados.