对黑盒和白盒数据驱动方法进行比较研究,以预测垃圾填埋场液的透性
Mahdi Ghasemi1, Mehrshad Samadi1, Elham Soleimanian2
1Department of Civil Engineering, Iran University of Science and Technology (IUST), Narmak, Tehran, Iran.
Environmental monitoring and assessment
|June 19, 2023
概括
本研究使用数据驱动方法模拟了垃圾填埋场液的透性. 人工神经网络 (ANN) 和数据处理组方法 (GMDH) 显示出高准确性,在预测中ANN的表现略好.
科学领域:
- 环境工程 环境工程
- 地质技术工程 地质技术工程
- 数据科学数据科学数据科学
背景情况:
- 城市固体废物 (MSW) 管理由于复杂的液透动态而带来了挑战.
- 数据驱动的方法提供了强大的方法来建模和预测水的透性 (k).
研究的目的:
- 开发和评估黑子和白子数据驱动模型,用于预测垃圾填埋场液的透性 (k).
- 评估人工神经网络 (ANN),自适应神经模糊推理系统 (ANFIS),支持向量回归 (SVR),M5模型树 (M5MT),分类和回归树 (CART) 和数据处理组方法 (GMDH) 的性能.
主要方法:
- 开发了六种数据驱动模型 (三种黑盒,三种白盒) 来预测水的透性 (k).
- 使用不透板 (IS) 和铜管 (CP) 作为预测液透性的输入变量 (k).
- 使用分散图,确定系数 (R2),根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 评估模型性能.
主要成果:
- 所有开发的模型都成功预测了水的透性 (k).
- 人工神经网络 (ANN) 和数据处理组方法 (GMDH) 在测试模型中表现出卓越的准确性.
- 在测试阶段,ANN实现了R2 = 0.939,RMSE = 0.056和MAE = 0.017,略高于GMDH (R2 = 0.857,RMSE = 0.064,MAE = 0.026). 在测试阶段,ANN实现了R2 = 0.939,RMSE = 0.056和MAE = 0.017,略高于GMDH (R2 = 0.857,RMSE = 0.064,MAE = 0.026).
结论:
- 无论是ANN还是GMDH都有效地模拟了垃圾填埋场液的透性.
- ANN提供了更高的预测准确性,而GMDH提供了一个更易于解释的显式数学模型.
