基于物理信息的神经网络的序列混合模型捕捉了硫驱动的自性脱过程的隐藏动力学
Xu Zou1, Hongxiao Guo1, Chukuan Jiang1
1Department of Civil and Environmental Engineering, Water Technology Center, Hong Kong Branch of Chinese National Engineering Research Center for Control & Treatment of Heavy Metal Pollution, The Hong Kong University of Science and Technology, Hong Kong, China.
一个新的基于物理学的神经网络模型准确地预测了硫驱动自脱 (SdAD) 中的中间体,从而改善了废水中酸盐的去除. 这种方法可以增强对SdAD流程的理解和控制.
科学领域:
- 环境生物技术 环境生物技术
- 废水处理 废水处理
- 生物反应器建模模型
背景情况:
- 硫驱动的自脱 (SdAD) 从低C/N废水中去除酸盐.
- 在SdAD中中介积累 (元素硫,) 的机制尚未完全理解.
- 现有的模型难以预测SdAD中间体,原因是不完整的动力学知识和环境变化.
研究的目的:
- 为SdAD开发一种使用物理信息神经网络 (PINNs) 的新型混合模型.
- 为了准确地捕捉SdAD过程动力学,并预测基质度.
- 为了解决SdAD中间预测现有数学模型的局限性.
主要方法:
- 提出了一个串行混合模型结构,集成PINNs.
- 通过数值实验评估模型.
- 将模型应用于批量和连续流动反应堆的案例研究.
主要成果:
- 基于PINN的混合模型在数值实验中实现了准确的状态和运动预测.
- 该模型在真实案例研究中表现优于机械模型和纯数据驱动模型.
- 训练的模型有助于设计SdAD和集成流程的控制策略.
结论:
- 基于PINN的混合模型为预测SdAD动态和中间体提供了卓越的准确性.
- 这种方法提高了对复杂的生物废水处理过程的理解和控制.
- 该模型对设计节能去除系统具有前景.
更多相关视频
08:05Measurement of the Potential Rates of Dissimilatory Nitrate Reduction to Ammonium Based on 14NH4+/15NH4+ Analyses via Sequential Conversion to N2O
Published on: October 7, 2020
07:41Modeling Fast-scan Cyclic Voltammetry Data from Electrically Stimulated Dopamine Neurotransmission Data Using QNsim1.0
Published on: June 5, 2017
相关概念视频
Metabolism of Chemolithotrophs
Anoxygenic Photosynthesis
Sulfur Assimilation
Microbial Nutrition
Inorganic Nitrogen Assimilation
Carbon-dioxide Fixation
