来自全规模城市固体废物焚烧厂的二氧化物排放预测:时间序列输入的深度学习模型

科学领域:

• 环境科学 环境科学
• 化学工程是化学工程的重要组成部分.
• 数据科学数据科学数据科学

背景情况:

• 城市固体废物焚烧 (MSWI) 的二氧化碳排放是一个重大的环境问题.
• 目前的二氧化碳排放预测方法缺乏足够的数据和准确性.
• 对二氧化碳排放的实时测量是有效控制的一个主要挑战.

研究的目的:

• 开发和评估深度学习模型,用于MSWI中准确的实时二氧化物排放预测.
• 将深度学习模型与传统机器学习方法的性能进行比较.
• 确定影响二氧化碳排放的关键操作参数.

主要方法:

• 从废物焚烧炉收集和预处理的运行数据.
• 训练有素的深度学习模型,包括长期短期记忆 (LSTM) 和卷积神经网络 (CNN).
• 使用正常和时间序列输入数据比较模型性能,评估平均平方误差 (MSE).

主要成果:

• 深度学习模型 (LSTM和CNN) 通过时间序列输入证明了预测准确度的提高.
• 在MSE方面,LSTM的表现提高了36.5%,CNN的表现提高了30.4%.
• 温度,空气流和时间被确定为用于二氧化物预测的关键特征.

结论:

• 深度学习模型为MSWI的实时二氧化物排放预测提供了重大进展.
• 时间序列数据分析增强了LSTM和CNN模型的预测能力.
• 这些发现为优化废物焚烧中二氧化碳排放控制策略提供了基础.