使用机器学习算法开发软传感器,用于预测现场污水处理系统的水质
Hsiang-Yang Shyu1, Cynthia J Castro1, Robert A Bair1
1Civil & Environmental Engineering, University of South Florida, 4202 E. Fowler Avenue, Tampa, Florida 33620, United States.
ACS environmental Au
|September 25, 2023
概括
这项研究开发了使用机器学习的软传感器,以预测现场废水处理系统 (OWTS) 的关键水质参数,如化学氧气需求 (COD) 和总悬浮固体 (TSS) 等实时预测. 虽然COD和TSS预测是准确的,但大肠杆菌预测需要进一步改进.
科学领域:
- 环境工程 环境工程
- 水质监测 水质监测
- 废水处理 废水处理
背景情况:
- 现场废水处理系统 (OWTS) 需要持续监测效率和合规性.
- 传统的离线水质分析 (COD,TSS,大肠杆菌) 是耗时的,缺乏实时数据.
- 现有的实时COD分析器对于OWTS来说往往太昂贵了.
研究的目的:
- 为OWTS设计和实施一个实时远程监控系统.
- 开发多输入,单输出软传感器,预测关键的水质参数 (COD,TSS,大肠杆菌).
- 评估机器学习算法用于预测线下参数,使用线内传感器数据.
主要方法:
- 开发了软传感器,整合了来自线内传感器的数据 (度,颜色,pH,NH4+,NO3,电导率).
- 利用来自现场测试的OWTS (n=56) 的时间和空间水质数据.
- 评估了四种机器学习算法:PLS,SVR,CUB和QRNN,以提高预测准确度.
主要成果:
- 支持向量的回归 (SVR) 准确预测了COD (MAPE 14.5%,R^2 0.96).
- 立方体回归 (CUB) 最好地预测了TSS (MAPE 24.8%,R^2 0.99).
- 大肠杆菌的预测不太准确 (CUB:MAPE 71.4%,R^2 0.22),需要进一步开发.
结论:
- 基于机器学习的软传感器可以在OWTS中提供宝贵的COD和TSS实时估计.
- 软传感器为实时监控提供了具有成本效益的替代方案,可以进行操作调整.
- 需要进一步的研究来提高使用软传感器在OWTS中的大肠杆菌预测的准确性.
