通过粒子群优化 (PSO) 评估人工智能的性能,以预测处理水厂的DBPs (酸)

科学领域:

• 环境科学 环境科学
• 水处理技术 水处理技术
• 环境监测中的人工智能

背景情况:

• 消毒对于预防水源性疾病至关重要.
• 消毒副产品 (DBPs),如酸 (HAAs),是一个日益严重的公共卫生问题.
• 准确预测DBPs需要了解复杂的水处理厂过程.

研究的目的:

• 开发和评估水分分配系统中酸 (HAAs) 的预测模型.
• 将多变量非线性回归 (MNR) 的性能与粒子群优化适应性神经模糊推理系统 (PSO-ANFIS) 模型进行比较.
• 确定适用于监测和预测HAA的简单水质参数.

主要方法:

• 拟议的多变量非线性回归 (MNR) 和两个变体的粒子群优化适应性神经模糊推理系统 (PSO-ANFIS):网格分区 (GP) 和子集群 (SC).
• 经过训练和验证的模型使用了64个数据集,其中包括8个水质参数:pH,温度,UVA254,溶解有机碳 (DOC),化物 (Br-), (NH4+-N),化物 (NO2--N) 和剩余的自由.
• 使用确定系数 (R2) 和平均绝对误差 (AAE) 评估模型性能.

主要成果:

• 许多MNR模型显示预测准确度中等 (R2在0.5184和0.8181之间).
• 在PSO-ANFIS-GP和PSO-ANFIS-SC模型中,预测各种HAA (BCAA,DCAA,TCAA,HAA5,HAA9) 的准确性显著提高,R2值在0.8825至0.9363之间,AAE较低 (0.1031-0.1500%).
• 使用八个简单的参数,PSO-ANFIS-GP提供了一种用户友好的方法来监测和预测HAA.

结论:

• PSO-ANFIS模型,特别是PSO-ANFIS-GP,为预测水分系统中HAA提供了强大而准确的方法.
• 该研究强调了人工智能驱动的模型对实时水质监测和管理的潜力.
• 拟议的方法简化了HAA预测,帮助水利公司确保公共卫生和合规性.