机器学习框架用于废水处理厂的智能通风控制:基于变化滑动层的自动功能工程
Yu-Qi Wang1, Hong-Cheng Wang1, Yun-Peng Song1
1State Key Laboratory of Urban Water Resource and Environment, School of Civil and Environmental Engineering, Harbin Institute of Technology Shenzhen, Shenzhen 518055, China.
这项研究引入了一种用于智能废水处理厂控制的新型特征工程框架,显著提高了通风效率并减少了能源使用. 开发的模型在现实应用中实现了16.12%的空气需求减少.
科学领域:
- 环境工程 环境工程
- 人工智能在水处理中的应用
- 机器学习应用 机器学习应用
背景情况:
- 污水处理厂 (WWTP) 的智能控制可大大节省能源,减少温室气体排放.
- 机器学习 (ML) 是管理复杂WWTP数据的强大工具,但功能关系往往不清楚,限制了AI的采用.
- 精确控制通风对于优化WWTP效率和最大限度地降低运营成本至关重要.
研究的目的:
- 开发一个自动功能工程框架,变化滑动层 (VSL),用于精确控制WWTP中的空气需求.
- 评估VSL与各种机器学习模型相集成的有效性,以提高通风控制.
- 证明VSL-ML模型在WWTP环境中的实际适用性和影响.
主要方法:
- 基于变异滑动层 (VSL) 的自动功能工程框架的开发.
- 集成VSL与经典机器学习,深度学习和集体学习算法.
- 使用废水处理厂数据集验证VSL-ML模型,并在实体工厂中实施.
主要成果:
- 在不同的ML方法中,VSL显著提高了通风智能控制的效率.
- 纳入VSL的贝叶斯回归和集合学习模型在预测空气需求方面表现出最高的准确性.
- 与传统的控制方法相比,全面实施WWTP导致空气需求减少了16.12%.
结论:
- 基于VSL的特征工程框架增强了AI驱动的WWTP中的通风控制.
- VSL-ML模型显示出准确的空气需求预测和控制的巨大潜力,从而节省了大量的运营成本.
- 免费访问的Python包"wwtpai"旨在降低在WWTP中实施AI的技术障碍.
更多相关视频
08:17Coupling Carbon Capture from a Power Plant with Semi-automated Open Raceway Ponds for Microalgae Cultivation
Published on: August 14, 2020
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
相关概念视频
Gradually Varying Flow
Laminar Flow
Rapidly Varying Flow
Design Example: Design of an Irrigation Channel
Design Example: Creating a Hydraulic Model of a Dam Spillway
Typical Model Studies
