使用 H₂O 自动机器学习和反向传播的人工神经网络模型,预测在全面的废水处理厂中生物营养物质的去除:优化和比较

科学领域:

• 环境工程 环境工程
• 机器学习应用 机器学习应用
• 废水处理 废水处理

背景情况:

• 废水废水中总 (ETN) 和总 (ETP) 的有效控制是污水处理厂面临的重大挑战.
• 生物营养去除过程至关重要,但优化起来却很复杂.

研究的目的:

• 预测和分析大规模废水处理厂 (WWTP) 的生物营养去除 (ETN和ETP).
• 为了比较自动机器学习 (AutoML) 和反向传播人工神经网络 (BPANN) 模型的性能和适用性,用于营养除去预测.

主要方法:

• 利用AutoML和BPANN模型来预测WWTP中的ETN和ETP.
• 使用诸如平均平方误差和R平方等指标评估模型性能.
• 评估模型在不同WWTP配置和数据量上的可解释性和适用性.

主要成果:

• BPANN模型在各种WWTP生物处理单元中显示出高预测准确度和一般适用性.
• 自动ML模型提供了更好的解释性,识别了电力碳排放作为营养去除预测的主导因素.
• 尽管数据量和类型增加,AutoML模型的解释性仍然保持一致,这表明其广泛适用性.

结论:

• 自动ML和BPANN模型都是有效的工具,用于预测WWTP中的ETN和ETP.
• 自动ML在解释性方面提供了优势,这对于理解碳排放等影响因素至关重要.
• 研究结果为改善废水处理中的营养去除策略提供了指导.