可解释组合预测,用于无氧消化性能水热碳化废水废水
Zherui Ma1, Ruikun Wang1, Gaoke Song1
1Hebei Key Laboratory of Low Carbon and High Efficiency Power Generation Technology, North China Electric Power University, Baoding 071003, Hebei, China; Baoding Key Laboratory of Low Carbon and High Efficiency Power Generation Technology, North China Electric Power University, Baoding 071003, Hebei, China.
The Science of the total environment
|November 5, 2023
概括
这项研究使用先进的机器学习来增强水热碳化 (HTC) 废水中的甲产量. 集成模型准确预测生物气产量和甲度,改善废物利用和能源回收.
科学领域:
- 环境工程 环境工程
- 生物技术是生物技术.
- 机器学习 机器学习
背景情况:
- 水热碳化 (HTC) 处理湿固体废物,但产生具有挑战性的废水.
- HTC废水的无氧消化 (AD) 提供了废物利用和能量回收潜力.
- 由于多种影响因素,预测HTC废水的AD性能是复杂的.
研究的目的:
- 开发准确的生物气产量和甲 (CH4) 度在HTC废水的AD期间的预测模型.
- 应用可解释的机器学习和集体学习来改进AD性能预测.
- 使用可解释性技术识别影响AD表现的关键因素.
主要方法:
- 使用可解释机器学习构建集体预测模型.
- 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
- 评估模型性能与单个机器学习模型相比.
主要成果:
- 与单个模型相比,组合模型的预测准确度更高 (生物气产量的R2为0.836,CH4度为0.820),单个模型的R2为0.780和0.802).
- SHAP分析揭示了AD反应时间,HTC温度,pH和COD之间对生物气产量和CH4度的合效应.
- 这项研究证明了集体学习对复杂的AD过程预测的有效性.
结论:
- 可解释的机器学习和组合方法显著改善了HTC废水的AD性能预测.
- 了解反应时间,温度,pH和COD等因素的相互作用对于优化甲生产至关重要.
- 这种方法促进了更好的废物管理和从HTC废水中回收能源.
