预测废水处理厂的生物化学氧气需求,使用由蝙蝠算法优化的先进极端学习机器

科学领域:

• 环境工程 环境工程
• 水质管理水质管理
• 机器学习应用 机器学习应用

背景情况:

• 精确的废水质量建模对于优化废水处理厂 (WWTP) 运营至关重要.
• 预测废水生化氧需求 (BOD) 是WWTP管理的一个关键挑战.
• 现有的模型往往需要复杂的参数调整,可能缺乏预测准确性.

研究的目的:

• 开发和评估一种新的混合机器学习模型,由蝙蝠算法 (ELM-Bat) 优化的极端学习机器,用于预测五天的废水BOD.
• 将ELM-Bat的预测性能与MLPNN,RFR,GPR,RVFL和MLR等既有模型进行比较.
• 确定输入变量的最佳组合,以准确预测BOD.

主要方法:

• 开发了一种混合ELM-Bat模型,将Bat算法与极端学习机器集成用于参数优化.
• 利用了历史废水质量数据,包括化学氧气需求 (COD),温度,pH,总悬浮固体 (TSS),特定导电性 (SC) 和流量 (Q).
• 使用培训和测试数据集对所有模型进行校准和验证,通过RMSE,MAE,R和NSE指标评估性能.

主要成果:

• 与所有基准模型相比,混合ELM-Bat模型显示出更高的预测准确性.
• 当包括所有六个输入变量 (COD,温度,pH,TSS,SC,Q) 时,就能达到最佳性能.
• 在ELM-Bat的测试中,我们获得了RMSE=0.885,MAE=0.781,R=2.621和NSE=1.989.9的近似性能指标.

结论:

• ELM-Bat模型代表了废水质量建模的重大进步,用于废水BOD预测.
• 这种混合方法为WWTP的规划和管理提供了更高的准确性和可靠性.
• 这些发现强调了先进的机器学习技术在应对复杂的环境挑战方面的潜力.