相关实验视频
Updated: Jun 23, 2026
06:37
Continuous Hydrologic and Water Quality Monitoring of Vernal Ponds
Published on: November 13, 2017
9.3K
基于长短期记忆的人工神经网络 (LSTM) 的软传感器设计,用于废水处理厂
Roxana Recio-Colmenares1, Elizabeth León Becerril1, Kelly Joel Gurubel Tun2
1Environmental Technology Department, Centro de Investigación y Asistencia en Tecnología y Diseño del Estado de Jalisco, A.C., Av. Normalistas 800, Colinas de la Normal, Guadalajara 44270, Jalisco, Mexico.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了基于网络的长短记忆 (LSTM) 软传感器,以准确估计废水废水质量. 这种先进的监测工具提供了一种可靠的方法,用于评估废水处理厂 (WWTP) 的化学氧气总需求 (TCOD) 质量指数.
科学领域:
- 环境工程 环境工程
- 人工智能在水处理中的应用
- 废水质量监测 废水质量监测
背景情况:
- 使用传统方法评估废水废水质量是具有挑战性的,因为耗时的过程和高成本.
- 有效和实用的监测对于有效的废水处理厂 (WWTP) 管理至关重要.
- 现有的方法往往缺乏实时决策所需的速度和成本效益.
研究的目的:
- 开发和评估基于网络的长短记忆 (LSTM) 软传感器,以加强废水监测.
- 准确估计废水质量,特别是使用总化学氧需求 (TCOD) 质量指数.
- 为WWTP的决策者提供一个有价值的管理工具.
主要方法:
- 生成了一个离散时间数据集,模拟激活污泥系统的行为.
- 开发了一个深入的LSTM网络结构,以创建基于LSTM的软传感器模型.
- 优化了超参数,以提高软传感器的预测能力.
主要成果:
- 基于LSTM的软传感器实现了可溶性X1和固体X2基质度的高精度预测.
- 优化模型性能指标包括X1的平均平方误差 (MSE) 为23.38,X2的9.74.
- 通过X1的0.97和X2的0.93的确定系数 (R2) 值,以及X1的1.31和X2的1.89的平均绝对百分比误差 (MAPE) 来证明出色的预测准确性.
结论:
- 拟议的基于LSTM的软传感器是实时废水废水质量评估的有希望和准确的工具.
- 这种方法为传统的监测方法提供了具有成本效益和效率的替代方案.
- 开发的软传感器可以显著帮助决策过程在管理WWTPs.
