使用基于LSTM的深度学习模型预测市政废水处理厂的氧化排放量
Xiaozhen Xu1, Anlei Wei2, Songjun Tang1
1Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, College of Urban and Environmental Sciences, Northwest University, Xi'an, 710127, Shaanxi, China.
Environmental science and pollution research international
|December 6, 2023
概括
深度学习模型,特别是长短期记忆 (LSTM) 网络,准确预测废水处理厂的氧化 (N2O) 排放. 在温室气体减排方面,LSTM比循环神经网络 (RNN) 提供了更高的性能.
科学领域:
- 环境科学 环境科学
- 气候变化研究 气候变化研究
- 废水处理技术 废水处理技术
背景情况:
- 从废水处理厂 (WWTP) 准确量化温室气体排放对于全球气候变化减缓工作至关重要.
- 氧化物 (N2O) 是一种强有力的温室气体,在WWTP中的生物脱过程中大量排放.
- 开发精确的N2O排放预测模型对于实施有效的控制策略至关重要.
研究的目的:
- 开发和评估深度学习模型,用于预测来自瑞士WWTP的N2O排放.
- 为了确定一个长期短期记忆 (LSTM) 模型的最佳超参数,用于N2O排放预测.
- 将LSTM网络的预测性能与循环神经网络 (RNN) 的预测性能进行比较.
主要方法:
- 选择了六个关键参数和优化了实验条件,以开发一个最佳的LSTM模型.
- 调整的超参数包括神经元,激活函数,优化算法,学习率,学规范化和批量大小.
- 使用诸如平均绝对误差 (MAE),根平均平方误差 (RMSE),R2得分和解释差异的百分比等指标,比较了LSTM和RNN模型的性能.
主要成果:
- 最佳的LSTM模型是通过150个神经元,tanh激活,RMSprop优化,0.001的学习率,没有学,以及128.8的批量大小来实现的.
- LSTM模型显著优于RNN模型,MAE有36%的改善,RMSE有19%的改善.
- 与RNN相比,LSTM模型表现出对序列变化的强化弹性,实现了比RNN高9.54%的解释变异.
结论:
- LSTM深度学习模型提供了准确和可靠的预测,从WWTPs的N2O排放.
- 这些发现支持使用LSTM模型作为废水管理中温室气体减排策略的有价值工具.
- 优化的深度学习方法可以显著改善从工业过程中产生的强大的温室气体的评估和控制.
