采用长短期记忆 (LSTM) 与遗传算法 (GA) 结合的创新方法来预测大型无氧消化器的生物气产量

科学领域:

• 环境工程 环境工程
• 生物技术是生物技术.
• 人工智能的人工智能

背景情况:

• 准确预测生物气生产对于优化废水处理厂的大规模无氧消化 (AD) 过程至关重要.
• 现有的模型可能无法完全捕捉在现实运行条件下影响生物气产量的复杂相互作用.
• 废水特性和污泥流数据是影响无氧消化器性能的关键因素.

研究的目的:

• 开发和评估一种混合基因算法长期短期记忆 (GA-LSTM) 模型,用于预测大型无氧消化器中的沼气生产.
• 确定最有影响力的输入参数,以准确预测生物气产量.
• 用不同的数据输入来评估模型的性能,包括原始废水和加厚污泥的特性.

主要方法:

• 一个人工神经网络 (ANN) 模型,特别是长期短期记忆 (LSTM),被用于时间序列预测.
• 一个遗传算法 (GA) 被集成用于特征选择以确定最佳输入参数.
• 评估了三个预测场景:原始废水数据,加厚污泥数据和综合数据,将液压保留时间 (HRT) 作为LSTM回顾窗口.

主要成果:

• 该GA-LSTM模型实现了高预测准确性,分别为0.84,0.89和0.90的三个场景的确定系数 (R2).
• GA确定了关键参数:原废水的BOD5,COD,TSS和TN负载;污泥流的总流量和平均固体含量.
• 将原始废水和污泥数据结合起来,略有提高了预测准确度,突出显示了这两种数据源的重要性.

结论:

• GA-LSTM建模技术提供了一种可靠的方法,用于预测大规模AD的生物气产量,并将HRT纳入建模过程.
• 原始废水特性显著影响AD行为,可以有效地作为预测模型的输入数据.
• 这项研究表明了混合人工智能方法在优化废水处理过程和生物气能回收方面的潜力.