功能工程和监督机器学习用于预测市政无氧共消化过程中的沼气生产
Hunter W Schroer1, Craig L Just1,2
1IIHR - Hydroscience and Engineering, University of Iowa, Iowa City, Iowa 52242, United States.
ACS ES&T engineering
|March 14, 2024
概括
机器学习使用高分辨率的操作数据准确预测共消化设施的生物气产量. 这种方法提高了过程控制和可持续性,而不需要额外的数据收集.
科学领域:
- 环境工程 环境工程
- 生物技术是生物技术.
- 数据科学数据科学数据科学
背景情况:
- 市政当局共同消化场外废物,以增加生物气产量并实现可持续发展目标.
- 运营挑战源于无氧消化过程中的废物流异质性.
- 在无氧消化过程中预测和建模复杂的微生物过程是困难的.
研究的目的:
- 用水资源回收设施 (WRRF) 的历史运营数据来预测沼气生产.
- 评估预测24小时内生物气流量的可行性,而不需要额外的数据收集.
- 为了比较机器学习模型用于生物气产量预测.
主要方法:
- 使用了两个数据集:每日实验室/运营数据 (n=1089) 和分钟 SCADA 数据 (n=491,761).
- 开发并比较了多层感知子 (MLP),基于树的和多重线性回归模型.
- 专注于从原始SCADA输出的特征工程,以改进模型.
主要成果:
- 一个多层感知器 (MLP) 神经网络模型显著优于其他模型.
- 使用SCADA数据的MLP模型实现了0.78的R2和13.4%的平均绝对百分比误差.
- 添加每日实验室分析并没有显著改善生物气流预测的准确性.
结论:
- 分钟级的SCADA数据可以有效地预测市政共消化中的沼气产量.
- 来自SCADA数据的特征工程对于准确的预测至关重要.
- 这种预测能力是开发无氧消化过程的数字双胞胎的一个基本步骤.
