贝叶斯神经网络的优化和校准,用于在无氧湖中概率预测沼气性能
Benjamin Steven Vien1, Thomas Kuen2, Louis Raymond Francis Rose3
1Department of Mechanical and Aerospace Engineering, Monash University, Wellington Rd, Clayton, VIC 3800, Australia.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
本研究介绍了一种机器学习 (ML) 策略,用于优化无氧污水处理湖,显著改善生物气性能预测和资产管理. 这种新的方法提高了关键基础设施的诊断能力.
科学领域:
- 环境工程 环境工程
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 无氧污水处理湖是关键基础设施,需要优化生物气生产和资产管理的性能.
- 当前的监控策略往往缺乏处理复杂,不规则的操作数据的复杂性.
- 提高诊断能力对于提高这些处理厂的效率和可靠性至关重要.
研究的目的:
- 开发和验证一种基于机器学习 (ML) 的新型监测策略,以优化无氧污水处理湖的性能.
- 利用多样化的运营数据来准确地预测沼气性能.
- 探索ML在高价值基础设施资产管理和结构健康监测 (SHM) 中的应用.
主要方法:
- 数据分析和复杂,不规则的数据集的预处理.
- 开发一个贝叶斯混合密度神经网络模型与基于注意力的双向长期短期记忆 (BiLSTM).
- 使用高斯混合模型和蒙特卡洛 (MC) 脱落来估计不确定性,然后使用预期校准误差进行模型校准.
主要成果:
- 优化的ML模型实现了0.074的负日志概率 (NLL),明显优于其他配置.
- 该模型的准确性大约是平均水平的9倍,是表现最差的模型的22倍.
- 确定了影响准确性的关键因素,例如输入窗口大小和BiLSTM隐藏单元,同时注意到完全连接层神经元的最小影响.
结论:
- 开发的ML策略显著提高了无氧污水处理湖的诊断能力.
- 该研究强调了固有的数据质量对模拟不确定性的重大贡献,强调需要高质量的数据.
- 这项研究为应用ML将基础设施资产转化为智能结构的基础提供了基础,这对资产管理和可再生能源具有广泛的影响.
