适应性预测废水处理厂的废水质量:通过基于注意力的双阶段LSTM网络进行改进

科学领域:

• 环境科学 环境科学
• 计算机科学 计算机科学
• 化学工程是化学工程的重要组成部分.

背景情况:

• 精确的废水预测对于废水处理厂的运行至关重要.
• 早期预警系统和前控制参数调整依赖于精确的废水质量预测.
• 现有的模型经常与噪音和废水数据的长期依赖性作斗争.

研究的目的:

• 开发和评估一种基于长期短期记忆网络 (DA-LSTM) 的新型双阶段注意力机制,以提高废水质量预测.
• 提高废水处理中的预测模型的稳定性和长期记忆能力.
• 证明DA-LSTM在预测化学氧气需求 (COD),总 (TP) 和总 (TN) 的有效性.

主要方法:

• 应用一个双阶段的注意力机制 (输入注意力和时间注意力),与长期短期记忆 (LSTM) 网络集成.
• 输入注意力 (IA) 用于自适应地调整特征重量,增强对输入噪声的稳定性.
• 时间注意力 (TA) 被用来延长模型的记忆范围,以改善长期依赖性捕获.

主要成果:

• 输入注意力 (IA) 增加了R2的13.18%,提高了对输入噪声的稳定性.
• 时间注意力 (TA) 将有效记忆时间从96小时延长到168小时.
• 与单个LSTM相比,DA-LSTM提高了COD的预测精度5.10%,TP的2.11%,TN的14.47%.
• 在新情景中,DA-LSTM表现出优越的泛化,增加了R2的22.67% (COD),20.06% (TP) 和17.14% (TN),同时减少了MAPE的56.46% (COD),63.08% (TP) 和42.79% (TN).

结论:

• DA-LSTM模型在废水废水质量预测方面表现出卓越的预测性能和概括能力.
• 该模型的有效性源于其特征适应加权 (IA) 和长期记忆聚焦 (TA) 机制.
• DA-LSTM 提供了有效预警异常运行条件和及时管理废水处理中控制参数的显著潜力.