对于废水处理过程的平行混合模型的良好建模实践
Loes Verhaeghe1, Jan Verwaeren2, Gamze Kirim3
1modelEAU, Université Laval, 1065 avenue de la Médecine, Québec G1V 0A6, QC, Canada; BIOVISM, Department of Data Analysis and Mathematical Modelling, Faculty of Bioscience Engineering, Ghent University, Coupure links 653, 9000 Gent, Belgium; BIOMATH, Department of Data Analysis and Mathematical Modelling, Faculty of Bioscience Engineering, Ghent University, Coupure links 653, 9000 Gent, Belgium
结合机械和神经网络 (NN) 方法的混合模型 (HM) 改善了废水处理厂的预测. 使用带有卷积神经网络 (CNN) 的未校准机械模型实现了最佳性能.
科学领域:
- 环境工程 环境工程
- 废水处理技术 废水处理技术
- 计算建模 计算建模
背景情况:
- 水和资源回收设施 (WRRFs) 中的机械模型通常在表示复杂的生物过程方面存在局限性.
- 数据驱动型号在训练数据之外的推断方面遇到了困难.
- 混合模型提供了一种有希望的方法,可以利用机械和数据驱动方法的优势.
研究的目的:
- 通过整合机械和数据驱动组件,制定和评估WRRF的并行混合模型 (HMs).
- 调查校准工作对机械模型的影响与神经网络 (NN) 的补偿.
- 为了比较不同数据驱动模型的性能,特别是长短期记忆 (LSTM) 和卷积神经网络 (CNN).
主要方法:
- 通过对废水中酸盐预测机械模型的残留物进行NN培训,构建并行HM.
- 使用基准模拟模型编号. 1和一个大型试点WRRF进行实验.
- 用不同的校准/训练数据集和机械模型版本开发的HM进行比较.
- 测试LSTM和CNN作为HM框架内的数据驱动组件.
主要成果:
- 平行HM有效地解决了机械模型预测和数据驱动模型推断的局限性.
- 与使用校准数据集相比,对NN在独立验证数据集上的训练产生了更好的结果.
- 最有效的HM使用了具有默认,未校准参数的机械模型.
- 基于CNN的HM实现了1.58毫克NO3-N/L的根平均平方误差 (RMSE),显著超过基于LSTM的HM (RMSE=4.17毫克NO3-N/L).
结论:
- 平行混合模型显示出在WRRF中改善废水酸盐预测的巨大潜力.
- 优化机械模型校准和NN补偿之间的平衡对于HM性能至关重要.
- 在这种情况下,卷积神经网络 (CNN) 是混合建模的高效数据驱动组件,其性能优于LSTM.
更多相关视频
相关概念视频
Typical Model Studies
Design Example: Creating a Hydraulic Model of a Dam Spillway
Modeling and Similitude
Multiple Pipe Systems
Series Configuration
In a series configuration, fluid flows sequentially from one pipe...
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...


