优化新型工程生态系统集成碳,,和硫生物转化用于盐水废水处理使用可解释机器学习方法的优化
Jinqi Jiang1,2, Xiang Xiang2, Qinhao Zhou2
1Hubei Key Laboratory of Multi-media Pollution Cooperative Control in Yangtze Basin, School of Environmental Science & Engineering, Huazhong University of Science and Technology (HUST), 1037 Luoyu Road, Wuhan, Hubei 430074, China.
机器学习模型预测盐水废水处理中的去除效率,使用与化硫 (S) 转化相关的增强生物去除 (DS-EBPR) 过程. 这种方法优化了操作参数,以改善生物去除.
科学领域:
- 环境工程 环境工程
- 废水处理 废水处理
- 生物技术是生物技术.
- 机器学习应用 机器学习应用
背景情况:
- 脱硫 (S) 转化相关的增强生物去除 (DS-EBPR) 工艺处理盐水废水,整合碳 (C), (N), (P) 和S生物转化.
- 在DS-EBPR的操作不稳定性是由许多参数和复杂的细菌相互作用引起的.
- 在DS-EBPR中预测和优化P去除效率需要先进的分析方法.
研究的目的:
- 开发和验证一种两阶段可解释的机器学习方法,用于预测DS-EBPR中的 (P) 去除效率.
- 通过识别影响S转换驱动P去除的关键环境因素来优化DS-EBPR过程.
- 创建一个用户友好的界面,以便更容易的过程控制和优化.
主要方法:
- 采用了两阶段的机器学习方法,从XGBoost回归开始,从无氧参数预测硫酸盐减少 (SR) 强度.
- 第二阶段使用CatBoost分类和回归,整合无氧参数和预测的SR值来预测P去除效率.
- 功能工程和模型验证使用R平方和精度指标进行.
主要成果:
- 该XGBoost模型实现了R平方值为0.948的预测SR强度.
- CatBoost模型达到94%的准确性,并预测P移除的R平方值为0.93.
- 确定的关键因素包括SR强度 (20-45毫克S/L),影响P (<9.0毫克P/L),MLVSS/MLSS比率 (0.55-0.72),C/S比率 (0.5-1.0),无氧时间 (5-6小时) 和MLSS (>6.50g/L).
结论:
- 拟议的两阶段机器学习方法有效地预测和优化DS-EBPR过程中的P删除.
- 确定的主要环境因素为提高运营稳定性和效率提供了关键的见解.
- 开发的图形界面有助于实际应用和控制DS-EBPR流程,以改善P去除.
更多相关视频
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
08:17Coupling Carbon Capture from a Power Plant with Semi-automated Open Raceway Ponds for Microalgae Cultivation
Published on: August 14, 2020
相关概念视频
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...
Responses to Salt Stress
Bioremediation
