基于人工智能的树建模型,用于城市固体废物焚烧中的多点二氧化物度
Heng Xia1, Jian Tang1, Loai Aljerf2
1Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China; Beijing Laboratory of Smart Environmental Protection, Beijing 100124, China.
Journal of hazardous materials
|September 21, 2024
概括
本研究引入了一种全过程机器学习模型,用于测量来自城市固体废物焚烧 (MSWI) 的二氧化 (DXN) 排放. 该模型准确地预测了DXN的产生,吸附和排放,从而实现了更好的污染控制.
科学领域:
- 环境科学 环境科学
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
背景情况:
- 城市固体废物焚烧 (MSWI) 是二氧化 (DXN) 排放的重要来源.
- 目前的DXN排放控制策略受到缺乏实时,全过程在线测量能力的阻碍.
- 现有的模型主要侧重于堆排放,忽视了DXN生成和吸收动态.
研究的目的:
- 开发一个全面的,数据驱动的模型,在整个MSWI过程中在线测量DXN度.
- 建立一个新的DXN建模框架,集成生成,吸附和排放阶段.
- 通过对DXN行为有机学的理解来支持最佳的污染减排控制.
主要方法:
- 应用先进的基于树的机器学习算法,包括深度和广泛的学习,自适应性深森林回归和模糊森林回归.
- 在不同的DXN阶段分析各种数据特征 (高维小样本,低维超小样本,中维小样本).
- 利用对DXN机制的深入理解来为数据特征确定和模型构建提供信息.
主要成果:
- 为DXN开发了一种强大的全过程树型模型,并使用北京MSWI工厂近一年的真实数据进行了验证.
- 该模型在处理DXN生成,吸附和排放阶段固有的各种数据复杂性方面表现出有效性.
- 拟议的框架为DXN建模提供了一种新的方法,超越了聚焦于堆的分析.
结论:
- 开发的全过程模型为MSWI中的在线DXN监控和控制提供了重大进步.
- 这种方法促进了对DXN机制特征的更深入探索.
- 该框架为优化废物焚烧污染减少战略提供了必要的支持.
