在家用和工业废水中以机器学习辅助的来源追踪:基于光信息的方法
Yaorong Shu1, Fanming Kong2, Yang He2
1Institute of Artificial Intelligence, Huazhong University of Science and Technology, Wuhan, 430074, China; School of Environmental Science and Engineering, Huazhong University of Science and Technology, Wuhan, 430074, China; Key Laboratory of Water and Wastewater Treatment (HUST), MOHURD, Huazhong University of Science and Technology, Wuhan 430074, China.
Water research
|October 17, 2024
概括
紧急废水污染事件危险处理厂. 机器学习,特别是粒子集群优化随机森林 (PSO-RF) 模型,提供高效的源追踪,在识别工业部门和制造商方面实现高精度.
科学领域:
- 环境科学 环境科学
- 水处理技术 水处理技术
- 环境管理中的人工智能
背景情况:
- 紧急水污染事件对废水处理厂,特别是集成家用工业设施构成重大威胁.
- 有效的来源追踪对于减轻此类事件的影响至关重要.
- 传统的追踪方法往往耗时,需要更快,更有效的方法.
研究的目的:
- 开发和评估一种机器学习辅助的可追溯性模型,用于在紧急情况下识别废水污染源.
- 提高家庭工业综合废水处理厂源追踪的效率和速度.
- 提供一种新的战略,将人工智能整合到废水管理中,以检测异常源.
主要方法:
- 采集了来自6个行业的14家企业的712套废水表征数据,以及使用3维光谱学进行的家庭废水.
- 构建了废水特征指纹数据库,并使用诸如反向传播神经网络 (BP),随机森林 (RF),支持矢量机器 (SVM),天真贝耶斯 (NB) 和K-最近邻居 (KNN) 等算法训练了可追溯性模型.
- 提出并应用了一种先进的粒子群集优化随机森林 (PSO-RF) 模型,用于自动参数优化和源追踪.
主要成果:
- 该PSO-RF模型在部门识别方面达到96.55%的准确性,在制造商识别方面达到94.25%的准确性.
- 使用混合废水的实验室模拟证实了该模型的有效性,在追踪制药废水来源方面,准确度超过85%.
- 该模型在识别综合废水处理场景中的污染源方面表现强.
结论:
- 开发的PSO-RF模型提供了一种新且有效的策略,用于在紧急污染事件期间追踪异常废水源.
- 这种方法通过整合人工智能来进行细致的监测和快速响应,显著提高了废水管理的能力.
- 该研究为人工智能的实际应用提供了必要的支持,以保障废水处理设施的运行完整性.
