一个基于密度的多变量概率自动重建Bi-LSTM软传感器,用于预测废水处理厂的废水BOD

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.
• 数据科学数据科学数据科学

背景情况:

• 精确检测废水生物氧需求 (BOD) 对废水处理厂 (WWTP) 运营至关重要.
• 当前的检测方法在满足不断变化的环境法规和管理需求方面面临挑战.

研究的目的:

• 开发一种先进的软传感器,用于预测废水BOD,提高准确性和效率.
• 在复杂的废水处理场景中解决现有方法的局限性.

主要方法:

• 为了选择相关的辅助变量,利用了k-最近邻近相互信息 (KNN-MI).
• 开发了一种基于概率密度的多变量自重建 (MPDAR) 策略,与双向长期短期记忆 (Bi-LSTM) 神经网络集成.
• 采用历史数据和适应性更新,以提高模型的稳定性.

主要成果:

• 与传统模型相比,MPDAR-Bi-LSTM软传感器表现出优异的预测性能.
• 该模型有效地避免了在动态和复杂的治疗条件下无效的重建.
• 使用基准模拟模型第1号 (BSM1) 数据集验证的有效性.

结论:

• 拟议的MPDAR-Bi-LSTM软传感器为废水BOD预测提供了强大而准确的解决方案.
• 这一进步支持稳定的WWTP运行和遵守严格的排水标准.
• 该方法在具有挑战性的废水处理环境中提高了预测效率和可靠性.