为了开发一种基于ML的废水处理决策支持系统:太阳能光化学过程中的细菌失活预测方法

科学领域:

• 环境工程 环境工程
• 摄影化学的使用.
• 机器学习 机器学习

背景情况:

• 由于复杂的参数和组成,废水处理在细菌失活方面面临挑战.
• 太阳能光化学工艺 (PCP) 可以节省能源,但需要平衡失活效率和成本.
• 需要预测工具来优化PCP设计和资源分配.

研究的目的:

• 评估四种机器学习算法,用于预测废水中的细菌失活效率.
• 为了比较人工神经网络 (ANN),随机森林 (RF),支持向量机 (SVM) 和极端梯度提升 (XGBoost) 的性能.
• 在模拟现实条件下评估模型的有效性,使用不同的细菌度和矩阵.

主要方法:

• 四个机器学习算法 (ANN,RF,SVM,XGBoost) 被训练来预测细菌失活.
• 模型使用大肠杆菌,菌种和沙门氏菌种的数据进行了测试. 在不同的氧化剂类型,度和水性矩阵下.
• 两个场景模拟了现实世界条件:场景I用于中间预测,场景II用于随时间推移的完整实验预测.

主要成果:

• 基于决策树的模型 (RF和XGBoost) 的准确性高于SVM和ANN.
• 在情景I中,XGBoost最有效,R2值高达0.87.
• 对于大肠杆菌和沙门氏菌spp. 在情景II中超越了RF. (R2升至0.80),而XGBoost对Enterococcus sp.的有效性中等. (R2 0.50). 这样就好了.

结论:

• 基于决策树的机器学习模型 (RF和XGBoost) 对于预测废水处理中的细菌失活是有效的.
• 这些模型可以通过减少对广泛实验试验的需求来优化太阳能光化学过程设计.
• 该研究强调了ML工具对于高效和成本效益的废水消毒策略的潜力.