在水资源回收设施中对细菌度估计的模型概括性进行校准框架

科学领域:

• 环境工程 环境工程
• 水资源管理 水资源管理
• 环境监测中的数据科学

背景情况:

• 在水资源回收设施 (WRRF) 中实时监测细菌度对于评估处理效率至关重要,但由于离线采样,仍然具有挑战性.
• 现有的细菌预测数据驱动模型经常在不同WRRF和未见数据的概括方面扎.
• 物理化学参数如pH,COD,TDS,度和导电性是废水分析中的关键指标.

研究的目的:

• 为神经网络模型提出和评估一种新的校准方法,以准确估计各种WRRF中的流入和流出阶段的细菌度.
• 适应沙特阿拉伯不同设施的预测模型,使用物理化学参数的分布外 (OOD) 框架.
• 提高数据驱动模型的概括能力,以实时监测废水中的细菌.

主要方法:

• 开发一个使用神经网络的校准框架,以及用于物理化学水参数的分布外 (OOD) 检测方法.
• 在收到新的样本数据时,实施神经网络模型的持续更新机制.
• 在沙特阿拉伯的四个WRRF数据集上测试拟议的校准方案,比较使用和不使用OOD框架的性能.

主要成果:

• 与OOD方案的拟议校准框架显著提高了估计准确性 ([公式:见文本]和[公式:见文本]) 最坏的情况下影响细菌度与模型之前的校准和校准后没有OOD.
• 同样,最糟糕的废水细菌度估计显示了实质性的增强 (校准前[公式:见文本]和校准后[公式:见文本]没有OOD).
• 结果显示了基于OOD的校准在改善跨多种WRRF数据集的模型概括方面的有效性.

结论:

• 将校准框架与神经网络方法相结合,特别是使用OOD对生理化学参数的方案,对于在WRRF中实现可靠的细菌度估计至关重要.
• 开发的方法提高了不同水处理设施的模型适应性和准确性,解决了对数据驱动模型概括的挑战.
• 这种方法为废水中的细菌水平提供了更可靠的实时监测途径,改善了水资源的回收.