通过开发基于注意力的深度学习网络,改进了废水处理中部分化-anammox过程的预测
Jiayuan Ji1, Zhixi Feng2, Shuai Chen2
1Institute of Fluid Science, Tohoku University, 2-1-1 Katahira, Aoba-ku, Sendai 980-8577, Japan; Institute for Future Initiatives, The University of Tokyo, 7-3-1 Hongo, Bunkyo-ku, Tokyo 113-8654, Japan.
Journal of environmental management
|January 9, 2025
概括
包括AttentionNet在内的深度学习模型有效地预测了部分化-安纳摩克斯 (PN-anammox) 废水处理中的去除. 注意网为pH和含量等关键参数提供了更高的准确性.
科学领域:
- 环境工程 环境工程
- 生物技术是生物技术.
- 废水处理 废水处理
背景情况:
- 部分化-anammox (PN-anammox) 是一个高效的去除过程,成本低.
- 严格的溶氧 (DO) 控制在PN-anammox反应堆中至关重要.
- 传统的绩效评估方法有时间滞后,阻碍了及时的过程恢复.
研究的目的:
- 开发和评估用于预测PN-anammox过程性能的深度学习模型.
- 解决PN-anammox系统中传统建模方法的局限性.
- 改进废水处理中去除的实时监测和控制.
主要方法:
- 使用了长期短期记忆网络 (LSTM),密集连接的卷积网络 (DenseNet) 和增强的基于注意力的DenseNet (AttentionNet).
- 从连续PN-anammox反应堆的长期实验中构建了一个数据集.
- 应用深度学习模型来预测低强度废水中的去除.
主要成果:
- 在模拟PN-anammox过程中,DenseNet实现了低于15%的平均相对误差 (MRE).
- 注意网表现出卓越的性能,MRE大约为10%或更低.
- 关注网显示,废水pH值,化和总的预测准确度更高.
结论:
- 深度学习,特别是AttentionNet,为模拟PN-anammox废水处理提供了强大而准确的方法.
- 增强的AttentionNet模型可以有效地管理不稳定的影响条件,并预测关键的治疗参数.
- 这种方法有助于及时干预和流程优化,以有效地去除.
更多相关视频
08:05Measurement of the Potential Rates of Dissimilatory Nitrate Reduction to Ammonium Based on 14NH4+/15NH4+ Analyses via Sequential Conversion to N2O
Published on: October 7, 2020
6.1K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
2.6K
