通过可解释机器学习的光合作用细菌预测废水处理中的生物质转化和COD去除
Pengfei Hou1, Shiqi Liu1, Duofei Hu1
1School of Energy & Environmental Engineering, Hebei University of Technology, Tianjin, 300401, China.
Journal of environmental management
|January 25, 2025
概括
人工智能,特别是堆叠模型,优化了光合作用细菌 (PSB) 用于废水处理. 这种方法确定了提高污染物清除和生物质生成的关键操作范围.
科学领域:
- 环境微生物学环境微生物学
- 生物技术是生物技术.
- 人工智能的人工智能
背景情况:
- 光合作用细菌 (PSB) 在废水处理,去除污染物和生产生物质方面是有效的.
- 由于复杂的操作和环境因素,优化PSB流程是复杂的.
研究的目的:
- 应用人工智能 (AI) 来预测和优化PSB废水处理中的关键绩效指标.
- 确定关键的操作参数及其最佳范围以提高效率.
主要方法:
- 采用人工智能模型,包括神经常规微分方程,弹性网,堆叠和分类增强.
- 利用可解释的机器学习来识别关键特征及其可操作范围.
- 分析了二维的部分依赖图,以了解特征相互作用.
主要成果:
- 堆叠模型实现了化学氧需求 (COD) 清除效率,生物质生产率,生物质产量和能源产量的优异预测性能.
- 确定了溶解氧气,照度,光能,有机载荷率 (OLR),液压保留时间 (HRT),COD度,COD/N比率和pH的最佳范围.
- 在最佳条件下,COD去除效率>72%,生物质生产率>28 g L−1 d−1,生物质产量>0.96 g COD_生物质g COD_removed−1,能源产量>0.49 g kWh−1.
结论:
- 人工智能,特别是堆叠模型,有效地预测和优化PSB废水处理性能.
- 可解释的人工智能分析为流程改进提供了对操作参数相互作用的关键见解.
- 这项研究为使用PSB的废水处理提供了一条更有效的资源回收和流程优化的途径.
