基于注意力的深度学习模型用于预测废水处理厂的异常冲击
Yituo Zhang1, Jihong Wang1, Chaolin Li2
1School of Ecology and Environment, Harbin Institute of Technology, Shenzhen, 518055, China.
Water research
|February 2, 2025
概括
带有注意力机制的新深度学习模型可以预测水质指标的突然变化,改善废水处理厂的运行. 这些模型有助于废水处理厂更快地响应,以避免中断,并确保更清洁,更具成本效益的过程.
科学领域:
- 环境工程 环境工程
- 人工智能的人工智能
- 水质监测 水质监测
背景情况:
- 废水处理厂 (WWTP) 需要快速监测水质指标 (WQI),如总 (TN) 和总 (TP),以管理影响的波动.
- 传统的机器学习模型难以预测突然的WQI波动,因为极端事件数据不足.
- 可解释性问题阻碍了对现实应用的深度学习模型的优化.
研究的目的:
- 开发基于注意力的深度学习模型,能够预测水质异常波动.
- 通过敏感性分析提高深度学习模型的可解释性.
- 通过能够迅速应对冲击负载来提高WWTP操作的效率和安全性.
主要方法:
- 开发了三种基于注意力的深度学习模型:基于注意力的多层感知器 (A-MLP),变压器和基于特征时间注意力的长期短期记忆 (FTA-LSTM).
- 整合注意力机制以捕捉异常水质数据中的模式.
- 应用局部和全球灵敏度分析来量化特征重要性.
主要成果:
- 基于注意力的模型在预测TN,TP和化学氧气需求 (COD) 时间序列,包括异常值方面显著优于基线模型.
- 与A-MLP和变压器模型相比,FTA-LSTM表现出优异的预测性能.
- 灵敏度分析提供了可靠的特征重要性,并降低了计算成本.
结论:
- 注意力机制有效地增强了用于预测异常水质的深度学习模型.
- 开发的模型为WWTPs的实时WQI监测和预测提供了一种新的方法.
- 这一进步有助于更安全,更清洁,更具成本效益的废水处理操作.
