碳源剂量智能确定使用多功能敏感反传播神经网络模型
Ziqi Zhou1, Xiaohui Wu1, Xin Dong2
1School of Environment Science & Engineering, Huazhong University of Science and Technology, Wuhan, 430074, China.
Journal of environmental management
|February 11, 2025
概括
这项研究引入了一种新的深度学习模型,用于优化废水处理. 该MFS-BPNN-SSA模型有效地预测了外部碳源剂量,降低了成本,并改善了废水处理厂 (WWTP) 的废水质量.
科学领域:
- 环境工程 环境工程
- 人工智能在水处理中的应用
- 可持续的废水管理 可持续的废水管理
背景情况:
- 废水处理厂 (WWTP) 面临着优化外部碳源添加用于脱的挑战,导致高成本和不稳定的废水质量.
- 目前的手工方法依赖于经验,往往导致不经济的剂量和波动的总 (TN) 度.
- 现有的深度学习方法需要大量的数据,这对具有短期或有限数据的现实应用造成了局限性.
研究的目的:
- 开发一个准确且数据效率高的模型,用于预测WWTP中的最佳外部碳源剂量.
- 解决传统方法和数据密集型深度学习方法在管理脱过程中的局限性.
- 通过智能碳源管理,提高WWTP运营的可持续性和成本效益.
主要方法:
- 开发一个多特征敏感的反传播神经网络 (MFS-BPNN-SSA) 模型.
- 整合沙普利增量解释 (SHAP) 和灵敏度分析 (SSA) 以确定特征重要性和模型可解释性.
- 纳入理论公式和反规则,以提高预测准确度和处理异常数据,特别是对于有限的数据集.
主要成果:
- 与传统的机器学习和深度学习模型相比,MFS-BPNN-SSA模型显示出更高的预测性能.
- 获得的R和R2值分别比表现最好的传统模型高1.75%和3.48%,R和R2达到0.9999.
- 在真正的WWTP中成功运行了两年多,导致废水TN度提高了9%,碳源剂量减少了14%.
结论:
- 在WWTP中,MFS-BPNN-SSA模型为优化碳源剂量提供了一种新且有效的策略,即使数据有限.
- 这种方法有助于减少污染和减少废水处理中的碳减排目标.
- 该模型的成功长期运行验证了其在可持续的WWTP管理中的实际适用性和效率.
