开发人工神经网络模型,用于无氧消化-化阶段处理
Moonil Kim1, Dokyun Kim1, Chul Park1
1Department of Civil and Environmental Engineering, Hanyang University, 55 Hanyangdaehak-ro, Ansan, Kyeonggido, 426-791, Republic of Korea.
Journal of environmental management
|March 6, 2025
概括
非线性自回归外源 (NARX) 模型准确预测了无氧消化化阶段治疗 (ADEPT) 的性能. 这种机器学习方法可以实现高速无氧消化,有效地去除有机物和生产生物气体.
科学领域:
- 环境工程 环境工程
- 生物技术是生物技术.
- 机器学习 机器学习
背景情况:
- 无氧消化对于有机废物处理和生物气产生至关重要.
- 优化无氧消化过程,如无氧消化化相处理 (ADEPT),对于效率至关重要.
- 预测建模可以提高ADEPT的控制和性能.
研究的目的:
- 应用非线性自回归外源 (NARX) 神经网络模型来预测ADEPT的性能.
- 为了评估机器学习预测的准确性,对挥发性固体的去除,沼气生产和甲含量.
- 在ADEPT中确定最佳的pH条件,以改善有机去除和生物气产量.
主要方法:
- 利用来自试点和实验室规模的ADEPT反应堆的实验数据进行模型校准和验证.
- 开发并实施基于NARX神经网络的自建机器学习算法.
- 进行时间序列模拟,分析pH对ADEPT性能的影响.
主要成果:
- 纳克斯模型实现了低平均平方误差的可靠预测 (0.32用于挥发性固体的去除,0.02用于生物气生产,0.16用于甲含量).
- 在7天的液压保留时间内,ADEPT证明了大约87%的挥发性固体被去除.
- 模拟表明,保持特定的pH值范围 (在酸性生成中6.0-6.5,在甲基生成中7.0-7.5) 增强了有机去除和生物气生产.
结论:
- 在预测和优化ADEPT性能方面,NARX神经网络模型是有效的.
- ADEPT显示了高速无氧消化与高效的资源回收的承诺.
- 应用NARX模型有助于高速无氧消化,而不会造成过度酸化的风险.
