创新的多步和同步软传感预测COD和NH在WWTP通过多式联络数据和多重注意力机制
Junchen Li1, Sijie Lin2, Liang Zhang3
1School of Environment, Harbin Institute of Technology, Harbin 150090, PR China; School of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, PR China.
Water research
|March 6, 2025
概括
这项研究引入了一种新的AI模型,用于预测废水中的化学氧气需求 (COD) 和氨 (NH3). 泰德-TCN模型提供了准确,经济高效,多步骤的水质监测.
科学领域:
- 环境科学 环境科学
- 水处理技术 水处理技术
- 环境监测中的人工智能
背景情况:
- 精确监测化学氧气需求 (COD) 和氨 (NH3) 对于有效的废水处理至关重要.
- 传统的基于传感器的方法昂贵,需要大量维护,这阻碍了它们在资源有限的设施中使用.
- 现有的软传感方法缺乏多目标和多步预测能力,限制了实际应用.
研究的目的:
- 开发一种新的软传感模型,用于准确,多步骤和同步预测COD和NH3.
- 解决废水质量参数的多目标和多步预测现有方法的局限性.
- 为水质监测提供传统传感器的经济有效的替代品.
主要方法:
- 引入三重注意力增强编码器-解码器时间卷积网络 (TAED-TCN).
- 利用多式联络输入,包括水质参数和废水表面图像.
- 通过测序批量反应堆废水处理的真实数据验证了模型.
主要成果:
- 与基线模型相比,TAED-TCN模型显示出优异的多步预测性能.
- 在1小时COD预测中获得的R2值超过26.03%高,在1小时NH3预测中达到20.51%高.
- 经济分析表明,在设备生命周期内,监控成本可能减少79%.
结论:
- TAED-TCN模型有效地捕获复杂的特征和依赖关系,以准确地预测多目标.
- 这种方法为实时预测水质提供了具有成本效益的解决方案.
- 在废水管理中提高运营效率和降低监测成本是可以实现的.


