机器学习用于FOS/TAC软传感在生物电化学无氧消化中的应用

科学领域:

• 环境科学 环境科学
• 生物技术是生物技术.
• 机器学习 机器学习

背景情况:

• 微生物电解细胞无氧消化 (MEC-AD) 系统对于废水处理和能量回收至关重要.
• 监控系统的稳定性,特别是FOS/TAC比率,对于高效运行至关重要.
• 关键绩效指标的实时预测可以优化MEC-AD流程.

研究的目的:

• 评估各种机器学习 (ML) 模型对MEC-AD系统中FOS/TAC比率实时预测的有效性.
• 确定最有效的ML模型,用于软检测系统稳定性.
• 评估ML在提高生物电化学系统 (BES) 运行效率和稳定性方面的潜力.

主要方法:

• 在MEC-AD系统中使用酒厂的废水进行了160天的试验.
• 在试验期间收集的数据被用来训练和测试多个ML模型,包括决策树,XGBoost,支持向量回归 (SVR),支持向量机器 (SVM) 和人工神经网络 (ANN).
• 采用外折组合方法,在整个数据集中验证所选模型的性能.

主要成果:

• 人工神经网络 (ANN) 与其他模型相比表现出更高的性能,实现了0.77.7的解释差异.
• 这些ANN有效地执行了FOS/TAC比率的软传感,表明了系统的稳定性.
• 外部组合评估证实了ANN模型的稳定性.

结论:

• 机器学习,特别是ANN,对于在MEC-AD系统中实时预测FOS/TAC比率非常有效.
• ML提高了生物电化学系统 (BES) 的运行效率和稳定性,有助于成本有效的环境管理.
• 实施ML有助于维持生物气生产的微生物社区健康,并减轻系统不稳定的风险.