预测膜生物反应器性能的机器学习算法:一篇综述
Marina Muniz de Queiroz1, Victor Rezende Moreira1, Míriam Cristina Santos Amaral1
1Department of Sanitation and Environmental Engineering, School of Engineering, Federal University of Minas Gerais, 6627 Antônio Carlos Avenue, Campus Pampulha, Belo Horizonte, Minas Gerais, Brazil.
Journal of environmental management
|March 18, 2025
概括
机器学习 (ML) 模型有效预测膜生物反应器 (MBR) 中的污染物清除和运行问题. 人工神经网络是最常见的,但探索其他ML算法可以进一步优化MBR性能.
科学领域:
- 环境工程 环境工程
- 水处理技术水处理技术
- 计算科学 计算科学
背景情况:
- 膜生物反应器 (MBR) 提供可持续的废水处理,但面临着膜污染和能源消耗等挑战.
- 机器学习 (ML) 为建模和预测MBR性能和操作变量提供了一个有希望的方法.
- 准确的预测对于优化MBR效率和克服应用程序障碍至关重要.
研究的目的:
- 审查ML算法在基于MBR的废水处理中的应用.
- 专注于ML在预测污染物去除 (,有机物) 和膜污染相关操作参数方面的作用.
- 识别有效的ML算法和数据缺口,以优化未来的MBR.
主要方法:
- 对分析MBR废水处理中使用的ML算法的57篇文章进行系统审查.
- 对各种ML算法的模型结构和合适质量的评估.
- 在MBR应用中识别常用和少用ML技术.
主要成果:
- 人工神经网络 (ANN) 是最普遍的ML算法,在88%的审查研究中使用.
- 其他ML算法,如随机森林,支向量机器和k-最近的邻居不太常见.
- ML应用的关键领域包括污染物去除和膜污染预测.
结论:
- ML,特别是ANN,在预测MBR性能和操作参数方面具有显著的实用性.
- 进一步探索未充分利用的ML模型可以提高MBR优化.
- 在使用ML来预测膜寿命和更换需求方面存在着一个显著的差距.


