使用混合机器学习方法进行自然凝固剂的自适应优化,以实现可持续的水处理
Pallavi Randive1, Madhuri S Bhagat2, Mangesh P Bhorkar3
1Civil Engineering Department, KDK College of Engineering, Nagpur, Maharashtra, 440024, India.
Scientific reports
|May 9, 2025
概括
这项研究引入了先进的机器学习模型,以优化水处理中的天然凝固剂效率. 这些方法提高了20-25%的花效率,并提供实时,可解释的过程控制.
科学领域:
- 环境科学 环境科学
- 化学工程是化学工程的重要组成部分.
- 数据科学数据科学数据科学
背景情况:
- 优化天然凝固剂的传统方法依赖于低效的试错,在复杂的环境条件下缺乏准确性.
- 预测喷气混合参数,凝固剂剂量和环境因素之间的相互作用仍然是一个重大挑战.
研究的目的:
- 开发和验证先进的混合机器学习模型,以提高使用天然凝固剂的花效率.
- 通过引入准确,可解释和实时优化技术来克服传统方法的局限性.
主要方法:
- 混合机器学习模型,包括CatBoost与神经触点内核 (NTK),自组织地图 (SOMs) 和多变量自适应回归支柱 (MARS).
- 强化学习算法,如深度决定性政策梯度 (DDPG) 和软行为者批判性 (SAC) 进行动态优化.
- 使用神经架构搜索 (NAS) 和超带的自动化模型调整,由SHAP提供可解释性和反事实解释.
主要成果:
- 在花化过程效率上取得了20-25%的改进.
- 实现了高预测准确度,范围为95-97%.
- 通过自动化模型调整,减少了40%的时间.
结论:
- 拟议的混合机器学习模型提供了一个强大的,可解释的,实时的解决方案,以优化基于天然凝固剂的花.
- 这一进步为使水处理过程更加可持续和高效提供了一个实际的工具.
- 可解释性功能为影响花效率的因素提供了可操作的见解.
