基于机器学习的优化,增强了城市废水处理厂与生态组合池的完整城市废水处理厂的提升除

科学领域:

• 环境工程 环境工程
• 水处理技术水处理技术
• 机器学习应用 机器学习应用

背景情况:

• 使用生态组合池 (ECP) 的城市废水处理厂 (WWTP) 在调整运营以适应可变的影响质量方面面临挑战,导致处理效率低下,并且不符合总 (TN) 标准.
• 过度空气和过度的外部碳源 (例如,化学氧气需求 - COD) 剂量是满足严格排放限制的常见问题.
• 开发动态操作模型对于优化基于ECP的WWTP中TN删除至关重要.

研究的目的:

• 建立一个可解释的机器学习模型,用于预测和优化基于ECP的WWTP中的废水TN度.
• 为了确定最佳的操作参数,以提高TN去除,同时最大限度地减少能源消耗和COD剂量.
• 开发一个用户友好的界面,用于实时预测和WWTP操作的协调控制.

主要方法:

• 采集了使用ECP进行的全城市WWTP的三年运营数据.
• 实现了一个可解释的机器学习方法,特别是XGBoost模型,用于TN预测和优化.
• 利用沙普利增量解释 (SHAP) 分析和部分依赖图表来理解参数影响并确定最佳设置.

主要成果:

• XGBoost模型实现了高精度,R平方值为0.997 (训练) 和0.911 (测试).
• 确定了最佳运行参数,导致废水TN度每年减少17.50%,COD剂量减少33.29%.
• 同时减少能源消耗和外部碳来源的使用,有助于显著减少碳排放.

结论:

• 开发的可解释机器学习模型提供了一个有效的解决方案,用于在面临可变影响条件的基于ECP的WWTP中增强TN删除.
• 该模型有助于满足严格的TN排放标准,同时降低运营成本 (能源,COD) 和环境影响 (碳排放).
• 这种方法提供了一个可扩展和可持续的战略,以优化小城镇的城市废水处理.