机器学习用于预测和优化使用各种原料和操作条件的商用无氧消化器的性能

科学领域:

• 环境科学 环境科学
• 生物技术是生物技术.
• 数据科学数据科学数据科学

背景情况:

• 食物废弃物和牲畜物的不适当处置会导致环境问题,如污染和温室气体排放.
• 无氧消化 (AD) 为废物转化为生物气提供了一个可持续的解决方案,但商业规模的优化是复杂的.
• 原料的变化和运营动态挑战了有效的AD性能.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测分析和商业规模无氧消化过程优化.
• 为了预测关键的AD输出:总天然气产量,甲百分比和硫化 (H2S) 含量.
• 确定影响AD性能的关键因素,并探索优化策略.

主要方法:

• 分析了从商业规模的AD系统处理18种废物的六年数据.
• 开发了使用随机森林 (RF),人工神经网络 (ANN) 和XGBoost的预测模型.
• 采用粒子集群优化和模拟化来优化过程.

主要成果:

• 射频模型实现了高精度:天然气生产0.91,甲0.93,H2S0.91.
• 关键预测因素包括时间序列因素,pH,温度和液压保留时间 (HRT).
• 乳制品和废物与气体产量和H2S水平有很强的相关性.

结论:

• ML模型为AD性能提供了准确的预测,提高了系统的效率和稳定性.
• 优化策略可以显著增加生物气产量 (高达12%) 和减少H2S (高达65%).
• 数据驱动的管理对于优化商业规模的AD系统至关重要.