多污染污水处理:与有限的计算预算相冲突的多目标优化

科学领域:

• 环境工程 环境工程
• 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:

• 工业废水,特别是水力压裂 (fracking) 产生的废水,呈现出复杂和可变的组成.
• 污水处理技术的性能对影响成分非常敏感,需要量身定制的处理过程和操作条件.
• 设计有效的废水处理系统涉及多目标优化,平衡水回收和纯度等竞争目标.

研究的目的:

• 开发一种高效的数据驱动方法,用于设计实验和优化工业废水处理的多目标优化.
• 尽量减少描述治疗性能和预测最佳解决方案所需的实验数量.
• 解决传统,耗时和昂贵的实验设计方法的局限性.

主要方法:

• 贝叶斯优化 (BO) 在废水处理设计中的有效搜索空间探索的应用.
• 利用BO来最大限度地减少性能表征和帕雷托前线预测的实验代.
• 在SCEPTER工业废水处理示范装置上演示BO方法.

主要成果:

• 通过有效地探索设计空间,BO方法成功引导实验,减少时间和精力.
• 实验结果与BO模型预测有很强的一致性,水回收 (2.4%) 和污染物分离 (5.8%) 的平均绝对百分比误差 (MAPE) 很低.
• 最佳解决方案的帕雷托前线使用不到20个实验准确地预测,与1920年进行全因数分析形成对比.

结论:

• 开发的数据驱动贝叶斯优化方法为设计和优化工业废水处理技术提供了高效的方法.
• 这种方法显著降低了实验负担,同时准确预测最佳治疗性能和权衡.
• 这种方法对于复杂的废水,如压裂水,是有效的,使定制和优化处理解决方案.