在AutoML系统中使用神经架构搜索对光谱反射率数据进行自动化废水特性参数量化

科学领域:

• 环境科学 环境科学
• 机器学习 机器学习
• 分析水质 分析水质

背景情况:

• 污水处理厂 (WWTP) 需要持续监测以实现最佳运行.
• 由于复杂的生化过程,预测废水质量参数具有挑战性.
• 快速评估废水质量可以显著提高运营效率.

研究的目的:

• 应用自动机器学习 (AutoML) 模型来准确预测废水质量参数.
• 通过神经架构空间 (NAS) 优化的神经网络 (NN) 回归模型的效率.
• 为了预测生化氧需求 (BOD),化学氧需求 (COD),氨 (NH3-N),总溶解固体 (TDS),总度 (TA) 和总硬度 (TH) 的度.

主要方法:

• 用可见-近红外范围 (400-2000 nm) 的光谱反射率数据作为输入.
• 在NAS中使用各种搜索算法 (随机搜索,网格搜索,贝叶斯优化,超带搜索) 来识别最佳的NN架构.
• 针对单个和多个目标变量预测 (2-6个参数) 进行训练和验证的NN模型.

主要成果:

• 通过贝叶斯优化优化NN架构表现出卓越的性能,在单个目标预测中实现所有测试参数的高R2值.
• 多目标预测也显示出高准确度,在两目标预测中,BOD和COD的R2值超过0.988.
• 与贝叶斯优化相比,超频搜索在六个目标场景中提供了更好的总硬度 (TH) 预测准确性.

结论:

• 自动ML,特别是带有贝叶斯优化的NAS,有效地自动化了用于废水质量预测的NN架构选择.
• 开发的模型提供了一种可靠而高效的方法,可以同时预测多个废水参数.
• 这种方法消除了手动超参数调整的需要,简化了废水分析预测模型的开发.