通过智能和可持续的流程控制,使用可扩展的框架,为饮用水处理厂提供凝固剂剂剂量的学习驱动的优化
Abderzak Moussouni1, Amer Zeghmar2, Leila Benchaiba3
1Abdelhafid Boussouf University Center Mila, Department of Civil Engineering & Hydraulics, Environmental Engineering and Technology, LEGHYD Laboratory, 43000, Mila, Algeria.
本研究引入了一种机器学习框架,使用基于树的组合模型来预测饮用水处理中的最佳凝固剂剂量. 射频额外树模型表现出卓越的准确性,为传统方法提供了数据驱动的替代方案.
科学领域:
- 环境科学 环境科学
- 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:
- 在饮用水处理厂 (DWTP) 中,凝血和花是必不可少的.
- 确定最佳凝固剂剂量是具有挑战性的,因为原水的变化和低效的传统方法,如子测试.
- 现有的方法是劳动密集型,耗时,容易导致运营效率低下.
研究的目的:
- 开发和评估一种基于机器学习 (ML) 的新型框架,用于预测DWTP中的凝固剂剂量.
- 为传统的经验方法提供精确和有效的替代品,用于凝固剂剂量确定.
- 为了提高处理的一致性,减少化学品的使用,并优化水处理过程中的运行效率.
主要方法:
- 系统评估七个基于树的集体ML算法:随机森林 (RF),ExtraTree,REPTree,M5P,RF-Extra Tree,RF-REPTree和RF-M5P树.
- 利用现实世界的操作数据,包括度 (Tb),电导率 (EC),pH,温度和溶解氧 (DO).
- 使用以下指标评估模型性能:根平均平方误差 (RMSE),纳什-萨特克利夫效率 (NSE),克林-古普塔效率 (KGE),威尔莫特一致指数 (WI) 和确定系数 (R2).
主要成果:
- 射频-额外树模型实现了卓越的可预测性,其中RMSE=0.515,NSE=0.9850,WI=0.996,KGE=0.969和R2=0.985.
- 射频算法也显示出强大的结果 (RMSE = 0.807,NSE = 0.963,WI = 0.99,KGE = 0.899,R2 = 0.963),表现优于传统方法.
- 集成学习有效地模拟水处理过程中的复杂,非线性关系.
结论:
- 拟议的ML框架,特别是RF-Extra Tree模型,为凝固剂剂量预测提供了一个高度准确和高效的方法.
- 这种数据驱动的方法提高了处理的一致性,减少了化学品的消耗,并优化了DWTP的运营效率.
- 该方法提供了一个可扩展的决策支持工具,具有全球相关性,用于推进智能水处理基础设施,并实现环境和经济效益.
更多相关视频
06:24Generic Protocol for Optimization of Heterologous Protein Production Using Automated Microbioreactor Technology
Published on: December 15, 2017
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
相关概念视频
Coagulation
Determination of Multiple Dosing Parameters: Loading and Maintenance Doses
Determination of Multiple Dosing Parameters: Steady-State, Minimum and Maximum Concentrations
Quality of Water
Control Systems
At the heart...
Open and closed-loop control systems
An open-loop control system operates without feedback from the output. It consists of two primary elements: the controller and the controlled process. The controller receives an input signal...
