机器学习增强了通风系统,以优化氧气传输效率,以实现可持续和安全的废水管理

科学领域:

• 环境工程 环境工程
• 水处理技术水处理技术
• 优化通风系统的优化

背景情况:

• 氧转移效率 (OTE) 对于水和废水处理中的有效通风至关重要.
• 圆形固体喷气式空调器被广泛使用,但它们的性能建模需要进一步调查.
• 准确的OTE预测有助于设计和优化通风系统.

研究的目的:

• 为了建模和预测圆形固体喷气空气器中的氧转移效率 (OTE).
• 为了比较各种机器学习模型对OTE预测的性能.
• 确定影响OTE的关键运营参数.

主要方法:

• 使用了320个观测的实验室数据集,不同的喷气计数,开口面积,喷气长度和放电.
• 训练和评估了五种回归模型 (线性回归,M5P,随机树,REP树,随机森林).
• 绩效指标包括CC,RMSE,MAE,NSE和SI,并使用对联t测试进行统计验证.

主要成果:

• 随机森林 (RF) 模型展示了最高的测试性能和最低的预测误差.
• 射频的预测显示了与观察到的数据最强的一致性,由斯皮尔曼热图分析验证.
• 留下一个输入-输出灵敏度分析确定放电 (Q) 是OTE的主要驱动因素.

结论:

• 随机森林 (RF) 被确定为圆形固体喷气空气器中OTE最准确和最可概括的预测指标.
• 该研究为设计和优化通风系统提供了实用工具.
• 了解排放 (Q) 的影响对于提高通风效率至关重要.