Entwicklung und Anwendung eines Random-Forest-Regressions-Softsensormodells zur Behandlung von häuslichem Abwasser in einem Sequenzierungs-Batch-Reaktor

Wissenschaftliche Berichte Band 13, Artikelnummer: 9149 (2023) Diesen Artikel zitieren

149 Zugriffe

Details zu den Metriken

Kleine verteilte Wasseraufbereitungsanlagen wie der Sequenzierungs-Batch-Reaktor (SBR) werden aufgrund ihrer Vorteile einer schnellen Installation und Konstruktion, niedriger Betriebskosten und einer starken Anpassungsfähigkeit häufig im Bereich der häuslichen Abwasserbehandlung in ländlichen Gebieten eingesetzt. Aufgrund der Eigenschaften der Nichtlinearität und Hysterese im SBR-Prozess ist es jedoch schwierig, ein Simulationsmodell für die Abwasserbehandlung zu erstellen. In dieser Studie wurde mithilfe künstlicher Intelligenz und eines automatischen Steuerungssystems eine Methodik entwickelt, mit der Energie gespart und der CO2-Ausstoß verringert werden kann. Die Methodik nutzt ein zufälliges Waldmodell, um einen geeigneten Softsensor für die Vorhersage von CSB-Trends zu bestimmen. Diese Studie verwendet pH- und Temperatursensoren als Voraussetzungen für CSB-Sensoren. Bei der vorgeschlagenen Methode wurden die Daten in 12 Eingabevariablen vorverarbeitet und die sieben wichtigsten Variablen wurden als Variablen des optimierten Modells ausgewählt. Der Zyklus wurde durch die künstliche Intelligenz und das automatische Kontrollsystem beendet, statt durch eine feste Zeitkontrolle, die ein unkontrolliertes Szenario darstellte. In 12 Testfällen beträgt der Prozentsatz der CSB-Entfernung etwa 91,075 %, während aus durchschnittlicher Sicht 24,25 % Zeit oder Energie eingespart wurden. Diese vorgeschlagene Methodik zur Auswahl weicher Sensoren kann im Bereich der ländlichen häuslichen Abwasserbehandlung mit Vorteilen der Zeit- und Energieeinsparung angewendet werden. Zeitersparnis führt zu einer Erhöhung der Behandlungskapazität und Energieeinsparung bedeutet kohlenstoffarme Technologie. Die vorgeschlagene Methodik bietet einen Rahmen für die Untersuchung von Möglichkeiten zur Reduzierung der mit der Datenerfassung verbundenen Kosten durch den Ersatz kostspieliger und unzuverlässiger Sensoren durch erschwingliche und zuverlässige Alternativen. Durch die Übernahme dieses Ansatzes kann die Energieeinsparung aufrechterhalten und gleichzeitig die Emissionsstandards eingehalten werden.

Ländliche häusliche Abwässer zeichnen sich durch instabile Wasserqualität und -menge, verstreute Einleitungen und niedrige Schadstoffkonzentrationen aus1. Um diesen Herausforderungen zu begegnen, werden dezentrale Wasseraufbereitungsanlagen im kleinen Maßstab aufgrund ihrer schnellen Installation und Konstruktion, der niedrigen Betriebskosten und der starken Anpassungsfähigkeit2 häufig im Bereich der häuslichen Abwasserbehandlung in ländlichen Gebieten eingesetzt. In den letzten Jahren hat sich das SBR-Verfahren (Sequencing Batch Reactor) als vielversprechende Option für die Abwasserbehandlung ländlicher Haushalte herausgestellt. Im Vergleich zu anderen Verfahren kann SBR den Auswirkungen organischer Belastungen wirksam standhalten, verfügt über flexible Betriebsmodi, erzeugt gute Abwassereffekte und erzielt bessere Stickstoff- und Phosphorentfernungseffekte3,4,5,6.

Aufgrund der Nichtlinearität und Hystereseeigenschaften des SBR-Prozesses kann die Erstellung genauer Simulationsmodelle für die Behandlung ländlicher häuslicher Abwässer jedoch eine Herausforderung darstellen7,8. Die nichtlinearen Probleme bei der Abwasserbehandlung beziehen sich auf die komplexen, vielfältigen und nichtlinearen Beziehungen, die sich aus den Wechselwirkungen verschiedener chemischer Reaktionen, biologischer Reaktionen und physikalischer Effekte während der Abwasserbehandlung ergeben.

Künstliche Intelligenz, einschließlich maschinellem Lernen, wurde auf Abwasserbehandlungsprozesse angewendet, um nichtlineare Probleme effektiv zu lösen. Maschinelles Lernen umfasst eine Reihe von Methoden wie neuronale Netze und Support-Vektor-Regression, mit denen sich die komplexen Daten, die bei der Abwasserbehandlung anfallen, analysieren und modellieren lassen. Dies hat die Effizienz und Qualität der Abwasseraufbereitung effektiv verbessert und gleichzeitig die Behandlungskosten gesenkt.

Ein künstliches neuronales Netzwerk (ANN) ist ein mathematisches Modell, das das Verhalten tierischer neuronaler Netzwerke simuliert und eine verteilte und parallele Informationsverarbeitung durchführt. ANN wird häufig bei der Vorhersage von Abwasserableitungen eingesetzt, da es die Verbindungen zwischen einer großen Anzahl interner Knoten anpassen kann, um komplexe Informationen innerhalb des Systems zu verarbeiten9,10,11,12,13.

Neben der Verwendung von Methoden des künstlichen neuronalen Netzwerks (ANN) wurden auch andere Techniken wie die lineare Regression (LR), die Support-Vektor-Regression (SVR) und Neuro-Fuzzy-Netzwerkmethoden in der Schadstoffentfernungstechnologie eingesetzt, um Änderungen der Schadstoffkonzentrationen vorherzusagen oder andere Prozessparameter14,15,16,17,18,19. Diese Methoden (siehe Tabelle 1) haben sich bei der Modellierung der komplexen Beziehungen zwischen verschiedenen Faktoren und der Vorhersage von Schadstoffkonzentrationen als wirksam erwiesen, was zur Optimierung der Leistung des Behandlungsprozesses beiträgt.

Obwohl diese Modelle14,15,16,17 eine recht gute Leistung erbrachten, ist ihre Verarbeitung oder Umgebung idealisiert. Die meisten von ihnen verwenden simulierte Versuchsbedingungen. In einem realen technischen Fall wird die Leistung des Modells aufgrund seiner Komplexität nicht so herausragend sein18,19. Darüber hinaus gibt es in diesen Fällen14,15,16,17,18,19 viele Arten von Eingabedaten, wie z. B. DO, pH, Leitfähigkeit, BSB, CSB, TN usw., was den Arbeitsaufwand oder die Schwierigkeit der Daten erhöht Erwerb. Beispielsweise gibt es eine erhebliche Verzögerung bei den Messdaten von DO-Sensoren; Der BSB kann nur mit biochemischen Methoden gemessen werden und kann aufgrund der erheblichen Hysterese nicht online mit Sensoren genau gemessen werden. Obwohl die CSB-Messung online durchgeführt werden kann, erfordert die chemische Online-Messmethode eine strenge Kontrolle der Messbedingungen und eine kontinuierliche Zugabe von Reagenzien. Bei der CSB-Sensormethode kommen hauptsächlich optische Sensoren zum Einsatz, die maßgeblich von der Farbart und Trübung des Abwassers beeinflusst werden. Darüber hinaus ist der CSB-Sensor für verteilte Kleingeräte teuer, was seine Verbreitung erschwert. Daher ist es notwendig, Sensoren mit stabiler und genauer Datenerfassung, langer Lebensdauer und günstigem Preis zu entwickeln, um Sensoren mit schlechter Stabilität, kurzer Lebensdauer und teurem Preis zu ersetzen.

Der traditionelle ANN-Algorithmus basiert jedoch auf der asymptotischen Theorie. Das empirische Risiko nähert sich dem tatsächlichen Risiko erst dann, wenn sich die Stichprobengröße der Unendlichkeit nähert. Daher ist die Stichprobengröße in der praktischen Anwendung weit von der Unendlichkeit entfernt, was zu Problemen einer schlechten Extrapolationsfähigkeit führt. langsame Konvergenzgeschwindigkeit und lokales Extremum20,21,22,23.

Das Random-Forest-Modell ist ein Modell des maschinellen Lernens, das zu einem Forschungsschwerpunkt auf dem Gebiet der künstlichen Intelligenz geworden ist und über eine starke Fähigkeit zum adaptiven Lernen und zur Fähigkeit zur nichtlinearen Abbildung verfügt24,25. Es eignet sich für die Simulation von Abwasserbehandlungsprozessen mit den Eigenschaften großer Verzögerung, Nichtlinearität und Multivariable26,27.

Die Random Forest Regression (RFR) ist eine entscheidende Anwendung des Random Forest (RF)-Algorithmus, einer von Breiman28 entwickelten statistischen Lerntheorie. Die RFR-Technik umfasst die Verwendung von Bootstrap-Resampling, um mehrere Stichproben aus den Originaldaten zu extrahieren und Entscheidungsbäume für jede Bootstrap-Stichprobe zu erstellen. Diese Entscheidungsbäume werden dann kombiniert, um die Ergebnisse vorherzusagen, wobei die endgültige Vorhersage der Durchschnitt der von allen Bäumen generierten Vorhersagen ist29.

Das Wesentliche des RFR-Algorithmus ist das Multi-Entscheidungsbaummodell, das Vorhersagen durch die Kombination mehrerer Entscheidungsbäume trifft. Der Algorithmus bietet die Vorteile einer hohen Vorhersagegenauigkeit, einer guten Generalisierungsfähigkeit, einer schnellen Konvergenzgeschwindigkeit und weniger Anpassungsparameter, wodurch eine „Überanpassung“ wirksam vermieden werden kann und für die Verarbeitung verschiedener Datensätze geeignet ist. Es ist robust gegenüber der Variablenextraktion von Datensätzen und eignet sich für ultrahochdimensionale variable Vektorräume. RFR wird in vielen Bereichen wie Medizin, Management und Landwirtschaft häufig eingesetzt30,31,32.

RFR nutzt außerdem begrenzte Stichproben vollständig aus und erstellt mehrere Entscheidungsbaummodelle, was die Diversität des Entscheidungsbaums erhöht und die Genauigkeit des endgültigen Optimierungsintegrationsmodells verbessert33,34. Tabelle 2 zeigt verwandte Anwendungen der zufälligen Waldregression.

ANN ist eine Art maschineller Lernalgorithmus, der häufig zur Vorhersage der Behandlungswirkung von Abwasser verwendet wird45,46,47,48,49. Eine der größten Schwächen von ANN ist jedoch die Überanpassung, die zu einer Verringerung der Generalisierbarkeit des Modells führen kann50,51,52. Im Gegensatz dazu ist das RFR-Modell (Random Forest Regression) ein weiterer Algorithmus für maschinelles Lernen, der zur Vorhersage der Auswirkungen der Abwasseraufbereitung verwendet wird. Das RFR-Modell bietet mehrere Vorteile, darunter eine hohe Vorhersagegenauigkeit, eine schnelle Verarbeitungseffizienz, eine starke Generalisierungsfähigkeit und ist nicht leicht anfällig für Überanpassung53,54. Diese Merkmale machen das RFR-Modell zu einer attraktiven Option zur Vorhersage der Auswirkungen der Abwasseraufbereitung.

Wissenschaftler verwendeten RFR, um die Schadstoffkonzentration in der Umgebungsluft vorherzusagen55,56,57,58,59 und den Effekt der städtischen Abwasserbehandlung60,61,62. Allerdings gibt es vergleichsweise weniger Studien zur Vorhersage und Kontrolle der Auswirkungen der ländlichen häuslichen Abwasserbehandlung mithilfe des RFR-Modells.

Die vorgeschlagene Methodik zielt darauf ab, durch die Entwicklung und Nutzung eines RFR-Softsensormodells eine verbesserte Vorhersage und effektive Kontrolle des Behandlungseffekts ländlicher häuslicher Abwässer zu erreichen. Durch die Nutzung dieses Ansatzes soll ein zuverlässiges und robustes Soft-Sensor-Modell etabliert werden, das Schlüsselindikatoren der Abwasserbehandlung in ländlichen Gebieten genau überwachen und analysieren kann. Dies erleichtert nicht nur die Identifizierung potenzieller Probleme und hilft bei deren Lösung, sondern trägt auch zu allgemeinen Verbesserungen der lokalen ökologischen Bedingungen und der Standards der öffentlichen Gesundheit bei.

Soft-Sensor ist eine häufig verwendete Methode zur Prozessüberwachung und -steuerung, die die interessierende Prozessvariable auf der Grundlage der Messungen anderer Variablen schätzt, die leicht zu erfassen sind. Die Erstellung eines Soft-Sensor-Modells umfasst in der Regel die Auswahl relevanter Eingabevariablen, den Entwurf des mathematischen Modells und das Training des Modells anhand historischer Daten. Das resultierende Modell kann dann für Echtzeitvorhersagen und -steuerungen verwendet werden. Soft-Sensoren werden in verschiedenen industriellen Prozessen wie chemischen Prozessen, Abwasserbehandlung und Kraftwerken häufig eingesetzt. Zu den Vorteilen des Soft-Sensors gehören Kosteneffizienz, Flexibilität und die Fähigkeit, komplexe nichtlineare Systeme zu handhaben. Der Soft-Sensor hat sich als wertvolles Werkzeug zur Prozessoptimierung und -steuerung erwiesen63,64,65,66.

Das RFR-Modell ist ein Integrationsalgorithmus, der auf der Grundlage der Entscheidungsbaumtheorie entwickelt wurde und zum Bagging-Typ67 gehört. Durch die Kombination mehrerer schwacher Lernwagenbäume und die Verwendung des Mittelwerts zur Integration mehrerer Modelle wird das Endergebnis erhalten68.

Das RFR-Modell nutzt die Störung von Stichproben und Attributen und erhöht die „Vielfalt“ des Warenkorbbaums schwacher Lernender, sodass das endgültige Integrationsergebnis eine hohe Genauigkeit und Generalisierungsleistung aufweist69. Das RFR-Modell löst praktische Probleme wie kleine Stichproben, große Dimensionen und Mehrfachklassifizierung und kann sowohl diskrete Daten als auch kontinuierliche Daten verarbeiten70. Es überwindet die Mängel der langsamen Konvergenzgeschwindigkeit neuronaler Netze und erfordert eine große Anzahl von Stichproben. Es löst auch das Problem der Über- oder Unteranpassung des Entscheidungsbaums und weist eine gute Anwendbarkeit und Popularisierung auf71. Abbildung 1 zeigt das Diagramm der RFR.

Diagramm des RFR-Modells.

Die allgemeine Vorhersagemethode des RFR-Modells ist:

(1) Nehmen Sie n-mal zufällig Stichproben aus Trainingsstichproben (n × Stichprobe), um einen Trainingssatz zu bilden (die Stichproben wurden nach jeder Stichprobe zurückgesetzt). Wiederholen Sie den Vorgang r-mal, um Trainingssätze zu erhalten:\(D_{1} ,D_{2} , \ldots ,D_{r}\).

(2) Für jeden Trainingssatz werden k Attribute zufällig aus dem Attributsatz (m × Attribut) ausgewählt, \(k = \log 2m\), und dann werden Warenkorbbäume erstellt:\(f_{1} (x), f_{2} (x), \ldots ,f_{r} (x)\).

(3) Der endgültige Vorhersagewert des Zufallswaldes wird durch die Durchschnittsmethode bestimmt:\(f(x) = \frac{1}{r}\sum\nolimits_{i = 1}^{r} {f_{i} (X)}\).

Um die Leistung des CSB-Konzentrationsvorhersagemodells zu bewerten, werden der mittlere quadratische Fehler (MSE) und der Bestimmungskoeffizient (r2) als Bewertungsindizes ausgewählt. Die Indikatoren werden wie folgt berechnet:

Formel \(\hat{y}_{i}\) für den vom Modell vorhergesagten Wert, \(y_{i}\) für den wahren Wert.

Die Eigenschaften des RFR-Modells wurden in Tabelle 3 festgelegt.

In dieser Studie wird ein Sequenzierungs-Batch-Reaktor (SBR) vorbereitet, der Abwasser aus einem Wohngebiet aufnimmt. Die Quelle des häuslichen Abwassers stammt aus der Gemeinde Shuyuan im Bezirk Pidu, Chengdu, Sichuan, China (Längengrad: 103,88, Breitengrad: 30,82). Das in den SBR einströmende Abwasser bestand aus primär gefiltertem und gefälltem häuslichem Abwasser. Der SBR-Reaktor (Edelstahl, 800 mm × 800 mm × 1200 mm) wurde entworfen und hergestellt. Das Arbeitsvolumen des Reaktors betrug jeweils 0,576 m3 (Abb. 2). Im Reaktionsbehälter sind ein Rührwerk und eine Belüftungseinrichtung eingebaut.

Struktur von SBR.

Primär gefiltertes und ausgefälltes Abwasser wurde in den SBR gepumpt. Diese Pumpe wurde Pumpe A genannt, die in jedem Zyklus 0,1856 m3 Abwasser in den SBR einspeiste. Am Ende des Zyklus förderte Pumpe B die gleiche Wassermenge aus dem SBR.

Der SBR-Prozess wird durch einen PIC (Programmable Integrated Circuit) oder einen Ein-Chip-Computer automatisiert und gesteuert. Der Zyklus, der 480 Minuten dauert, umfasst die folgenden Phasen: 30 Minuten Füll- und Belüftungsphase, 330 Minuten Oxidations- und Rührphase (abwechselnde Belüftung und Bewegung, wobei die Belüftung 10 Minuten dauert und die Bewegung 20 Minuten dauert), 60 Minuten Absetzphase und 60-minütige Entladephase. Abbildung 3 zeigt das Zeitmanagement des SBR-Betriebs.

Behandlungsprozess von SBR.

Zur Überwachung von Zu- und Ablaufabwässern wurden Proben aus dem SBR-Tank und einem Sammelbehälter entnommen, der gefiltertes Wasser durchlässt, um Störungen durch Belebtschlamm zu beseitigen.

Der gefilterte pH-Wert und die Temperatur wurden mit Überwachungssensoren getestet, die von LuHeng Co. aus China hergestellt wurden (pH:pH-Sensor LuHeng 6503; Temperatur:Temperatursensor LuHeng 229).

Gefilterter CSB wurde mit der Kaliumdichromat-Methode getestet, NH3-N wurde mit der Reagenzkolorimetriemethode von Nessler (SP-756P UV-sichtbares Photometer des Shanghai-Spektrums) getestet und TP wurde mit der spektrophotometrischen Detektionsmethode (SP-756P UV-sichtbares Photometer des Shanghai-Spektrums) getestet. pH-Wert und Temperatur wurden in 10-Minuten-Intervallen durch Sensoren gemessen.

Die Sensoren wurden etwa 200 mm unter dem niedrigsten Flüssigkeitsspiegel im Reaktionstank und über einer möglichen Schlammdecke angebracht, die sich während der Absetzphase bilden könnte. Alle Instrumente wurden gemäß den Anweisungen des Herstellers kalibriert, gewartet und betrieben.

Ein typisches Profil für CSB zeigte einen Anstieg der Konzentrationen, als der Zufluss mit dem behandelten Abwasser vermischt wurde, das im Reaktor aus dem vorherigen Zyklus verblieben war. Die CSB-Konzentrationen erreichten kurz nach der Füllphase ihren Höhepunkt. Nach diesem Höhepunkt sanken die CSB-Konzentrationen aufgrund der Oxidation und Nitrifikation von organischem Kohlenstoff72. Nach etwa 250 Minuten änderte sich die Geschwindigkeit der Abnahme der CSB-Konzentrationen nicht mehr deutlich und setzte sich für den Rest des Zyklus fort (Abb. 4).

Typisches Profil für COD.

Während der Belüftungsphase kam es zu einem zyklischen Anstieg und Abfall des pH-Profils (Abb. 5), wenn der Belüfter ein- und ausgeschaltet wurde, was in jeder Belüftungsperiode zu einem Höchst- und Tiefstwert des pH-Profils führte. Der Anstieg des pH-Werts, der mit der Belüftungsdauer einherging, war in diesem Fall wahrscheinlich auf die CO2-Strippung zurückzuführen73. Die Abnahme des pH-Profils während der 20-minütigen Rührperiode war wahrscheinlich auf eine mikrobielle Aktivität zurückzuführen, die Kohlendioxid freisetzte74.

Typisches Profil für pH.

Wie sich herausstellte, sank der pH-Wert im frühen Stadium des Zyklus stärker als im späteren Stadium, was wahrscheinlich daran liegt, dass die CSB-Konzentration unterschiedlich ist: Eine höhere CSB-Konzentration führt zu einer höheren Aktivität der Mikroorganismen. Im Allgemeinen sinkt der pH-Wert, da während des Nitrifikationsfortschritts Alkalität verbraucht wird. Der Denitrifikationsfortschritt führt wahrscheinlich zu einem Gesamtanstieg des pH-Werts im Mittel- und Endstadium75.

Während der Belüftungsphase kam es zu einem zyklischen Anstieg und Abfall der pH-Profile, wenn der Belüfter ein- und ausgeschaltet wurde, was in jeder Belüftungsperiode zu einem Spitzen- und Tiefstwert der pH-Profile76 führte.

Ein typisches Profil für einen schnellen Temperaturabfall, wenn der Zufluss mit dem behandelten Abwasser vermischt wird, das im Reaktor aus dem vorherigen Zyklus verblieben ist. Kurz nach der Füllphase erreichte die Temperatur ihren Tiefpunkt. Ab diesem Boden stieg die Temperatur aufgrund der mikrobiellen Aktivität an. Bei etwa 250 Minuten änderte sich die Geschwindigkeit des Temperaturanstiegs nicht mehr deutlich und blieb für den Rest des Zyklus bestehen. Abbildung 6 zeigt die Temperaturänderung in einem gesamten Zyklus.

Typisches Temperaturprofil.

Wie festgestellt wurde, stieg die Temperatur in der frühen Phase des Zyklus stärker an als in der späteren Phase. Dies liegt wahrscheinlich daran, dass die Schadstoffkonzentration unterschiedlich ist: Eine höhere Schadstoffkonzentration führt zu einer stärkeren Aktivität der Mikroorganismen, was der Hauptgrund für Temperaturänderungen ist. Die Gesamtschwankung der Abwassertemperatur in einem bestimmten Zyklus ist relativ gering, was stark von der Wärmeleitung und dem mikrobiellen Stoffwechsel der Umgebung beeinflusst wird, während die mechanische Wärmeübertragung, hauptsächlich durch Pumpen und Belüfter, nur geringen Einfluss auf die Schwankung des Abwassers hat Behandlungstemperatur77.

Gemäß dem Prinzip des RFR-Modells ist der Modellierungsprozess wie folgt in vier Schritte unterteilt: (1) die Sammlung von Beispieldaten; (2) die Bestimmung und Einstufung der Wichtigkeit von Merkmalen; (3) Dem Zufallswaldmodell wurde eine unterschiedliche Anzahl von Merkmalen hinzugefügt, um die richtige Menge wichtiger Merkmale auszuwählen. (4) RFR-Modell in der Praxis angewendet.

Basierend auf den Betriebsprozessdaten wird das RFR-Softsensormodell verwendet, um das CSB-Vorhersagemodell für SBR-Abwasser zu erstellen, das eine schnelle Vorhersage der Abwasserqualität ermöglicht und die Grundlage für den effizienten und stabilen Betrieb des Abwasserbehandlungsprozesses bildet, wie in Abb . 7.

Das technische Gleichgewicht zwischen den SBR-Verfahren und dem RFR-Algorithmus.

In diesem Fall wurde beobachtet, dass die Temperaturwerte mit der CSB-Reduktion anstiegen, was als nützlich erachtet wurde, um das Ende der CSB-Entfernung zu erkennen.

Im frühen Stadium der biochemischen Reaktion ist der Anabolismus des Mikroorganismus intensiv, wodurch eine Menge CO2 entsteht. Die durch den Anabolismus verursachte CO2-Menge ist offensichtlich größer als die durch Belüftung, wie aus den Ergebnissen der Messung (Abb. 5) im Frühstadium hervorgeht. Darüber hinaus produziert die organische Substanz organische Säure, wodurch der pH-Wert weiter sinkt. Weniger restliche organische Stoffe führten zu einer geringeren Produktion von CO2 und organischen Säuren, und das Überwiegen der Denitrifikation im Mittel- und Endstadium in diesem Zeitraum trug zu einem Gesamtanstieg des pH-Werts bei. Daher wurde beobachtet, dass die pH-Werte je nach organischem Material abnahmen oder anstiegen, was als nützlich für die Bestimmung der Restmenge an CSB angesehen wurde.

Eine Reihe unverarbeiteter und verarbeiteter Eingangsvariablen wie pH-Wert, Temperatur, pH-Wert und Temperaturänderung in benachbarten Messungen usw. wurden konstruiert und dem Satz unabhängiger Variablen hinzugefügt. Die ausgewählten verarbeiteten Eingabevariablen wurden mithilfe der Profilmerkmale erstellt.

Der Vorteil, dass pH-Wert und Temperatur als unverarbeitete Variablen verwendet wurden, besteht darin, dass sie einfach und leicht zu erkennen sind. Darüber hinaus sind Sensoren für pH-Wert und Temperatur nicht nur kostengünstig, sondern verfügen auch über eine zufriedenstellende Messgenauigkeit.

Jeder Variablensatz enthielt eine einzigartige Sammlung von Eingabevariablen (Tabelle 4). Innerhalb jedes 480-Minuten-Zyklus wurden die zwischen 0 und 30 Minuten und zwischen 361 und 480 Minuten erfassten Daten ausgeschlossen, um die Auswirkungen von Füll- und Absetzperioden zu eliminieren (da diese Phasen nicht Teil der biologischen Reaktionsphasen des Behandlungszyklus waren).

Es wurden Daten aus 40 Behandlungszyklen gesammelt, von denen 12 (30 %) zufällig zur Verwendung als Testdatensatz ausgewählt wurden und der Rest als Trainingsdatensatz verwendet wurde.

Die Wirksamkeit des RFR-Softsensormodells wurde anhand von fünf Kriterien bewertet. Der CSB-Standardwert für das Abwasser wurde auf 30 mg/l festgelegt. Der Abwasser-Standardwert kann aufgrund örtlicher Vorschriften variieren. Die Bewertungskriterien sind in Tabelle 5 aufgeführt.

Tabelle 6 zeigt die zugehörigen Parameter von Zu- und Ablauf.

Der Pearson-Korrelationskoeffizient ist ein statistisches Maß zur Bestimmung der Stärke und Richtung der linearen Beziehung zwischen zwei Variablen. Wesentliche Aspekte der Anwendung des Pearson-Korrelationskoeffizienten beim Variablenkorrelationsranking sind: (1) Der Pearson-Korrelationskoeffizient wird häufig in der multiplen Regressionsanalyse verwendet, um die signifikantesten unabhängigen Variablen auszuwählen, indem die Korrelationskoeffizienten zwischen den einzelnen unabhängigen Variablen berechnet werden. (2) Der Korrelationskoeffizient liegt im Bereich von −1 bis 1. Je größer der Absolutwert, desto stärker die Korrelation. (3) Wenn der Korrelationskoeffizientenwert nahe bei 0 liegt, bedeutet dies, dass die Korrelation zwischen den beiden Variablen sehr schwach ist und sie als unabhängig betrachtet werden können.

Um den Trainingseffekt des RFR zu gewährleisten, wurde die Pearson-Koeffizientenmethode verwendet, um die Korrelation der Probanden zu untersuchen, und die Variablen mit schwacher Korrelation wurden gelöscht. Um das Auftreten ungültiger Variablen zu verhindern, eine Überanpassung zu vermeiden und die Trainingsleistung des Modells zu verbessern, wurde jede Variable mit einem normalisierten Pearson-Korrelationskoeffizientenwert, der als normalisierter Wert der Variablenbedeutung gilt, von weniger als 0,01 entfernt. Das resultierende normalisierte Bewertungsdiagramm der variablen Wichtigkeit zeigt die 12 Faktoren, die die CSB-Konzentration beeinflussen (Abb. 8). Es wurde festgestellt, dass ΔT den größten Einfluss auf die CSB-Konzentration hatte, gefolgt von T, Tav, pHapex-Nadir usw.

Rangfolge der einzelnen variablen Wichtigkeitswerte.

Es wurden Daten aus 40 Behandlungszyklen gesammelt. 70 % der gesamten Daten (28 Behandlungszyklen) werden zufällig als Trainingssatz für das RFR-Modell ausgewählt und 30 % (12 Behandlungszyklen) werden als Testsatz ausgewählt, um die Genauigkeit des Modells zu überprüfen.

Basierend auf der Rangfolge der Wichtigkeitswerte der Variablen ist es offensichtlich, dass temperaturbezogene Variablen die ersten drei Plätze belegen. Daraus lässt sich schließen, dass temperaturbezogene Variablen bei der Datenanalyse eine dominierende Rolle spielen. Einige Studien haben gezeigt, dass die Stoffwechselaktivität mikrobieller Gemeinschaften in Bioreaktoren zur Abwasseraufbereitung zu einem Anstieg der Wassertemperatur führen kann78,79. Dies liegt daran, dass die Mikroorganismen im Reaktor durch den Abbau und Stoffwechsel organischer Stoffe eine große Wärmemenge erzeugen, was zu einem Anstieg der Temperatur im Reaktor führt. Darüber hinaus ist zu beachten, dass der pH-Wert zwar tatsächlich ein beitragender Faktor ist, seine Bedeutung jedoch nicht so stark ist wie die des pHapex-Nadir. Der pHapex-Nadir, der aus dem pH-Spitzenwert minus dem pH-Nadirwert für jede Belüftungsperiode berechnet wird, quantifiziert effektiv die Menge an Kohlendioxid, die durch mikrobielle Aktivität während einer 20-minütigen Bewegung erzeugt wird.

Um den Variablensatz auszuwählen, wurde entsprechend der Bedeutung der Variablen eine unterschiedliche Anzahl von Variablen ausgewählt und dann zum RFR-Modell hinzugefügt, wie in Abb. 9 dargestellt. Es wurde festgestellt, dass bei Auswahl der Top-7-Variablen die R2 des Trainingssatzes und des Testsatzes nahm nicht zu und der MSE nahm offensichtlich nicht ab, daher wurden die Top-7-Variablen als Variable des optimierten RF-Modells ausgewählt, spezifisch wie folgt: ∆T, T, Tav, pHapex-Nadir, pH, pHav und ∆pH.

Bewertungsindizes mit unterschiedlichen quantitativen Variablen.

Abbildung 10 zeigt den Vergleich der vorhergesagten und gemessenen CSB-Konzentrationen am Testsatz.

Vergleich der vorhergesagten und tatsächlichen/gemessenen CSB-Konzentrationen.

Der Trend zum CSB-Abbau sowie die Abweichung zwischen vorhergesagten und gemessenen Werten lassen sich anhand der Variationen der in Abb. 10 dargestellten Kurven beobachten. Die vorhergesagten Werte ermöglichen eine grobe Abschätzung des Verarbeitungseffekts und des Schadstoffabbauniveaus innerhalb einer einzigen Zyklus. Obwohl die Genauigkeit zwischen wahren und vorhergesagten Werten möglicherweise nicht perfekt ist, besteht die leichte Diskrepanz nur in der Anfangsphase des Prozesses und verschwindet bald.

Bei der Abwasserbehandlung wird die Veränderung des CSB durch verschiedene unsichere Faktoren der Betriebsbedingungen beeinflusst. Diese Faktoren können zu erheblichen Unterschieden in der Genauigkeit der CSB-Vorhersage während verschiedener Verarbeitungsphasen führen. Im Frühstadium haben diese Unsicherheitsfaktoren einen stärkeren Einfluss, was zu einem offensichtlichen Fehler zwischen den vorhergesagten und den gemessenen Werten führt; Mit der Zeit stabilisieren sich die Verarbeitungsbedingungen tendenziell und der Einfluss unsicherer Faktoren auf CSB-Änderungen nimmt allmählich ab, was zu einer Verringerung des Fehlers zwischen vorhergesagten und gemessenen Werten führt.

Daher wird in der vorgeschlagenen Methodik die Größe des Fehlers zwischen vorhergesagten und gemessenen Werten hauptsächlich durch die Verarbeitungsphase beeinflusst. In der Anfangsphase kann der Fehler relativ groß sein, aber mit fortschreitender Zeit nimmt der Fehler allmählich ab und erreicht schließlich einen genaueren Vorhersageeffekt.

Die Ausgabe des RFR-Softsensormodells, die als vorhergesagter Wert der Wasserqualität im gegebenen Szenario dient, kann bei der Optimierung des Abwasserbehandlungsprozesses hilfreich sein. Dies kann durch die Reduzierung des Energieverbrauchs und die Steigerung der Effizienz chemischer und biologischer Prozesse erreicht werden. Insbesondere wenn der vorhergesagte CSB-Wert unter den Abwasserstandardwert fällt, kann der Prozess sofort in den Absetzmodus übergehen, wobei das Rührwerk und der Belüfter abgeschaltet werden, wodurch der Kreislauf geschlossen wird. Diese Methode ermöglicht die Steuerung des Zyklusabschlusses durch eine künstliche Intelligenz und ein automatisches Steuerungssystem, im Gegensatz zu einem Steuerungsansatz mit fester Zeit, dem es an Präzision mangelt. Dies ist in Abb. 11 dargestellt.

Zustand des Zyklusendes.

Tabelle 7 zeigt die Bewertungsergebnisse des Testsatzes 1–12.

RFR ist ein maschinelles Lernmodell, das für prädiktive Analyseaufgaben, insbesondere für Regressionsprobleme, verwendet wird. RFR ist eine Ensemble-Lernmethode, die mehrere Entscheidungsbaummodelle kombiniert, um einen robusteren und genaueren Prädiktor zu erstellen.

Der RFR-Algorithmus wählt zufällig Teilmengen der Eingabevariablen und Stichproben der Trainingsdaten aus, um Entscheidungsbäume zu erstellen, die dann zu einer Gesamtstruktur kombiniert werden. Während der Vorhersage aggregiert das RFR-Modell die Ausgabe einzelner Entscheidungsbäume, um eine endgültige Vorhersage zu erstellen. Dieser Ansatz trägt dazu bei, die Auswirkungen einer Überanpassung zu reduzieren und die Leistung des Modells auf Ausgabedaten zu verbessern.

Im Zusammenhang mit Abwasseraufbereitungsanlagen kann das RFR-Softsensormodell zur Vorhersage der Wasserqualität (CSB) durch einfachere Durchmesser verwendet werden, wodurch komplexe und teure Sensoren ersetzt werden. Obwohl ein Original-CSB-Sensor eine Option sein kann, können mehrere Gründe oder Faktoren dazu führen, dass er nicht geeignet ist und bestimmte Probleme entstehen: (1) Original-CSB-Sensoren kosten normalerweise viel; (2) Aufgrund der Anwesenheit von Schwebstoffen im Abwasser kann der von echten CSB-Sensoren gemessene CSB-Wert instabil sein und erhebliche Schwankungen aufweisen; (3) Einige echte CSB-Sensoren können organische Verbindungen mit einer Doppelbindung empfindlich erkennen, während andere organische Verbindungen ohne Doppelbindung nicht erkannt werden, sodass der Fehler nicht ignoriert werden kann.

Darüber hinaus überwindet das RFR-Modell die Nachteile einer langsamen Konvergenzgeschwindigkeit und einer großen Anzahl von Abtastungen, die neuronale Netze erfordern. Neuronale Netze sind leistungsstarke Modelle, die komplexe Muster in Daten lernen können. Allerdings kann das Training eines neuronalen Netzwerks rechenintensiv sein und große Datenmengen erfordern. Insbesondere bei tiefen neuronalen Netzen oder großen Netzen kann die Konvergenz während des Trainings aufgrund der schieren Anzahl von Parametern, die durch mehrere Iterationen gelernt werden müssen, lange dauern.

Im Gegensatz dazu bestehen RFR-Modelle aus mehreren Entscheidungsbaummodellen, die jeweils auf einer zufälligen Teilmenge der Daten trainiert werden. Dieser Ansatz hat Vorteile: (1) Das RFR-Modell erfordert nicht so viele Daten wie neuronale Netze, da jedes Entscheidungsbaummodell gut mit kleineren Datensätzen funktionieren kann; (2) RFR-Modelle können leicht parallelisiert werden, was bedeutet, dass sie schneller trainiert werden können als neuronale Netze auf Multi-Core-Computersystemen.

Im Vergleich zu Methoden der Schadstoffentfernungstechnologie (Tabelle 1) erfordert die vorgeschlagene Methodik nur zwei Arten von Rohdaten, die leicht zu erhalten sind, was den Arbeitsaufwand der Datenerfassung erheblich reduziert. Die Schwäche der vorgeschlagenen Methodik besteht darin, dass der Vorhersagewert in der ersten Phase des Fortschritts nicht so genau zwischen gemessenem und vorhergesagtem Wert liegt. Auch wenn R2 und MSE des RFR-Modells nicht zufriedenstellend sind, schneidet es bei der Vorhersage der Genauigkeit am Cut-Off-Schwellenwert gut ab, wie in Tabelle 7 gezeigt, und dies ist im technischen Bereich sehr besorgniserregend.

Bei der praktischen Anwendung der vorgeschlagenen Methodik ist es möglich, dass der CSB-Wert der Norm entspricht, während andere Indikatoren wie Ammoniak oder Phosphor dies nicht tun. Um dieses Problem anzugehen, können Beziehungsmodelle erstellt werden, die pH-Wert und Temperatur als Variablen verwenden, um die anderen Parameter vorherzusagen. Allerdings ist dieser Ansatz nur auf Methoden der künstlichen Intelligenz beschränkt. Darüber hinaus kann ein empirisches Beurteilungssystem eingerichtet werden, z. B. dass die Abwasserbehandlungszeit im Allgemeinen innerhalb eines bestimmten Bereichs liegt. Wenn die vorhergesagten Ergebnisse diesen Bereich überschreiten, wird davon ausgegangen, dass die Ausgabeergebnisse der vorgeschlagenen Methodik geändert werden müssen.

Erhöhen Sie die Leitfähigkeit oder andere leicht verfügbare Parameter als Eingabevariablen, um die Vorhersagegenauigkeit zu verbessern. Im Folgenden finden Sie ausführliche Diskussionen:

Variablen wie Leitfähigkeit, MLSS, DO und Ammoniak können ebenfalls als Prämissen zur Vorhersage des CSB verwendet werden. Die Auswirkungen auf die Genauigkeit und Effizienz der vorgeschlagenen Methodik können folgende sein: (1) Im Allgemeinen zeigt die elektrische Leitfähigkeit der Lösung im Abwasseraufbereitungsprozess einen Trend, der allmählich abnimmt, was daher mit der Abnahme des CSB-Werts zusammenhängt die elektrische Leitfähigkeit kann die Genauigkeit und Effizienz verbessern; (2) MLSS sollte einen allmählichen Anstiegstrend aufweisen, die Änderung des MLSS ist jedoch in einem Zyklus (480 Minuten) nicht offensichtlich. Darüber hinaus wird die Genauigkeit des MLSS-Sensors leicht durch die Farbe des Abwassers beeinflusst, was offensichtlich die Unsicherheit der von den Sensoren gemessenen Daten erhöht. (3) Der SBR arbeitet nach der Belüftungs-Rühr-Periodizität, DO weist eine Zunahme-Abnahme-Periodizitätsänderung auf, die offensichtlich keine Korrelation mit dem Änderungstrend des CSB-Werts hat; (4) Während des Abwasserbehandlungsprozesses nimmt die Ammoniakkonzentration in der Lösung im Allgemeinen allmählich ab, ähnlich dem bei CSB beobachteten Trend. In manchen Fällen, beispielsweise bei einem Mangel an gelöstem Sauerstoff, der die Nitrifikation hemmt, kann es jedoch vorkommen, dass der Ammoniakwert selbst bei einer Reduzierung des CSB nicht signifikant sinkt. Aufgrund der nicht synchronen Natur der Änderungen dieser beiden Parameter kann die Vorhersage des CSB unter Verwendung von Ammoniak als Variable zu Unsicherheiten in der Analyse führen.

Verschlüsseln Sie die Häufigkeit der Datenerfassung, z. B. das Sammeln von Daten alle 5 Minuten. Dann können fünf Minuten im Voraus vorhergesagt werden, was die Effizienz der vorgeschlagenen Methodik weiter verbessert.

Fügen Sie Ammoniak und Phosphor als Vorhersageziele hinzu, um organische und anorganische Abwasserindikatoren auszugleichen und die Praktikabilität zu verbessern.

Einfache und stabile Sensoren (pH-Wert, Temperatur) wurden verwendet, um die CSB-Werte während des gesamten Prozesses vorherzusagen. Das in der Studie verwendete RFR-Modell kann als „Softsensor“ betrachtet werden, der bei der Überwachung des Behandlungseffekts hilft.

Der SBR wurde mithilfe künstlicher Intelligenz und eines automatischen Steuerungssystems optimiert, um die Automatisierung zu erhöhen und sowohl Zeit als auch Energie zu sparen. pH- und Temperatursensoren sammelten Daten, die in das RFR-Modell eingegeben wurden. Das Modell gab dann Echtzeit-CSB-Werte aus. Sobald der vorhergesagte CSB-Wert unter den Abwasserstandardwert fiel, endete der Zyklus mit der Abschaltung des Rührwerks und des Belüfters, und der Prozess ging direkt in den Absetzmodus über. Die vorgeschlagene Methodik ersetzte die zeitlich festgelegte Kontrolle, die unkontrolliert war. In 12 Testfällen betrug der Prozentsatz der CSB-Entfernung (%) etwa 91,075, während durchschnittlich 24,25 % Zeit oder Energie eingespart wurden. Diese Ergebnisse zeigen, dass dieser Ansatz die Behandlungskapazität erhöhen und den Energieverbrauch senken kann, was eine kohlenstoffarme Technologie darstellt.

R2 im Testsatz liegt bei etwa 0,791, obwohl es nicht zu hoch ist, aber die Genauigkeit am Cut-Off-Schwellenwert von COD liegt bei etwa 91 %, was für die Vorhersage akzeptabel ist. Es ist ganz einfach und nahezu genau, jederzeit den Verarbeitungseffekt und den Grad des Schadstoffabbaus zu erfassen. Obwohl der Unterschied zwischen wahrem und vorhergesagtem Wert nicht so genau ist, trat die Verlegenheit nur in der ersten Hälfte des Fortschritts auf und verschwand bald. Die Genauigkeit des Mittel- und Endstadiums ist wichtiger als die des Frühstadiums. Der Grund für die oben genannte Tatsache wird nachstehend erläutert. Künstliche Intelligenz und ein automatisches Steuerungssystem führten zu einer optimierten Vorgehensweise, eine zufriedenstellende Genauigkeit der Vorhersage des CSB-Werts ist jedoch Voraussetzung. Aufgrund der Tatsache sind die Genauigkeitsanforderungen in jedem Stadium eines kontrollierten Szenarios unterschiedlich: Im mittleren und Endstadium, insbesondere wenn man sich dem Stadium der Einhaltung der Abwassernormen nähert, wird größerer Wert auf Präzision und Genauigkeit gelegt. In der Anfangsphase hat die Genauigkeit jedoch keinen wesentlichen Einfluss auf die Steuerungsstrategie.

Aufgrund der Nichtlinearität und Unsicherheit der zeitlichen Variation des pH-Werts im SBR-Prozess sind die Vorhersageergebnisse aufgrund unterschiedlicher Algorithmen und einer Überanpassung durch die ANN-Methode instabil. Aufgrund der parallelen Informationsverteilung und -speicherung der strukturellen Vorverarbeitung verfügt RFR über eine starke Fehlertoleranz und die Fähigkeit, sich durch Lernen an die externe Umgebung anzupassen. Die Fähigkeit zur Mustererkennung und zum umfassenden Denken eröffnet zweifellos eine breite Perspektive für die experimentelle Forschung.

Eine Einschränkung dieser Forschung ist ihr ausschließlicher Fokus auf die SBR-Methodik. Es besteht jedoch die Möglichkeit, das Verfahren zu modifizieren, um es an andere Technologien anzupassen, insbesondere an Batch-Abwasserbehandlungssysteme. Durch die Erhöhung der Häufigkeit der Datenerfassung, beispielsweise durch die Erfassung von Daten alle fünf Minuten, können Faktoren möglicherweise bis zu fünf Minuten im Voraus vorhergesagt werden, wodurch die Effizienz der vorgeschlagenen Methodik weiter gesteigert wird. Um die Praktikabilität zu verbessern, könnten Ammoniak und Phosphor als Vorhersageziele einbezogen werden, da dies dazu beitragen würde, organische und anorganische Abwasserindikatoren auszugleichen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Chen, P., Zhao, W., Chen, D., Huang, Z. & Zhang, C. Forschungsfortschritt bei integrierten Behandlungstechnologien ländlicher häuslicher Abwässer: Ein Überblick. Wasser 14(15), 2439–2439 (2022).

Artikel Google Scholar

Wang, C. et al. Aufdeckung von Faktoren, die die räumliche Variation der Menge und Qualität der ländlichen häuslichen Abwasserentsorgung in ganz China beeinflussen. Prozesssicher. Umgebung. Prot. 162, 200–210 (2022).

Artikel CAS Google Scholar

Srivastava, G. et al. Einfluss von Schwankungen im Abwasser auf die gleichzeitige Nährstoffentfernung in einem vollmaßstäblichen Sequenzierungs-Batch-Reaktor mit voranoxischem Selektor. Int. J. Umgebung. Wissenschaft. Technol. 1, 1–18 (2022).

CAS Google Scholar

Masloń, A. Einfluss der ungleichmäßigen Abwasserverteilung auf die technologische Effizienz eines Sequenzierungs-Batch-Reaktors. Nachhaltigkeit 14(4), 2405 (2022).

Artikel Google Scholar

Alhazmi, HE, Yin, Z., Grubba, D., Majtacz, JB & Mąkinia, J. Vergleich der Effizienz der Deammonifikation unter verschiedenen DO-Konzentrationen in einem Sequenzierungs-Batch-Reaktor im Labormaßstab. Wasser 14(3), 368 (2022).

Artikel CAS Google Scholar

Chen, D. & Li, H. Verbesserte gleichzeitige teilweise Nitrifikations- und Denitrifikationsleistung von aerobem Granulatschlamm durch konische Belüftung im Sequenzierungs-Batch-Reaktor zur Behandlung von kommunalem Abwasser mit geringer Konzentration und niedrigem CSB/TN-Verhältnis. Umgebung. Res. 209, 112743 (2022).

Artikel CAS PubMed Google Scholar

Schwitalla, P. et al. NH4+-Ad/Desorption in Sequenzierungs-Batch-Reaktoren: Simulation, Labor- und Großstudien. Wasserwissenschaft. Technol. 58(2), 345 (2008).

Artikel CAS PubMed Google Scholar

Kauder, J., Boes, N., Pasel, C. & Herbell, JD Kombination der Modelle ADM1 und ASM2d in einer Sequenzierungs-Batch-Reaktorsimulation. Chem. Ing. Technol. 30(8), 1100–1112 (2007).

Artikel CAS Google Scholar

Wang, J., Zhao, X., Guo, Z., Yan, P. & Gao, X. Eine umfassende Managementmethode basierend auf künstlichen neuronalen Netzen für Energie- und Materialeinsparungen in Kläranlagen. Umgebung. Res. 211, 113054 (2022).

Artikel CAS PubMed Google Scholar

Alharbi, M., Hong, P.-Y., Laleg, K. & Taous, M. Sliding Window Neuronal Network-basierte Erfassung von Bakterien in Abwasseraufbereitungsanlagen. J. Process Control 110, 35–44 (2022).

Artikel CAS Google Scholar

Salim, H., Hilal, L. & Samir, F. Vorhersage des biochemischen Sauerstoffbedarfs im Abwasser einer Abwasseraufbereitungsanlage mithilfe eines auf einem verallgemeinerten neuronalen Regressionsnetz basierenden Ansatzes: Eine vergleichende Studie. Umgebung. Verfahren. 3(1), 153–165 (2016).

Artikel Google Scholar

Sharghi, E., Nourani, V., Ashrafi, AA & Gökçekuş, H. Überwachung der Abwasserqualität von Kläranlagen durch Clustering-basierte Methode eines künstlichen neuronalen Netzwerks. Entsalzung. Wassergenuss. 164, 86–97 (2019).

Artikel CAS Google Scholar

Hasanlou, H., Abdolabadi, H. & Aghashahi, M. Anwendung der Faktoranalyse in der Simulation einer groß angelegten industriellen Kläranlage unter Verwendung eines Hybridansatzes aus Hauptkomponentenanalyse und künstlichem neuronalem Netzwerk. Umgebung. Prog. Aufrechterhalten. Energie 34(5), 1322–1331 (2015).

Artikel CAS Google Scholar

Sadek, AH, Fahmy, OM, Mahmoud, N. & Mostafa, MK Vorhersage der Cu(II)-Adsorption aus wässrigen Lösungen auf nano-nullwertigem Aluminium (nZVAl) durch maschinelles Lernen und Techniken der künstlichen Intelligenz. Nachhaltigkeit 15(3), 2081 (2023).

Artikel CAS Google Scholar

Faiz, AA, Mahmoud, N., Ismail, R. & Faizal, B. Künstliches neuronales Netzwerk und technisch-ökonomische Schätzung mit algenbasierter tertiärer Abwasserbehandlung. J. Water Process Eng. 40, 101761 (2021).

Artikel Google Scholar

Mohamed, GA & Mahmoud, N. Behandlung von mit Diazinon kontaminiertem Wasser durch Elektro-Fenton-Verfahren: Einfluss von Betriebsparametern und Modellierung künstlicher neuronaler Netzwerke. Entsalzung. Wassergenuss. 182, 277–287 (2020).

Artikel Google Scholar

Mithil, KN et al. Künstliches neuronales Netzwerk und Kostenschätzung für die Cr(VI)-Entfernung unter Verwendung eines polykationischen Verbundadsorbens. Wasserumgebung. J. 34(S1), 29–40 (2019).

Google Scholar

Fmahmoud, N., Karam, M., Michael, A. & Ibrahim, MG Kapitel 9 – Nachhaltiges Management von Kläranlagen mithilfe von Techniken der künstlichen Intelligenz. Soft Comput Tech. Abwassermanagement für feste Abfälle. 1, 171–185 (2021).

Google Scholar

Nashia, D. et al. Künstliche Intelligenz und multivariate Statistiken zur umfassenden Bewertung filamentöser Bakterien in Kläranlagen, in denen es zu Schlammaufblähungen kommt. Umgebung. Technol. Innov. 19, 1 (2020).

Google Scholar

Alberto, P. et al. Neuronale Netze: Ein Überblick über frühe Forschung, aktuelle Rahmenbedingungen und neue Herausforderungen. Neurocomputing 214, 242–268 (2016).

Artikel Google Scholar

Emon, M. & Mohaiminul, I. Ein Überblick über künstliche neuronale Netze. Bin. J. Comput. Wissenschaft. Appl. 3(16), 1 (2019).

Google Scholar

Kudus, SA et al. Ein Überblick über die aktuelle Anwendung künstlicher neuronaler Netze in der Praxis. Adv. Mater. Res. 626(626), 372 (2012).

Artikel Google Scholar

Zelin, L. et al. Anwendung künstlicher neuronaler Netze im globalen Klimawandel und in der ökologischen Forschung: Ein Überblick. Kinn. Wissenschaft. Stier. 55(34), 3853–3863 (2010).

Artikel Google Scholar

Bhattacharjee, A., Murugan, R., Soni, B. & Goel, T. Ada-GridRF: Ein schnelles und automatisiertes, auf adaptivem Boost basierendes Rastersuch-optimiertes Random-Forest-Ensemble-Modell zur Erkennung von Lungenkrebs. Physik. Ing. Wissenschaft. Med. 45(3), 981–994 (2022).

Artikel PubMed Google Scholar

Sun, D., J. Earth Sci. 31(6), 1068–1086 (2020).

Artikel Google Scholar

Mateo, PV, Mesa, FJM, Villanueva, BJ & Alonso, Á. C. Ein Random-Forest-Modell zur Vorhersage des FOG-Gehalts im Zulaufabwasser aus städtischen Kläranlagen. Wasser 13(9), 1237 (2021).

Artikel Google Scholar

Pengxiao, Z. et al. Ein Zufallswaldmodell zur Zuflussvorhersage in Kläranlagen. Stoch. Env. Res. Risikobewertung. 33(10), 1781–1792 (2019).

Artikel Google Scholar

Olshen, RA, Leo, B. & Jerome, F. Klassifizierungs- und Regressionsbäume. Chapman und Hall Press: London, UK 1, 10 (2017).

Google Scholar

Ferrante, M., Demarco, P. & Origgi, D. OD177 – Zufällige Waldregression anhand von CT-Daten zur Vorhersage der effektiven Dosis und der Klasse der effektiven Dosis gemäß der neuen italienischen Verordnung. Physik. Med. 92, S138 (2021).

Artikel Google Scholar

Srimathi, S., Yamuna, G. & Nanmaran, R. Schwellenwertbasiertes stochastisches Regressionsmodell mit Gabor-Filter zur Segmentierung und Zufallswaldklassifizierung von Lungenkrebs. J. Comput. Theor. Nanowissenschaften. 16(4), 1666–1673 (2019).

Artikel CAS Google Scholar

Cristina, Z. Modellierung des Zusammenhangs zwischen systemischem Bankrisiko und Bilanzliquiditäts-Proxies durch zufällige Waldregressionen. Administrator. Wissenschaft. 10(3), 52 (2020).

Artikel Google Scholar

Yihui, C. & Minjie, L. Bewertung von Einflussfaktoren auf die Teeproduktion basierend auf zufälliger Waldregression und mittlerem Einflusswert. Landwirtschaft. Wirtschaft. 65, 340–347 (2019).

Google Scholar

Luo, Y., Yan, J., McClure, SC & Li, F. Sozioökonomische und ökologische Faktoren der Armut in China unter Verwendung eines geografisch gewichteten Zufallswald-Regressionsmodells. Umgebung. Wissenschaft. Umweltverschmutzung. Res. Int. 29(22), 33205–33217 (2022).

Artikel PubMed PubMed Central Google Scholar

Song, HE, Jianhua, WU, Wang, D. & Xiaodong, HE Prädiktive Modellierung der Nitratverschmutzung des Grundwassers und Bewertung ihrer wichtigsten Einflussfaktoren mithilfe von Zufallswäldern. Chemosphere 290, 133388 (2021).

Google Scholar

Zhangwen, SU, Lin, L., Chen, Y. & Hu, H. Verständnis der Verteilung und Treiber der PM2,5-Konzentrationen im Jangtse-Delta von 2015 bis 2020 mithilfe einer zufälligen Waldregression. Umgebung. Überwachen. Bewerten. 194(4), 284 (2022).

Artikel Google Scholar

Wang, Q. et al. Räumlich explizite Rekonstruktion der Bevölkerungsverteilung im Einzugsgebiet des Tuojiang-Flusses im Zeitraum 1911–2010 mithilfe einer zufälligen Waldregression. Reg. Umgebung. Änderung 22(1), 1 (2022).

Artikel Google Scholar

Wang, F. et al. Räumliche Heterogenitätsmodellierung der Wasserqualität basierend auf zufälliger Waldregression und Modellinterpretation. Umgebung. Res. 202, 111660 (2021).

Artikel CAS PubMed Google Scholar

Shijun, C. et al. Mittel- und langfristige Abflussvorhersage basierend auf einem Random-Forest-Regressionsmodell. Wasserversorgung 20(8), 3658–3664 (2020).

Artikel Google Scholar

Harrison, JW, Lucius, MA, Farrell, JL, Eichler, LW & Relyea, RA Vorhersage der Stickstoff- und Phosphorkonzentrationen im Strom von Hochfrequenzsensoren mithilfe der Random-Forests-Regression. Wissenschaft. Gesamtumgebung. 763, 143005 (2020).

Artikel ADS PubMed Google Scholar

Weiran, Y. et al. Auswertung der zufälligen Waldregression und der multiplen linearen Regression zur Vorhersage der Feinstaubkonzentration in Innenräumen in einer stark verschmutzten Stadt. Umgebung. Umweltverschmutzung. 245, 746–753 (2018).

Google Scholar

Kronholm, SC, Capel, PD und Terziotti, S. extrahierten statistisch grundlegende Wassereinzugsgebietsvariablen zur Schätzung der Gesamtstickstofffracht in kleinen Bächen. Umgebung. Modell. Bewerten. 21(6), 681–690 (2016).

Artikel Google Scholar

Shi, GY et al. Modellierung der Reaktion negativer Luftionen auf Umweltfaktoren mithilfe multipler linearer Regression und Random Forest. Öko. Informieren. 66, 1 (2021).

Google Scholar

Keramat, JM, Saeid, MS, Mousazadeh, H., Ghasemi, VM & Rahimi, MM Echtzeit-Feuchtigkeitsverhältnisstudie von trocknenden Dattelfruchtchips basierend auf Online-Bildattributen unter Verwendung von kNN und Random-Forest-Regressionsmethoden. Messung 10, 8899 (2020).

Google Scholar

Balogun, AL & Tella, A. Modellierung und Untersuchung der Auswirkungen klimatischer Variablen auf die Ozonkonzentration in Malaysia mithilfe einer Korrelationsanalyse mit Random Forest, Entscheidungsbaumregression, linearer Regression und Support-Vektor-Regression. Chemosphere 299, 134250 (2022).

Artikel ADS CAS PubMed Google Scholar

Wang, J. et al. Eine umfassende Managementmethode auf Basis künstlicher neuronaler Netze zur Energie- und Materialeinsparung in Kläranlagen. Umgebung. Res. 211, 113054 (2022).

Artikel CAS PubMed Google Scholar

Fernandez de Canete, J. & Del Saz-Orozco, P. Soft-Sensing-Schätzung der Pflanzenabwasserkonzentrationen in einer biologischen Abwasseraufbereitungsanlage unter Verwendung eines optimalen neuronalen Netzwerks. Expertensystem. Appl. 63, 8–19 (2016).

Artikel Google Scholar

He, F., Wang, J. & Chen, W. Bewertung der saubereren Produktion für Kläranlagen basierend auf einem künstlichen neuronalen Backpropagation-Netzwerk. Neuro Quantol. 16(6), 1 (2018).

Google Scholar

Zhao, HY, Huang, FL, Li, L. & Zhang, CY Optimierung der anaeroben Abwasserbehandlung basierend auf dem neuronalen GA-BP-Netzwerk. Entsalzung. Wassergenuss. 122, 30–35 (2018).

Artikel CAS Google Scholar

Junfei, Q., Gaitang, H., Honggui, H. & Wei, C. Abwasserbehandlungskontrollmethode basierend auf einem regeladaptiven rekurrenten Fuzzy-Neuronalen Netzwerk. Int. J. Intell. Berechnen. Cybern. 10(2), 94–110 (2017).

Artikel Google Scholar

Watanabe, S. & Yamana, H. Überanpassungsmessung von Faltungs-Neuronalen Netzen unter Verwendung trainierter Netzwerkgewichte. Int. J. Data Sci. Anal. 14(3), 261–278 (2022).

Artikel Google Scholar

Kai, I., Yuta, O. & Moriya, N. Überanpassung eines auf künstlichen neuronalen Netzwerken basierenden nichtlinearen Entzerrers für mehrstufige Signale in optischen Kommunikationssystemen. OPTO-Konferenz, 2020.

Oyedotun, OK, Olaniyi, EO & Khashman, A. Eine einfache und praktische Übersicht über Überanpassung beim Lernen neuronaler Netze. Int. J. Appl. Patt. Erkennen. 4(4), 307–328 (2017).

Artikel Google Scholar

Buskirk, TD Vermessung der Wälder und Probenahme der Bäume: Ein Überblick über Klassifizierungs- und Regressionsbäume und Zufallswälder mit Anwendungen in der Vermessungsforschung. Überleben. Üben. 11(1), 1–13 (2018).

MathSciNet Google Scholar

Matthias, S. & Rosie, YZ Der Random-Forest-Algorithmus für statistisches Lernen. Stand. Genomische Wissenschaft. 20(1), 3–29 (2020).

Google Scholar

Kim, B., Cha, JW, Chang, K. & Lee, C. Sichtbarkeitsvorhersage über Südkorea basierend auf zufälligen Wäldern. Atmosphäre 12(5), 552 (2021).

Artikel ADS CAS Google Scholar

Massimo, S. et al. Ein Random-Forest-Ansatz zur Schätzung der täglichen Feinstaub-, Stickstoffdioxid- und Ozonwerte mit feiner räumlicher Auflösung in Schweden. Atmosphäre 11(3), 1 (2020).

Google Scholar

Rubal, DK Evolving Differential Evolution-Methode mit Zufallswald zur Vorhersage der Luftverschmutzung. Proz. Berechnen. Wissenschaft. 132, 824–833 (2018).

Artikel Google Scholar

Shamsoddini, A., Aboodi, MR & Karami, J. Vorhersage von Luftschadstoffen in Teheran basierend auf der Methode zur Auswahl zufälliger Waldmerkmaleissprs. Int. Bogen. Fotogramm. Remote Sens. Spatia 4, 483–488 (2017).

Artikel Google Scholar

Shi, G.-Y. et al. Modellierung der Reaktion negativer Luftionen auf Umweltfaktoren mithilfe multipler linearer Regression und Random Forest. Ökologisch. Inf. 66, 1 (2021).

Artikel Google Scholar

Min, JS et al. Identifizierung der primären Auslöser von N2O-Emissionen aus groß angelegten biologischen Stickstoffentfernungssystemen mithilfe des Random-Forest-Ansatzes. Wasserres. 184, 116–144 (2020).

Google Scholar

Vitorino, D. et al. Ein Random-Forest-Algorithmus zur zustandsbasierten Modellierung und Prognose der Abwasserverschlechterung. Proz. Ing. 89, 401–410 (2014).

Artikel Google Scholar

Buras, MP & Solano, DF Identifizierung und Abschätzung der Lage von Quellen industrieller Verschmutzung im Abwassernetz. Sensoren 21(10), 3426 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Medl, M., Rajamanickam, V., Striedner, G. & Newton, J. Entwicklung und Validierung eines auf einem künstlichen neuronalen Netzwerk basierenden optischen Dichte-Softsensors für ein Hochdurchsatz-Fermentationssystem. J. Processes 11(1), 297–307 (2023).

Artikel CAS Google Scholar

Cong, QM, Bo, G.-H. & Shi, H.-Y. Integrierter weicher CSB-Sensor für Kläranlagen basierend auf dem ASP-Modell und dem neuronalen RBF-Netzwerk. J. Meas. Kontrolle 56(1–2), 295–303 (2023).

Artikel Google Scholar

Hema, P. et al. Robuste Softsensorsysteme für die Industrie: Bewertet durch Echtzeit-Fallstudie. J. Meas. Sens. 24, 1 (2022).

Google Scholar

Severino, AGV, De, LJMM & De, AFMU Industrieller Softsensor, optimiert durch verbessertes PSO: Ein Ansatz zum tiefen Repräsentationslernen. J. Sens. 22(18), 6887–6899 (2022).

Artikel ADS Google Scholar

Dimitriadis, SI & Liparas, D. Wie zufällig ist der Zufallswald? Zufallswaldalgorithmus im Dienst struktureller Bildgebungs-Biomarker für die Alzheimer-Krankheit: Aus der Datenbank der Alzheimer's Disease Neuroimaging Initiative (ADNI). Neuronale Regeneration. Res. 13(6), 962–970 (2018).

Artikel PubMed PubMed Central Google Scholar

Jaime, LS et al. Ein Vergleich zufälliger Waldvariablenauswahlmethoden für die Klassifizierungsvorhersagemodellierung. Expertensystem. Appl. 134, 93–101 (2019).

Artikel Google Scholar

Christopher, S., Margaret, GS, Chuck, EB & Anders, K. Halbautomatische Klassifizierung der freigelegten Grundgesteinsbedeckung in den Southern Mountains von British Columbia mithilfe eines Random-Forest-Ansatzes. Geomorphologie 285, 214–224 (2017).

Artikel Google Scholar

Hristos, T. & Georgia, P. Ein kurzer Überblick über Zufallswälder für Wasserwissenschaftler und -praktiker und ihre jüngste Geschichte in den Wasserressourcen. Wasser 11(5), 910 (2019).

Artikel Google Scholar

Kamakshaiah, M. & Prasada Rao, SS Anwendbarkeit von Zufallswaldprognosen auf den internationalen Devisenhandel: Eine Untersuchung anhand der Sprache. Int. J. Bus. Anal. Intel. 6(1), 47–57 (2018).

Google Scholar

Shu, FY, Joo, HT & Yu, L. Einfluss des Verhältnisses von Substratstickstoff zu chemischem Sauerstoffbedarf auf die Bildung aerober Granulatkörner. J. Umgebung. Ing. 131(1), 86–92 (2005).

Artikel Google Scholar

Tanwar, P., Nandy, T., Ukey, P. & Manekar, P. Korrelation von Online-Überwachungsparametern, pH-Wert, Sauerstoffgehalt und Redoxpotential mit der Nährstoffentfernung in einem Bioreaktorsystem mit intermittierendem zyklischem Prozess. Biores. Technol. 99, 7630–7635 (2008).

Artikel CAS Google Scholar

Chang, CH & Hao, OJ Sequenzierungs-Batch-Reaktorsystem zur Nährstoffentfernung: ORP- und pH-Profile. J. Chem. Technol. Biotechnologie. Int. Res. Prozessumgebung. Saubere Technologie. 67, 27–38 (1996).

CAS Google Scholar

Tong, Q., Mao, Z. & Sun, L. Variation von DO und pH-Wert im Prozess der Deponiesickerwasserbehandlung durch SBR. Proz. Annu. Treffen. China Silicat Soc. Umgebung. Schützen. 325–328 (2007).

Shane, F., Mcdermott, J., Doherty, E., Cooney, R. & Clifford, E. Anwendung neuronaler Netze und Regressionsmodellierung, um die Einhaltung von Umweltvorschriften und die Energieoptimierung in einem Sequenzierungs-Batch-Reaktor zu ermöglichen. Nachhaltigkeit 14, 4098 (2022).

Artikel Google Scholar

Hao, X., Sun, S., Li, J. & Liu, R. Erstellung und Verifizierung eines Temperaturmodells für den Prozess der Wasseraufbereitung. J. Umgebung. Wissenschaft. (China) 42(12), 1–11 (2022).

CAS Google Scholar

Pochwała, S. & Kotas, P. Möglichkeit der Gewinnung von Abwasserwärme aus einer Kläranlage mittels einer Wärmepumpe: eine Fallstudie. E3S Web Conf. 44, 144–144 (2018).

Liang, J., Zhang, P., Cai, Y., Wang, Q. & Zhou, Z. Thermische Effekte. Wasserumgebung. Res. Publ. Wasserumgebung. Gefüttert. 92(10), 1406–1411 (2020).

Referenzen herunterladen

Die Forschung wird durch das Key Research and Development Project des Sichuan Provincial Science and Technology Plan, China (22ZDYF1876) unterstützt.

Abteilung für Material- und Umwelttechnik, Chengdu Technological University, Chengdu, China

Qiu Cheng & Li Qianglin

Huicai Environmental Technology Co., Ltd., De Yuan Zhen, Bezirk Pidu, Chengdu, Sichuan, China

Zhan Chunhong

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

CQ, CZ und QL haben den Haupttext des Manuskripts sowie alle Abbildungen und Tabellen verfasst. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Li Qianglin.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Cheng, Q., Chunhong, Z. & Qianglin, L. Entwicklung und Anwendung eines Random-Forest-Regressions-Softsensormodells zur Behandlung von häuslichem Abwasser in einem Sequenzierungs-Batch-Reaktor. Sci Rep 13, 9149 (2023). https://doi.org/10.1038/s41598-023-36333-8

Zitat herunterladen

Eingegangen: 22. Februar 2023

Angenommen: 01. Juni 2023

Veröffentlicht: 05. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36333-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.