Разработка и применение модели мягкого датчика случайной лесной регрессии для очистки бытовых сточных вод в последовательном реакторе периодического действия.

Том 13 научных докладов, Номер статьи: 9149 (2023) Цитировать эту статью

149 доступов

Подробности о метриках

Маломасштабное распределенное оборудование для очистки воды, такое как реактор периодического действия (SBR), широко используется в области очистки бытовых сточных вод в сельской местности из-за его преимуществ, заключающихся в быстрой установке и строительстве, низких эксплуатационных затратах и ​​высокой адаптируемости. Однако из-за особенностей нелинейности и гистерезиса процесса SBR сложно построить имитационную модель очистки сточных вод. В этом исследовании была разработана методология с использованием искусственного интеллекта и системы автоматического управления, которая позволяет экономить энергию, соответствующую сокращению выбросов углекислого газа. В методологии используется модель случайного леса для определения подходящего мягкого датчика для прогнозирования тенденций ХПК. В этом исследовании датчики pH и температуры используются в качестве помещений для датчиков ХПК. В предлагаемом методе данные были предварительно обработаны в 12 входных переменных, и 7 лучших переменных были выбраны в качестве переменных оптимизированной модели. Цикл завершился системой искусственного интеллекта и автоматического управления, а не фиксированным контролем времени, что было неконтролируемым сценарием. В 12 тестовых случаях процент удаления ХПК составил около 91,075%, а в среднем было сэкономлено 24,25% времени и энергии. Предлагаемая методология выбора мягкого датчика может быть применена в области очистки бытовых сточных вод в сельской местности с преимуществами экономии времени и энергии. Экономия времени, увеличение производительности очистки и энергосбережение представляют собой низкоуглеродную технологию. Предлагаемая методология обеспечивает основу для исследования способов снижения затрат, связанных со сбором данных, путем замены дорогостоящих и ненадежных датчиков доступными и надежными альтернативами. Приняв этот подход, можно сохранить энергосбережение при соблюдении стандартов выбросов.

Сельские бытовые сточные воды характеризуются нестабильным качеством и количеством воды, рассредоточенным сбросом и низкой концентрацией загрязняющих веществ1. Для решения этих проблем в области очистки бытовых сточных вод в сельской местности стало широко использоваться малогабаритное распределенное оборудование для очистки воды благодаря его быстрой установке и сборке, низкой стоимости эксплуатации и высокой адаптируемости2. В последние годы процесс с использованием реактора периодического действия (SBR) стал многообещающим вариантом очистки бытовых сточных вод в сельской местности. По сравнению с другими процессами, SBR может эффективно противостоять воздействиям органической нагрузки, имеет гибкие режимы работы, обеспечивает хороший эффект для сточных вод и обеспечивает лучший эффект удаления азота и фосфора3,4,5,6.

Однако построение точных имитационных моделей для очистки бытовых сточных вод в сельской местности может оказаться сложной задачей из-за характеристик нелинейности и гистерезиса, проявляемых процессом SBR7,8. Нелинейные проблемы очистки сточных вод относятся к сложным, разнообразным и нелинейным взаимосвязям, возникающим в результате взаимодействия различных химических реакций, биологических реакций и физических эффектов во время очистки сточных вод.

Искусственный интеллект, включая машинное обучение, применяется в процессах очистки сточных вод для эффективного решения нелинейных задач. Машинное обучение включает в себя ряд методов, таких как нейронные сети и регрессия опорных векторов, которые можно использовать для анализа и моделирования сложных данных, генерируемых во время очистки сточных вод. Это эффективно повысило эффективность и качество очистки сточных вод при одновременном снижении затрат на очистку.

Искусственная нейронная сеть (ИНС) — это математическая модель, которая имитирует поведение нейронных сетей животных и выполняет распределенную и параллельную обработку информации. ИНС стала широко использоваться для прогнозирования сброса сточных вод, поскольку она может регулировать взаимосвязи между большим количеством внутренних узлов для обработки сложной информации внутри системы9,10,11,12,13.

Помимо использования методов искусственной нейронной сети (ИНС), в технологии удаления загрязняющих веществ также использовались другие методы, такие как линейная регрессия (LR), регрессия опорных векторов (SVR) и методы нейро-нечеткой сети для прогнозирования изменений в концентрациях загрязняющих веществ или другие параметры процесса14,15,16,17,18,19. Эти методы (как показано в Таблице 1) доказали свою эффективность при моделировании сложных взаимосвязей между различными факторами и прогнозировании концентраций загрязняющих веществ, что помогает оптимизировать эффективность процесса очистки.