基于GA-机器学习模型的污水处理厂BOD软测量研究_苗露.pdf
《基于GA-机器学习模型的污水处理厂BOD软测量研究_苗露.pdf》由会员分享,可在线阅读,更多相关《基于GA-机器学习模型的污水处理厂BOD软测量研究_苗露.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷第期 青 岛 理 工 大 学 学 报 基于 机器学习模型的污水处理厂 软测量研究苗露,姚怡帆,王黎佳,王丽艳,黄黎明,刘长青(青岛市团岛污水处理厂,青岛 ;青岛理工大学 环境与市政工程学院,青岛 ;青岛张村河水务有限公司,青岛 )摘要:生化需氧量()是污水处理厂水质监测的重要指标。污水处理厂进水 指标的传统检测方法存在测试时间长、实际操作复杂等局限性,无法为污水处理厂根据进水水质波动进行工艺参数调整提供及时和准确的指导。为此,研究了使用支持向量机回归(,)及极端梯度提升(,)两种机器学习模型算法对进水 进行软测量的可行性,同时辅以遗传算法(,)进行参数优化。结果表明,采用进行参数优化能够
2、提升 模型与 模型的预测精度,均方根误差(,)分别降低 与 。相比较 模型,使用 方法进行预测的结果更准确,拟合度()可达 。研究结果可为污水处理厂进水 指标软测量方法的工程应用提供数据支撑。关键词:生化需氧量();软测量;遗传算法;机器学习中图分类号:文献标志码:文章编号:()收稿日期:基金项目:国家重点研发计划()作者简介:苗露(),女,山东青岛人。工程师,主要从事污水处理及资源化方面的研究。:。,(,;,;,):(),()(),(),(),青 岛理工大学学报第 卷 :();生物化学需氧量(,)反映水质中可生化降解的有机物质的含量,是水质净化过程中必不可少的监测指标。污水处理厂常用 (生化
3、需氧量)表示可被微生物分解代谢的有机污染物含量,检测所得到的数值直接影响生化处理部分的药剂投加与鼓风曝气。因此,及时准确地获取进水 对污水处理厂评价进水有机污染物的水平、进行对应的工艺参数调整具有重要意义。目前,常用稀释测定法与微生物电极法检测 ,因其检测数值重复性较好,准确度和精密度高,所以得到了广泛的使用。但这两种测定方法在指导污水处理厂工艺运行方面仍存在一定不足,例如稀释测定法的检测周期长、操作专业度较高;微生物电极法虽可快速、便捷地获得大批量水质分析数据,但是其仪器的使用存在局限性,且微生物电极法的检出限也普遍高于稀释测定法。因此随着污水处理厂工艺的提升,需要构建一种更高效、简便、精准
4、的 检测方式。随着计算机及大数据相关技术的迅猛发展,机器学习作为模拟人类学习活动的一门人工智能学科应运而生。在环境领域,善于挖掘数据之间关系的机器学习进入科研工作者的视野,通过建立准确的数学模型对水质中某些重要的参数进行科学的软测量与预测,取得了一定的成果。等提出了一种集经验模态分解、深度学习和长短期记忆神经网络于一体的混合模型,通过此模型对养殖水质中的溶解氧、浊度、三项指标进行预测,数据展现了较高的预测精度,优于其他同类水质参数预测模型。等利用极端梯度提升(,)与麻雀搜索算法优化的 模型进行长期与短期的溶解氧软测量,能够满足池塘溶解氧准确预测的实际需求。等在无线监测的基础上,采用支持向量算法
5、预测总氮、总磷、氨氮等水质指标,并能够自动、实时地对流域水质进行监测。如今,已有多种水质软测量的机器学习方法。等利用顺序特征选择方法进行特征选择,采用了多种机器学习方法预测湖泊水样 值,最终选择预测结果稳定的多层感知器用于湖泊水质预警。以上软测量方法打破了实验操作误差的壁垒,突破了检测设备性能的局限。但是基础的模型预测效果各有差异,因此部分研究人员把方向聚焦在模型的参数优化上,仿生算法可有效解决参数组合优化问题,常见的仿生算法有遗传算法(,)、粒子群算法(,)、蚁群算法(,)等。遗传算法借鉴了达尔文的进化论和孟德尔的遗传学说,在预先设置的参数区间内随机选取数据以形成初始种群,计算种群的适应度并
6、对未达到理想适应度的种群数据进行选择、交叉、变异的操作,最终获得满足优化目标下适应度最高的参数组合。等 利用反向传播(,)神经网络模型预测厌氧膜生物反应器的膜过滤性能,引入 对仿真过程进行优化,克服 局部极小化问题,使得预测相对误差进一步降低。乔俊飞等 采用基于 对神经网络输出权重进行调整训练,加强了对污水关键水质参数 预测的有效性,能够有效实现污水处理闭环控制。因此,本研究立足于利用机器学习模型进行 指标的快速预测,选取支持向量机回归(,)和 两种机器学习进行比对分析,并且引入 进一步提升预测准确性,力求寻找一个快速并且准确的预测模型。软测量模型构建数据集本研究所用数据来源为山东青岛某污水处
7、理厂 年月日至 年 月 日的运行参数监测报表,数据以天为单位,包括个水质指标(进水流量、和氨氮)的 条记录。通过使用污水处理厂实时自动检测的个水质数据组成五维输入数据作为模型的输入变量。第期苗露,等:基于机器学习模型的污水处理厂 软测量研究数据预处理对存在数据不完整的天数进行整条数据删除,排除原始数据中包含的波动较大的干扰数据和不完整数据,并对数据进行无量纲化和数据降维。)剔除异常值。利用准则(拉依达准则),以倍测量列的标准偏差为极限取舍标准,假设数据只含有随机误差,计算数据的均值与标准差,筛选出于(,)范围外的误差数据,以排除污水处理厂在受气候、人口、经济等因素影响下出现的进水波动情况。)数
8、据无量纲化。按照式()进行数据归一化处理,可令数据服从正态分布并且收敛至,。由于不同辅助变量的数据大小、分布和单位各有差异,而该步骤可以削弱这类数据产生的影响,加快模型求解速度。()式中:为辅助变量样本值进行无量纲化后所得数值;为辅助变量样本值;为辅助变量中的最大值;为辅助变量中的最小值。)数据降维。通过主成分分析(,),利用矩阵分解等一系列数学操作在数据总信息量不损失太多的条件下,将原始特征数据压缩到少数特征上,从而得出方便计算的新特征向量。丢弃信息量很少的特征向量噪音来达到减轻模型冗余计算的目的。数据经过预处理之后,原有数据集的 条数据被剔除,构成新数据集。训练集与测试集由新数据集按的比例
9、随机划分而成。模型选择及参数优化)支持向量机。支持向量机(,)是一类基于统计学习理论的机器学习算法,既可以用于分类预测也可以用于回归预测。支持向量机回归(,)是用于回归预测的一个强学习器,其原理是通过核函数()将原始数据映射至特征空间,寻求一个令原始数据在同一容许误差下距离最近的超平面,该超平面特征向量与输出向量()满足回归方程()(),其中为截距向量。本文使用的核函数类型为高斯径向基函数“”,表达式为(,)()式中:为原始数据向量;为映射至特征空间的向量;为核函数次数。假设容许误差为,则超平面存在于()()所形成的容错空间内。容错空间大,对数据拟合的包容性大;容错空间小,存在数据无法拟合的情
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GA 机器 学习 模型 污水处理 BOD 测量 研究 苗露
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。