シーケンスバッチ反応器で家庭廃水を処理するためのランダムフォレスト回帰ソフトセンサーモデルの開発と応用
ホームページホームページ > ニュース > シーケンスバッチ反応器で家庭廃水を処理するためのランダムフォレスト回帰ソフトセンサーモデルの開発と応用

シーケンスバッチ反応器で家庭廃水を処理するためのランダムフォレスト回帰ソフトセンサーモデルの開発と応用

Apr 12, 2023

Scientific Reports volume 13、記事番号: 9149 (2023) この記事を引用

17 アクセス

メトリクスの詳細

シーケンスバッチ反応器(SBR)などの小規模分散型水処理装置は、設置と建設が迅速で、運転コストが低く、適応性が高いという利点があるため、地方の家庭下水処理の分野で広く使用されています。 しかし、SBRプロセスの非線形性とヒステリシスの特性により、廃水処理のシミュレーションモデルを構築することは困難です。 この研究では、人工知能と自動制御システムを使用して、炭素排出量の削減に対応してエネルギーを節約できる方法論を開発しました。 この方法では、ランダム フォレスト モデルを活用して、COD 傾向の予測に適したソフト センサーを決定します。 この研究では、COD センサーの前提として pH センサーと温度センサーを使用します。 提案手法では、データを 12 個の入力変数に前処理し、上位 7 個の変数を最適化モデルの変数として選択しました。 このサイクルは、制御不能なシナリオである固定時間制御ではなく、人工知能と自動制御システムによって終了しました。 12 のテスト ケースでは、COD 除去率は約 91.075% であり、平均的に見て 24.25% の時間またはエネルギーが節約されました。 この提案されたソフトセンサー選択方法論は、時間とエネルギーの節約という利点を備えて農村部の家庭下水処理の分野に適用できます。 時間の節約は処理能力の向上につながり、エネルギーの節約は低炭素技術を表します。 提案された方法論は、高価で信頼性の低いセンサーを手頃な価格で信頼できる代替品に置き換えることにより、データ収集に関連するコストを削減する方法を調査するためのフレームワークを提供します。 この考え方を採用することで、排出基準を満たしながら省エネを維持することが可能となります。

農村部の生活下水は、水質と水量が不安定で、放流が分散し、汚染物質濃度が低いという特徴があります1。 これらの課題に対処するため、小規模分散型水処理装置は、設置と建設が迅速で、運用コストが低く、適応性が高いため、地方の生活下水処理の分野で広く使用されています2。 近年、シーケンシングバッチリアクター(SBR)プロセスが地方の家庭廃水処理の有望な選択肢として浮上しています。 他のプロセスと比較すると、SBR は有機負荷の影響に効果的に耐えることができ、柔軟な操作モードを備え、優れた排水効果を生み出し、より優れた窒素とリンの除去効果を達成します3、4、5、6。

ただし、SBR プロセスによって示される非線形性とヒステリシス特性により、地方の家庭廃水処理の正確なシミュレーション モデルを構築するのは困難な場合があります 7,8。 下水処理における非線形問題とは、下水処理中のさまざまな化学反応、生物反応、物理的影響の相互作用から生じる複雑で多様な非線形関係を指します。

機械学習を含む人工知能は、非線形問題を効果的に解決するために下水処理プロセスに適用されています。 機械学習には、ニューラル ネットワークやサポート ベクター回帰など、下水処理中に生成される複雑なデータの分析とモデル化に使用できるさまざまな方法が含まれます。 これにより、処理コストを削減しながら、下水処理の効率と品質を効果的に向上させることができました。

人工ニューラルネットワーク(ANN)は、動物の神経ネットワークの挙動を模擬し、分散並列情報処理を行う数理モデルです。 ANN は、システム内の複雑な情報を処理するために多数の内部ノード間の相互接続を調整できるため、下水排出の予測に広く使用されています9、10、11、12、13。

人工ニューラル ネットワーク (ANN) 手法の使用に加えて、線形回帰 (LR)、サポート ベクター回帰 (SVR)、ニューロファジー ネットワーク手法などの他の手法も、汚染物質濃度の変化を予測するために汚染物質除去技術で使用されています。その他のプロセスパラメータ14、15、16、17、18、19。 これらの方法 (表 1 に示す) は、さまざまな要因間の複雑な関係をモデル化し、汚染物質濃度を予測するのに効果的であることが証明されており、処理プロセスのパフォーマンスの最適化に役立ちます。

ただし、これらのモデル 14、15、16、17 のパフォーマンスは非常に良好であったにもかかわらず、その処理または環境は理想化されています。 それらのほとんどは、シミュレートされた実験条件を使用します。 実際のエンジニアリングのケースでは、その複雑さのため、モデルのパフォーマンスはそれほど際立ったものにはなりません 18,19。 さらに、これらの場合14、15、16、17、18、19では、DO、pH、導電率、BOD、COD、TNなどの入力データの種類が多く、データの作業負荷や難易度が増加します。取得。 たとえば、DO センサーの測定データには大幅な遅れがあります。 BOD は生化学的方法を使用してのみ測定でき、ヒステリシスが大きいためセンサーを使用してオンラインで正確に測定することはできません。 しかし、COD測定はオンラインでも測定可能ですが、化学的なオンライン測定法では厳密な測定条件の管理と試薬の連続添加が必要となります。 CODセンサー方式は主に光学式センサーを使用するため、排水の色度や濁度に大きく影響されます。 また、CODセンサーは分散型の小型機器では高価であり、普及が難しい。 したがって、安定性が悪く、耐用年数が短く、価格が高価なセンサーに代わる、安定して正確なデータ収集、長寿命、低価格のセンサーを開発する必要があります。

しかし、従来のANNアルゴリズムは漸近理論に基づいており、サンプルサイズが無限大に近づいた場合にのみ経験的リスクが実際のリスクに近づくため、実際のアプリケーションではサンプルサイズが無限大から遠く離れており、外挿能力が低いという問題が発生します。収束速度が遅く、極値20、21、22、23。

ランダム フォレスト モデルは機械学習の 1 つであり、強力な適応学習能力と非線形マッピング能力を備え、人工知能の分野で研究のホットスポットの 1 つとなっています 24,25。 遅れが大きく、非線形性があり、多変数であるという特徴を持つ廃水処理プロセスのシミュレーションに適しています26,27。

ランダム フォレスト回帰 (RFR) は、Breiman によって開発された統計学習理論であるランダム フォレスト (RF) アルゴリズムの重要な応用です。 RFR 手法では、ブートストラップ リサンプリングを使用して元のデータから複数のサンプルを抽出し、各ブートストラップ サンプルのデシジョン ツリーを構築します。 これらの決定木は結果を予測するために結合され、最終的な予測はすべての木によって生成された予測の平均になります29。

RFR アルゴリズムの本質は、複数の決定木を組み合わせて予測を行うマルチ決定木モデルです。 このアルゴリズムには、高い予測精度、優れた汎化能力、速い収束速度、少ない調整パラメータという利点があり、「過剰適合」を効果的に回避でき、さまざまなデータセットの操作に適しています。 データセットの変数抽出に対して堅牢であり、超高次元変数ベクトル空間に適しています。 RFR は、医療、経営、農業などの多くの分野で広く使用されています30、31、32。

また、RFR は限られたサンプルを最大限に活用し、複数の決定木モデルを構築することで、決定木の多様性を高め、最終的な最適化統合モデルの精度を向上させます 33,34。 表 2 は、ランダム フォレスト回帰の関連アプリケーションを示しています。

ANN は、下水の処理効果を予測するために一般的に使用される機械学習アルゴリズムの一種です45、46、47、48、49。 ただし、ANN の主な弱点の 1 つは過学習であり、モデルの一般化可能性の低下につながる可能性があります 50、51、52。 対照的に、ランダム フォレスト回帰 (RFR) モデルは、下水処理の効果を予測するために使用される別の機械学習アルゴリズムです。 RFR モデルには、高い予測精度、高速な処理効率、強力な汎化能力など、いくつかの利点があり、過剰適合の影響を受けにくい53,54。 これらの特徴により、RFR モデルは下水処理効果を予測するための魅力的なオプションになります。

学者らは RFR を使用して、大気中の汚染物質濃度 55,56,57,58,59 と都市下水処理効果 60,61,62 を予測しました。 しかし、RFR モデルを使用した農村部の生活下水処理効果の予測と制御に関する研究は比較的少ない。

提案された方法論は、RFRソフトセンサーモデルの開発と利用を通じて、農村部の生活下水の処理効果の予測と効果的な制御の向上を達成することを目的としています。 このアプローチを利用することで、農村地域の下水処理の主要な指標を正確に監視および分析できる、信頼性が高く堅牢なソフトセンサーモデルを確立することが期待されています。 これは、潜在的な問題の特定を容易にし、その解決を支援するだけでなく、地域の生態学的条件と公衆衛生基準の全体的な改善にも貢献します。

ソフト センサーは、プロセスの監視と制御で一般的に使用される方法であり、取得が容易な他の変数の測定値に基づいて対象のプロセス変数を推定します。 ソフト センサー モデルの確立には、通常、関連する入力変数の選択、数学的モデルの設計、および履歴データを使用したモデルのトレーニングが含まれます。 結果として得られるモデルは、リアルタイムの予測と制御に使用できます。 ソフトセンサーは、化学プロセス、廃水処理、発電所などのさまざまな産業プロセスに広く適用されています。 ソフト センサーの利点には、費用対効果、柔軟性、複雑な非線形システムを処理できることが含まれます。 ソフトセンサーは、プロセスの最適化と制御のための貴重なツールであることが証明されています63、64、65、66。

RFR モデルは決定木理論に基づいて開発された統合アルゴリズムであり、バギング タイプ 67 に属します。 複数の弱学習器カート ツリーを組み合わせ、平均値を取得して複数のモデルを統合することにより、最終結果が得られます68。

RFR モデルは、サンプルと属性の撹乱を使用し、弱学習器のカート ツリーの「多様性」を高めるため、最終的な統合結果は高い精度と汎化性能を備えます69。 RFR モデルは、小さなサンプル、高次元、多分類などの実際的な問題を解決し、離散データと連続データの両方を処理できます70。 これは、ニューラル ネットワークの収束速度が遅く、大量のサンプルが必要であるという欠点を克服し、決定木の過適合または過小適合の問題も解決し、優れた適用性と普及性を備えています71。 図 1 に RFR の図を示します。

RFRモデルの図。

RFR モデルの一般的な予測方法は次のとおりです。

(1) n 回のトレーニング サンプル (n × サンプル) からランダムにサンプルを取得し、トレーニング セットを形成します (サンプルはサンプリングごとに戻されます)。 r 回繰り返してトレーニング セットを取得します:\(D_{1} ,D_{2} , \ldots ,D_{r}\)。

(2) 各トレーニング セットについて、属性セット (m × 属性) から k 個の属性がランダムに選択され、\(k = \log 2m\)、カート ツリーが確立されます:\(f_{1} (x), f_{2} (x), \ldots ,f_{r} (x)\)。

(3) ランダムフォレストの最終的な予測値は平均法によって決定されます:\(f(x) = \frac{1}{r}\sum\nolimits_{i = 1}^{r} {f_{i} (バツ)}\)。

COD濃度予測モデルの性能を評価するために、平均二乗誤差(MSE)と決定係数(r2)を評価指標として選定します。 指標は次のように計算されます。

モデルの予測値の場合は式 \(\hat{y}_{i}\)、真の値の場合は \(y_{i}\) です。

RFRモデルの特性を表3のように設定しました。

この研究では、住宅地から下水を受け取るシーケンスバッチ反応器 (SBR) を準備します。 生活下水の水源は、中国四川省成都市ピドゥ区の樹源コミュニティ(経度:103.88、緯度:30.82)です。 SBR に流入する下水は、生活排水を一次ろ過し、沈殿させたものでした。 SBR反応器(ステンレス製、800mm×800mm×1200mm)を設計、製作した。 反応器の作動容積はそれぞれ0.576 m3でした(図2)。 反応槽には撹拌機と曝気装置が設置されています。

SBRの構造。

一次濾過して沈殿させた下水は、SBR にポンプで送られました。 このポンプはポンプ A と呼ばれ、サイクルごとに 0.1856m3 の下水を SBR に供給します。 ポンプ B は、サイクルが終了したときに同量の水を SBR から輸送しました。

SBR プロセスは自動化され、PIC (プログラマブル集積回路) またはワンチップ コンピューターによって制御されます。 480 分間続くサイクルには次の段階が含まれます: 30 分間の充填および曝気ステージ、330 分間の酸化および撹拌 (曝気と撹拌を交互に行い、曝気は 10 分間継続し、撹拌は 20 分間) ステージ、60 分間の沈降ステージそして60分の退院段階。 図 3 に SBR の動作の時間管理を示します。

SBRの治療プロセス。

モニタリングの流入水と流出水のサンプルは、SBR タンクと、活性汚泥の干渉を取り除くために濾過水を通過させる収集容器から採取されました。

濾過されたpHおよび温度は、中国のLuHeng Co.によって製造されたモニタリングセンサー(pH:pHセンサーLuHeng6503;温度:温度センサーLuHeng229)によって試験された。

濾過された COD は重クロム酸カリウム法により試験され、NH3-N はネスラー試薬比色法 (SP-756P 上海スペクトルの紫外可視光度計) により試験され、TP は分光測光検出法 (SP-756P 上海スペクトルの紫外可視光度計) により試験されました。 pH と温度はセンサーによって 10 分間隔で測定されました。

センサーは、反応タンク内の最低液面より約 200 mm 低く、沈降中に形成される可能性のあるスラッジブランケットの上に取り付けられました。 すべての機器はメーカーの指示に従って校正、保守、および操作されました。

COD の典型的なプロファイルでは、流入水が前のサイクルから原子炉内に残っている処理済み下水と混合されるため、濃度が増加しました。 COD 濃度は充填段階の直後にピークに達しました。 このピークに続いて、COD 濃度は有機炭素の酸化と硝化により減少しました 72。 約 250 分の時点で、COD 濃度の減少率には明らかな変化はなくなり、サイクルの残りの期間にわたってこの変化が続きました (図 4)。

COD の典型的なプロファイル。

曝気段階中の pH プロファイルの周期的な上昇と低下 (図 5) は、曝気装置のスイッチがオンとオフになると発生し、その結果、pH プロファイルの各曝気期間にピークと谷が生じました。 この場合、曝気期間に対応する pH の上昇は、CO2 ストリッピングによるものと考えられます 73。 20 分間の撹拌期間中の pH プロファイルの低下は、二酸化炭素を放出する微生物の活動によるものと考えられます 74。

pH の典型的なプロファイル。

わかったように、サイクルの初期段階では、後期よりも pH の低下が激しくなりました。これはおそらく COD 濃度が異なるためです。COD 濃度が高いほど、微生物の活性が高くなります。 一般に、硝化の進行中にアルカリが消費されると、pH が低下します。 脱窒の進行により、おそらく中期および最終段階で全体的な pH が上昇します 75。

エアレーターのスイッチがオンとオフになると、曝気段階中に pH プロファイルの周期的な上昇と低下が発生し、その結果、pH プロファイルの各曝気期間にピークと低い谷が生じました 76。

流入水が前のサイクルから反応器内に残っている処理済み廃水と混合されるにつれて、温度が急速に低下する典型的なプロファイル。 温度は充填フェーズの直後に底に達しました。 この底に続いて、微生物の活動により温度が上昇しました。 約 250 分では、温度上昇率に明らかな変化はなくなり、サイクルの残りの期間にわたってこの変化が続きました。 図 6 は、サイクル全体における温度変化を示しています。

温度の一般的なプロファイル。

サイクルの初期段階では、後期よりも温度の上昇が激しくなったことがわかりました。これはおそらく汚染物質の濃度が異なるためです。汚染物質の濃度が高いほど、微生物の活動が活発になり、これが温度変化の主な理由です。 特定のサイクルにおける下水温度の全体的な変動は比較的小さく、環境の熱伝導と微生物代謝に大きく影響されますが、主にポンプやエアレーターによる機械的熱伝達は下水温度の変動にほとんど影響しません。処理温度77.

RFR モデルの原理によれば、モデリング プロセスは次の 4 つのステップに分かれます。(1) サンプル データの収集。 (2) 特徴の重要性の決定とランク付け。 (3) 適切な量の重要な特徴を選択するために、異なる数の特徴がランダム フォレスト モデルに追加されました。 (4) 実際に適用される RFR モデル。

運転プロセスデータに基づいて、RFRソフトセンサーモデルを使用してSBR排水のCOD予測モデルを確立します。これは、図に示すように、排水品質の迅速な予測を実現し、廃水処理プロセスの効率的かつ安定した運転の基礎を提供します。 。 7。

SBR手順とRFRアルゴリズムの間の技術的なバランス。

この場合、COD の減少に伴って温度値が上昇することが観察され、COD 除去の終了を特定するのに役立つと考えられました。

生化学反応の初期段階では微生物の同化作用が激しく、多量のCO2が発生します。 初期段階の測定結果(図5)によれば、アナボリズムによるCO2量は明らかにエアレーションによるCO2量よりも多くなります。 さらに、有機物は有機酸を生成し、pH値はさらに低下します。 残留有機物が少なくなったことで CO2 や有機酸の生成が減少し、この期間中中間および最終段階での脱窒が優勢になったことが全体的な pH 値の上昇に寄与しました。 したがって、有機物の違いに応じてpH値が減少または増加することが観察され、CODの残存量を特定するのに有用であると考えられました。

pH、温度、隣接する測定値における pH と温度の変化など、多数の未処理および処理済みの入力変数が構築され、独立変数のセットに追加されました。 選択された処理済み入力変数は、プロファイル特徴を使用して構築されました。

pH と温度が未処理の変数として取得されることの利点は、それらを検出するのが簡単で簡単であることです。 また、pHや温度のセンサーは低コストであるだけでなく、満足のいく測定精度を備えています。

各変数セットには、入力変数の固有のコレクションが含まれています (表 4)。 各 480 分サイクル内で、充填期間と沈降期間の影響を排除するために、0 ~ 30 分および 361 ~ 480 分に収集されたデータは除外されました (これらの段階は治療サイクルの生物学的反応段階の一部ではないため)。

40 回の治療サイクルからのデータが収集され、そのうち 12 個 (30%) がテスト データセットとして使用するためにランダムに分離され、残りはトレーニング データセットとして使用されました。

RFR ソフト センサー モデルの有効性は 5 つの基準にわたって評価されました。 CODの排水基準値は30mg/lと設定されました。 排水基準値は地域の規制により異なる場合があります。 評価基準を表 5 に示します。

表 6 は、流入水と流出水の関連パラメータを示しています。

ピアソン相関係数は、2 つの変数間の線形関係の強さと方向を決定するために使用される統計的尺度です。 変数相関ランキングにおけるピアソン相関係数の適用の要点は次のとおりです。 (1) ピアソン相関係数は、各独立変数間の相関係数を計算することによって最も重要な独立変数を選択するために重回帰分析で一般的に使用されます。 (2) 相関係数の範囲は - 1 ~ 1 であり、絶対値が大きいほど相関が強いことを示します。 (3) 相関係数の値が 0 に近い場合、2 つの変数間の相関が非常に弱く、独立していると見なすことができることを示します。

RFR のトレーニング効果を保証するために、ピアソン係数法を使用して被験者の相関関係を調査し、相関関係の弱い変数を削除しました。 無効な変数の発生を防ぎ、過剰適合を回避し、モデルのトレーニング パフォーマンスを向上させるために、変数の重要性の正規化スコアとみなされ、正規化されたピアソン相関係数値が 0.01 未満である変数はすべて削除されました。 結果として得られる変数重要度順序図の正規化スコアは、COD 濃度に影響を与える 12 の要因を示しています (図 8)。 ΔTがCOD濃度に最も大きな影響を及ぼし、T、Tav、pHapex-nadirなどがそれに続くことが判明した。

各変数重要度スコアのランキング。

40 回の治療サイクルからのデータが収集されました。 データ全体の 70% (28 治療サイクル) が RFR モデルのトレーニング セットとしてランダムに選択され、30% (12 治療サイクル) がモデルの精度を検証するためのテスト セットとして選択されます。

変数重要度スコアのランキングに基づくと、温度関連変数が上位 3 位を占めていることがわかります。 したがって、温度関連の変数がデータ分析において主要な役割を果たしていると結論付けることができます。 いくつかの研究では、廃水処理バイオリアクター内の微生物群集の代謝活動が水温の上昇を引き起こす可能性があることが示されています78,79。 これは、反応器内の微生物が有機物の分解・代謝により多量の熱を発生し、反応器内の温度が上昇するためです。 さらに、pH は確かに寄与因子ではありますが、その重要性は pHapex-nadir ほど強くないことに注意する必要があります。 pHapex-nadir は、各曝気期間の pH 頂点値から pH 最低値を引いて計算され、20 分間の撹拌中に微生物の活動によって生成される二酸化炭素の量を効果的に定量化します。

変数セットを選択するために、図 9 に示すように、変数の重要性に応じて異なる数の変数が選択され、RFR モデルに追加されました。上位 7 つの変数が選択されると、トレーニング セットとテスト セットの R2 は増加せず、MSE も明らかに減少しませんでした。そのため、上位 7 つの変数が、最適化された RF モデルの変数として選択されました。具体的には、次のとおりです。ΔT、T、Tav、pHapex-nadir、 pH、pHav、ΔpH。

変数の量が異なる評価指標。

図 10 は、テストセットでの COD 濃度の予測値と測定値の比較を示しています。

COD濃度の予測値と実際/測定値の比較。

COD 劣化の傾向、および予測値と測定値の間の偏差は、図 10 に示す曲線の変化から観察できます。予測値により、単一処理内での処理効果と汚染物質の劣化レベルを大まかに推定できます。サイクル。 真の値と予測値の間の精度は完全ではないかもしれませんが、わずかな不一致はプロセスの初期段階にのみ存在し、すぐに消えます。

下水処理の過程において、CODの変化は運転条件における様々な不確定要素の影響を受けます。 これらの要因により、処理のさまざまな段階で COD の予測精度に大きな差が生じる可能性があります。 初期段階では、これらの不確実な要因の影響が強くなり、予測値と測定値の間に明らかな誤差が生じます。 時間の経過とともに加工条件は安定する傾向があり、COD変化に対する不確実要因の影響が徐々に減少し、予測値と実測値の誤差が減少します。

したがって、提案された方法論では、予測値と測定値の間の誤差の大きさは主に処理段階の影響を受けます。 初期段階では誤差が比較的大きい場合がありますが、時間の経過とともに誤差は徐々に減少し、最終的にはより正確な予測効果に達します。

RFR ソフト センサー モデルの出力は、特定のシナリオにおける水質の予測値として機能し、廃水処理プロセスの最適化に役立ちます。 これは、エネルギー消費を削減し、化学および生物学的プロセスの効率を高めることで達成できます。 具体的には、予測された COD 値が排水基準値を下回った場合、プロセスは直ちに沈降モードに移行し、撹拌機と曝気機のスイッチがオフになり、サイクルが終了します。 この方法では、精度に欠ける固定時間制御アプローチとは対照的に、人工知能と自動制御システムによってサイクルの完了を制御できます。 これを図 11 に示します。

サイクルの条件が終了します。

表 7 に、テスト セット 1 ~ 12 の評価結果を示します。

RFR は、予測分析タスク、特に回帰問題に使用される機械学習モデルです。 RFR は、複数のデシジョン ツリー モデルを組み合わせて、より堅牢で正確な予測子を作成するアンサンブル学習方法です。

RFR アルゴリズムは、入力変数のサブセットとトレーニング データのサンプルをランダムに選択してデシジョン ツリーを構築し、それらがフォレストに結合されます。 予測中に、RFR モデルは個々のデシジョン ツリーの出力を集約して、最終的な予測を生成します。 このアプローチは、過剰適合の影響を軽減し、出力データに対するモデルのパフォーマンスを向上させるのに役立ちます。

下水処理プラントのコンテキストでは、RFR ソフト センサー モデルを使用して、より単純な直径を通じて水質 (COD) を予測できます。これにより、複雑で高価なセンサーが置き換えられます。 純正 COD センサーはオプションですが、いくつかの理由や要因によって不適合となり、特定の問題が発生する可能性があります。(1) 純正 COD センサーは通常、高価です。 (2) 下水中に浮遊物質が存在するため、純正 COD センサーで測定される COD 値は不安定で、大きな変動を示す場合があります。 (3) 純正 COD センサの中には、二重結合を持つ有機化合物を感度よく検出できるものもありますが、二重結合を持たない有機化合物は検出できないため、誤差は無視できません。

さらに、RFR モデルは、ニューラル ネットワークの収束速度の遅さと必要なサンプル数の多さという欠点を克服します。 ニューラル ネットワークは、データの複雑なパターンを学習できる強力なモデルです。 ただし、ニューラル ネットワークのトレーニングには計算コストがかかり、大量のデータが必要になる場合があります。 特に、ディープ ニューラル ネットワークや大規模ネットワークでは、複数回の反復を通じて学習する必要があるパラメーターの数が非常に多いため、トレーニング中に収束するまでに長い時間がかかることがあります。

対照的に、RFR モデルは複数の決定木モデルで構成され、それぞれがデータのランダムなサブセットでトレーニングされます。 このアプローチには利点があります。(1) 各デシジョン ツリー モデルは小規模なデータセットでも適切に機能するため、RFR モデルはニューラル ネットワークほど多くのデータを必要としません。 (2) RFR モデルは簡単に並列化できるため、マルチコア コンピューター システム上のニューラル ネットワークよりも迅速にトレーニングできることになります。

提案手法では、汚染物質除去技術で用いられる手法(表1)と比較して、入手が容易な2種類の生データのみで済むため、データ取得の負担が大幅に軽減されます。 提案された方法論の弱点は、進捗の最初の段階では、予測値が測定値と予測値の間でそれほど正確ではないことです。 さらに、表 7 に示すように、RFR モデルの R2 と MSE が満足のいくものではない場合でも、カットオフ閾値での予測精度は良好であり、これは工学分野では非常に懸念されています。

提案された方法論を実際に適用すると、アンモニアやリンなどの他の指標が基準を満たさない一方で、COD 値が基準を満たしている可能性があります。 この問題に対処するために、pH と温度を変数として使用して関係モデルを確立し、他のパラメーターを予測できます。 ただし、このアプローチは人工知能の手法のみに限定されます。 さらに、下水処理時間は一般的に一定の範囲内にあり、予測結果がこの範囲を超える場合、提案された方法論の出力結果は修正が必要であると見なされるなど、経験的な判断システムを確立することができます。

予測精度を向上させるために、入力変数として導電率やその他のすぐに利用できるパラメーターを増やします。 詳細な議論は次のとおりです。

導電率、MLSS、DO、アンモニアなどの変数も COD を予測するための前提として使用できます。 提案された方法論の精度と効率への影響は次のとおりです。 (1) 一般に、下水処理プロセスでは、溶液の電気伝導率は徐々に低下する傾向を示し、これは COD 値の減少に関連しています。導電性により精度と効率が向上する可能性があります。 (2) MLSS は徐々に増加する傾向を示すはずですが、1 サイクル (480 分) では MLSS の変化は明らかではありません。 さらに、MLSS センサーの精度は廃水の色の影響を受けやすく、センサーによって測定されるデータの不確実性が明らかに増加します。 (3) SBR は曝気・撹拌周期に従って動作し、DO は増加・減少周期変化を示しますが、これは明らかに COD 値の変化傾向と相関関係がありません。 (4) 下水処理過程において、一般に溶液中のアンモニア濃度は COD と同様に徐々に減少します。 ただし、溶存酸素が不足して硝化が阻害される場合など、CODを低減してもアンモニア値が大きく下がらない場合もあります。 これら 2 つのパラメーターの変化は非同期であるため、アンモニアを変数として使用して COD を予測すると、分析に不確実性が生じる可能性があります。

5 分ごとにデータを収集するなど、データ取得の頻度を暗号化すると、5 分前に予測できるようになり、提案された方法論の効率がさらに向上します。

アンモニアとリンを予測対象として追加して、有機排水指標と無機排水指標のバランスをとり、実用性を向上させます。

シンプルで安定したセンサー (pH、温度) を利用して、プロセス全体の COD 値を予測しました。 この研究で採用された RFR モデルは、治療効果のモニタリングを支援する「ソフト センサー」とみなすことができます。

SBR は、人工知能と自動制御システムを使用して最適化され、自動化を強化し、時間とエネルギーの両方を節約しました。 pH センサーと温度センサーがデータを収集し、それが RFR モデルに入力され、モデルはリアルタイム COD 値を出力しました。 COD予測値が排水基準値を下回ると、撹拌装置と曝気装置を停止してサイクルを終了し、そのまま沈殿モードに入ります。 提案された方法論は、制御されていなかった固定時間制御を置き換えました。 12 のテスト ケースでは、COD 除去率 (%) は約 91.075 で、平均 24.25% の時間またはエネルギーが節約されました。 これらの結果は、このアプローチが処理能力を向上させ、エネルギー消費を削減し、低炭素技術となることを示しています。

テスト セットの R2 は約 0.791 ですが、高すぎるわけではありませんが、COD のカットオフしきい値での精度は約 91% であり、予測には許容範囲です。 汚染物質の処理効果や分解レベルをいつでも簡単に、かつほぼ正確に把握できます。 実際の値と予測値の間ではそれほど正確ではありませんが、恥ずかしさは進行の前半に発生しただけで、すぐに消えました。 序盤よりも中終盤の精度が重要となるが、その理由を以下に説明する。 人工知能と自動制御システムにより最適化された方法が導かれましたが、COD 値の予測精度が満足できることが前提条件となります。 事実に基づいて、精度要件は管理されたシナリオの各段階で異なります。中期および最終段階、特に排水基準準拠の段階に近づくと、精度と精度がより重視されます。 ただし、初期段階では、精度は制御戦略に大きな影響を与えません。

SBR プロセスにおける pH 値の時間変化の非線形性と不確実性により、異なるアルゴリズムと ANN 法によるオーバーフィッティングにより、予測結果は不安定になります。 RFR は構造的な前処理の並列情報分散と保存により、強力な耐障害性と学習を通じて外部環境に適応する能力を備えています。 パターン認識と包括的な推論の能力は、間違いなく実験研究に幅広い展望を開きます。

この研究の限界の 1 つは、SBR 手法のみに焦点を当てていることです。 ただし、他の技術、特にバッチ式廃水処理システムに対応するために手順を変更する可能性が存在します。 5 分ごとにデータを収集するなど、データ収集の頻度を増やすことで、最大 5 分前までに要因を予測できる可能性があり、それによって提案された方法論の効率がさらに向上します。 実用性を高めるために、アンモニアとリンを予測ターゲットに含めることができます。これは、有機廃水指標と無機廃水指標のバランスを取るのに役立つためです。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

Chen, P.、Zhao, W.、Chen, D.、Huang, Z. & Zhang, C. 農村家庭下水の統合処理技術に関する研究の進歩: レビュー。 ウォーター 14(15)、2439–2439 (2022)。

記事 Google Scholar

Wang, C. et al. 中国全土の農村部の家庭下水排出量と質の空間的変動に影響を与える要因を明らかにする。 プロセスセーフ。 環境。 プロット。 162、200–210 (2022)。

記事 CAS Google Scholar

Srivastava、G. et al. 前無酸素セレクターが取り付けられた本格的なシーケンスバッチ反応器における同時栄養素除去に対する廃水の変動の影響。 内部。 J.Environ. 科学。 テクノロジー。 1、1–18 (2022)。

CAS Google スカラー

Masloń, A. シーケンスバッチ反応器の技術効率に対する不均一な流れの廃水分布の影響。 サステナビリティ 14(4)、2405 (2022)。

記事 Google Scholar

Alhazmi, HE、ying, Z.、Grubba, D.、Majtacz, JB & Mąkinia, J. 実験室規模のシーケンスバッチ反応器における、異なる DO 濃度での脱アンモニア効率の比較。 水 14(3)、368 (2022)。

記事 CAS Google Scholar

Chen, D. & Li, H. 低強度および低 COD/TN 比の都市廃水を処理するためのシーケンスバッチ反応器におけるテーパーエアレーションによる好気性粒状汚泥の同時部分硝化および脱窒性能の強化。 環境。 解像度 209、112743 (2022)。

論文 CAS PubMed Google Scholar

Schwitalla、P. et al. シーケンスバッチ反応器における NH4+ の吸着/脱着: シミュレーション、実験室および本格的な研究。 水科学テクノロジー。 58(2)、345 (2008)。

論文 CAS PubMed Google Scholar

Kauder, J.、Boes, N.、Pasel, C. & Herbell, JD シーケンスバッチ反応器シミュレーションでのモデル ADM1 と ASM2d の組み合わせ。 化学。 工学テクノロジー。 30(8)、1100–1112 (2007)。

記事 CAS Google Scholar

Wang, J.、Zhao, X.、Guo, Z.、Yan, P.、Gao, X. 下水処理プラントにおけるエネルギーと材料の節約のための人工ニューラル ネットワークに基づく全体像の管理手法。 環境。 解像度 211、113054 (2022)。

論文 CAS PubMed Google Scholar

Alharbi, M.、Hong, P.-Y.、Laleg, K.、Taous, M. スライディング ウィンドウ ニューラル ネットワークに基づいた下水処理プラント内の細菌のセンシング。 J. プロセス コントロール 110、35–44 (2022)。

記事 CAS Google Scholar

Salim, H.、Hilal, L.、Samir, F. 一般化回帰ニューラル ネットワーク ベースのアプローチを使用した、下水処理プラントにおける排水の生化学的酸素要求量の予測: 比較研究。 環境。 プロセス。 3(1)、153–165 (2016)。

記事 Google Scholar

Sharghi, E.、Nourani, V.、Ashrafi, AA、Gökçekuş, H. クラスタリング ベースの人工ニューラル ネットワーク手法による下水処理プラントの排水品質の監視。 デサリン。 ウォータートリート。 164、86–97 (2019)。

記事 CAS Google Scholar

Hasanlou, H.、Abdolabadi, H.、Aghashahi, M. 主成分分析と人工ニューラル ネットワークのハイブリッド アプローチを使用した、大規模工業廃水処理プラント シミュレーションにおける因子分析の応用。 環境。 プログレ。 持続する。 エネルギー 34(5)、1322–1331 (2015)。

記事 CAS Google Scholar

Sadek, AH、Fahmy, OM、Mahmoud, N. & Mostafa, MK 機械学習と人工知能技術により、水溶液からナノゼロ価アルミニウム (nZVAl) への Cu (II) の吸着を予測します。 サステナビリティ 15(3)、2081 (2023)。

記事 CAS Google Scholar

Faiz, AA、Mahmoud, N.、Ismail, R. & Faizal, B. 藻類ベースの三次廃水処理による人工ニューラル ネットワークと技術経済推定。 J. 水プロセス工学 40、101761 (2021)。

記事 Google Scholar

Mohamed, GA & Mahmoud, N. 電子フェントンプロセスによるダイアジノンで汚染された水の処理: 動作パラメータの影響と人工ニューラルネットワークモデリング。 デサリン。 ウォータートリート。 182、277–287 (2020)。

記事 Google Scholar

Mithil、KN et al. ポリカチオン複合吸着剤を使用した Cr(VI) 除去の人工ニューラル ネットワークとコストの推定。 水環境。 J. 34(S1)、29–40 (2019)。

Google スカラー

Fmahmoud, N.、Karam, M.、Michael, A. & Ibrahim, MG 第 9 章 - 人工知能技術を使用した廃水処理プラントの持続可能な管理。 ソフトコンピューティングテクノロジー。 固形廃棄物排水管理 1、171–185 (2021)。

Google スカラー

ナシア、D. et al. 汚泥のバルキングが発生している下水処理プラント内の糸状細菌を包括的に評価するための人工知能と多変量統計。 環境。 テクノロジー。 イノヴ。 19、1 (2020)。

Google スカラー

アルベルト、P. et al. ニューラル ネットワーク: 初期の研究、現在のフレームワーク、および新たな課題の概要。 ニューロコンピューティング 214、242–268 (2016)。

記事 Google Scholar

Emon, M. & Mohaiminul, I. 人工ニューラル ネットワークの概要。 午前。 J.Comput. 科学。 応用 3(16), 1 (2019)。

Google スカラー

Kudus, SA et al. 具体的な人工ニューラル ネットワークの現在の応用の概要。 上級メーター。 解像度 626(626)、372(2012)。

記事 Google Scholar

ゼリン、L.ら。 地球規模の気候変動と生態学的研究における人工ニューラル ネットワークの応用: 概要。 顎。 科学。 ブル。 55(34)、3853–3863 (2010)。

記事 Google Scholar

Bhattacharjee, A.、Murugan, R.、Soni, B. & Goel, T. Ada-GridRF: 肺がん検出のための高速で自動化された適応ブースト ベースのグリッド検索に最適化されたランダム フォレスト アンサンブル モデル。 物理学。 工学科学。 医学。 45(3)、981–994 (2022)。

論文 PubMed Google Scholar

Sun, D.、Xu, J.、Wen, H. & Wang, Y. 地滑り感受性マッピングにおける最適化されたランダム森林モデルとその一般化機能:​​ 中国の三峡貯水池の 2 つの地域での応用。 J. アース サイエンス 31(6)、1068–1086 (2020)。

記事 Google Scholar

マテオ、PV、メサ、FJM、ビジャヌエバ、BJ & アロンソ、Á。 C. 都市の下水処理場からの入口廃水中の FOG 含有量を予測するためのランダム フォレスト モデル。 水 13(9)、1237 (2021)。

記事 Google Scholar

Pengxiao, Z. et al. 下水処理場における流入量予測のためのランダムフォレストモデル。 ストッチ。 環境解像度リスク評価。 33(10)、1781–1792 (2019)。

記事 Google Scholar

Olshen, RA、Leo, B. & Jerome, F. 分類および回帰ツリー。 Chapman and Hall Press:ロンドン、英国 1、10 (2017)。

Google スカラー

Ferrante, M.、Demarco, P. & Origgi, D. OD177 - イタリアの新しい規制に準拠した実効線量および実効線量のクラスを予測するための CT データのランダム フォレスト回帰。 物理学。 医学。 92、S138 (2021)。

記事 Google Scholar

Srimathi, S.、Yamuna, G.、Nanmaran, R. 肺がんのセグメンテーションおよびランダム フォレスト分類用のガボール フィルターを使用した、しきい値ベースの確率回帰モデル。 J.Comput. 理論。 ナノサイエンス。 16(4)、1666–1673 (2019)。

記事 CAS Google Scholar

Cristina, Z. ランダム フォレスト回帰による銀行のシステミック リスクとバランスシートの流動性代理との関係のモデル化。 管理者。 科学。 10(3)、52 (2020)。

記事 Google Scholar

Yihui, C. & Minjie, L. ランダムフォレスト回帰と平均影響値に基づくお茶の生産に影響を与える要因の評価。 農業。 エコン。 65、340–347 (2019)。

Google スカラー

Luo, Y.、Yan, J.、Mcclure, SC、Li, F. 地理的加重ランダムフォレスト回帰モデルを使用した中国の貧困の社会経済的および環境的要因。 環境。 科学。 汚染。 解像度内部。 29(22)、33205–33217 (2022)。

論文 PubMed PubMed Central Google Scholar

Song, HE、Jianhua, WU、Wang, D. & Xiaodong, HE ランダム フォレストを使用した地下水硝酸塩汚染の予測モデリングとその主な影響因子の評価。 Chemosphere 290、133388 (2021)。

Google スカラー

Zhangwen, SU、Lin, L.、Chen, Y. & Hu, H. ランダム フォレスト回帰を使用して、2015 年から 2020 年までの長江デルタにおける PM2.5 濃度の分布と要因を理解します。 環境。 モニト。 評価。 194(4)、284 (2022)。

記事 Google Scholar

Wang, Q. et al. ランダム フォレスト回帰を使用した 1911 年から 2010 年の沮江流域の人口分布の空間的に明示的な再構成。 登録環境。 22(1)、1 (2022) を変更します。

記事 Google Scholar

Wang、F.ら。 ランダムフォレスト回帰とモデル解釈に基づく水質の空間的不均一性モデリング。 環境。 解像度 202、111660 (2021)。

論文 CAS PubMed Google Scholar

Shijun, C. et al. ランダムフォレスト回帰モデルに基づく中長期流出予測。 給水 20(8)、3658–3664 (2020)。

記事 Google Scholar

Harrison, JW、Lucius, MA、Farrell, JL、Eichler, LW & Relyea, RA ランダム フォレスト回帰を使用した、高周波センサーからの河川の窒素とリンの濃度の予測。 科学。 トータル環境。 763、143005 (2020)。

論文 ADS PubMed Google Scholar

ウェイラン、Y.ら。 高汚染都市における屋内微粒子物質濃度を予測するためのランダムフォレスト回帰および多重線形回帰の評価。 環境。 汚染。 245、746–753 (2018)。

Google スカラー

Kronholm, SC、Capel, PD、Terziotti, S. は、小さな川の全窒素負荷を推定するために、基本的な流域変数を統計的に抽出しました。 環境。 モデル。 評価。 21(6)、681–690 (2016)。

記事 Google Scholar

Shi、GYら重回帰とランダム フォレストを使用して、環境要因に対するマイナス空気イオンの応答をモデル化します。 エコ。 知らせる。 66、1 (2021)。

Google スカラー

Keramat, JM、Saeid, MS、Mousazadeh, H.、Ghasemi, VM & Rahimi, MM kNN およびランダム フォレスト回帰法を使用した、オンライン画像属性に基づく乾燥デーツ フルーツ チップのリアルタイム水分率研究。 測定 10、8899 (2020)。

Google スカラー

Balogun, AL & Tella, A. ランダム フォレスト、決定木回帰、線形回帰、およびサポート ベクター回帰を使用した相関分析を使用して、マレーシアのオゾン濃度に対する気候変数の影響をモデル化および調査します。 Chemosphere 299、134250 (2022)。

論文 ADS CAS PubMed Google Scholar

Wang、J.ら。 下水処理プラントのエネルギーと材料を節約するための人工ニューラル ネットワークに基づく全体的な管理方法。 環境。 解像度 211、113054 (2022)。

論文 CAS PubMed Google Scholar

Fernandez de Canete, J. & Del Saz-Orozco, P. 最適なニューラル ネットワークを使用した生物学的廃水処理プラントにおけるプラント排水濃度のソフトセンシング推定。 エキスパートシステム。 応用 63、8–19 (2016)。

記事 Google Scholar

He, F.、Wang, J. & Chen, W. バックプロパゲーション人工ニューラル ネットワークに基づく下水処理プラントのクリーナー生産評価。 ニューロクアントル。 16(6)、1 (2018)。

Google スカラー

Zhao, HY、Huang, FL、Li, L. & Zhang, CY GA-BP ニューラル ネットワークに基づく廃水嫌気性消化処理の最適化。 デサリン。 ウォータートリート。 122、30–35 (2018)。

記事 CAS Google Scholar

Junfei, Q.、Gaitang, H.、Honggui, H.、Wei, C. ルール適応型リカレント ファジー ニューラル ネットワークに基づく廃水処理制御手法。 内部。 J.インテル. 計算します。 サイバーン。 10(2)、94–110 (2017)。

記事 Google Scholar

渡辺 S. & 山名 H. 訓練されたネットワークの重みを使用した畳み込みニューラル ネットワークの過学習測定。 内部。 J.データサイエンス。 アナル。 14(3)、261–278 (2022)。

記事 Google Scholar

Kai, I.、Yuta, O.、Moriya, N. 光通信システムにおけるマルチレベル信号に対する人工ニューラル ネットワーク ベースの非線形イコライザーの過学習。 OPTOカンファレンス、2020年。

Oyedotun, OK、Olaniyi, EO & Khashman, A. ニューラル ネットワーク学習におけるオーバーフィッティングのシンプルかつ実践的なレビュー。 内部。 J.Appl. パット。 認識します。 4(4)、307–328 (2017)。

記事 Google Scholar

テネシー州バスカーク 森林の調査と木のサンプリング: 調査研究に応用できる分類木と回帰木、およびランダム フォレストの概要。 生き残る。 練習してください。 11(1)、1–13 (2018)。

MathSciNet Google Scholar

Matthias, S. & Rosie, YZ 統計学習のためのランダム フォレスト アルゴリズム。 立つ。 ゲノム科学。 20(1)、3–29 (2020)。

Google スカラー

Kim, B.、Cha, JW、Chang, K. & Lee, C. ランダム フォレストに基づく韓国上空の視程予測。 アトモスフィア12(5)、552(2021)。

記事 ADS CAS Google Scholar

マッシモ、S.ら。 スウェーデンにおける毎日の粒子状物質、二酸化窒素、オゾンを高空間分解能で推定するためのランダム フォレスト アプローチ。 アトモスフィア 11(3)、1 (2020)。

Google スカラー

Rubal, DK Evolving 大気汚染を予測するためのランダム フォレストを使用した差分進化法。 手順計算します。 科学。 132、824–833 (2018)。

記事 Google Scholar

Shamsoddini, A.、Aboodi, MR および Karami, J. ランダム フォレスト特徴選択法に基づいたテヘランの大気汚染物質予測です。 内部。 アーチ。 フォトグラム。 Remote Sens. Spatia 4、483–488 (2017)。

記事 Google Scholar

Shi、G.-Y. 他。 重回帰とランダム フォレストを使用して、環境要因に対するマイナス空気イオンの応答をモデル化します。 エコル。 情報 66、1 (2021)。

記事 Google Scholar

ミン、JSら。 ランダムフォレストアプローチを使用した本格的な生物学的窒素除去システムからの N2O 排出の主な影響者の特定。 水耐性 184、116–144 (2020)。

Google スカラー

ビトリーノ、D. et al. 条件に基づいた廃水劣化のモデリングと予測に適用されるランダム フォレスト アルゴリズム。 手順工学 89、401–410 (2014)。

記事 Google Scholar

ブラス議員とソラノDF 下水道網における産業汚染源の位置を特定し、推定する。 センサー 21(10)、3426 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Medl, M.、Rajamanickam, V.、Striedner, G. & Newton, J. ハイスループット発酵システム用の人工ニューラル ネットワーク ベースの光学濃度ソフト センサーの開発と検証。 J. プロセス 11(1)、297–307 (2023)。

記事 CAS Google Scholar

コング、QM、ボー、G.-H. & Shi、H.-Y. ASPモデルとRBFニューラルネットワークに基づく下水処理場用CODの統合ソフトセンサー。 J.Meas. コントロール 56(1–2)、295–303 (2023)。

記事 Google Scholar

Hema, P. et al. 産業向けの堅牢なソフト センサー システム: リアルタイムのケース スタディを通じて評価されます。 J.Meas. 上院議員第 24 条 1 (2022)。

Google スカラー

Severino、AGV、De、LJMM および De、AFMU 改良された PSO によって最適化された産業用ソフト センサー: 深い表現学習アプローチ。 J. Sens. 22(18)、6887–6899 (2022)。

記事 ADS Google Scholar

Dimitriadis, SI & Liparas, D. ランダム フォレストはどの程度ランダムですか?アルツハイマー病の構造イメージング バイオマーカー サービスに関するランダム フォレスト アルゴリズム: アルツハイマー病神経イメージング イニシアチブ (ADNI) データベースより。 神経再生。 解像度 13(6)、962–970 (2018)。

論文 PubMed PubMed Central Google Scholar

ハイメ、LS 他。 分類予測モデリングのためのランダム フォレスト変数選択方法の比較。 エキスパートシステム。 応用 134、93–101 (2019)。

記事 Google Scholar

Christopher, S.、Margaret, GS、Chuck, EB & Anders, K. ランダム フォレスト アプローチを使用した、ブリティッシュ コロンビア州南部山脈の露出した岩盤被覆の半自動分類。 地形学 285、214–224 (2017)。

記事 Google Scholar

Hristos, T. & Georgia, P. 水科学者および実践者向けのランダム フォレストと水資源における最近の歴史についての簡単なレビュー。 水 11(5)、910 (2019)。

記事 Google Scholar

カマクシャイア M. & プラサダ ラオ SS 国際通貨取引へのランダム フォレスト予測の適用性: 言語による調査。 内部。 J.バス。 アナル。 知性。 6(1)、47–57 (2018)。

Google スカラー

Shu、FY、Joo、HT & Yu、L. 好気性顆粒の形成に対する基質窒素/化学的酸素要求量比の影響。 J.Environ. 工学 131(1)、86–92 (2005)。

記事 Google Scholar

Tanwar, P.、Nandy, T.、Ukey, P. & Manekar, P. オンライン モニタリング パラメーター、pH、DO、ORP と、断続的循環プロセス バイオリアクター システムにおける栄養素除去との相関関係。 ビオレ。 テクノロジー。 99、7630–7635 (2008)。

記事 CAS Google Scholar

Chang, CH & Hao, OJ 栄養素除去のためのシーケンスバッチリアクターシステム: ORP と pH プロファイル。 J.Chem. テクノロジー。 バイオテクノロジー。 内部。 解像度プロセス環境。 クリーンテクノロジー。 67、27–38 (1996)。

CAS Google スカラー

Tong, Q.、Mao, Z.、および Sun, L. SBR による埋め立て浸出水処理プロセスにおける DO と pH 値の変動。 手順アンヌ。 会う。 中国ケイ酸塩協会環境。 守る。 325–328 (2007)。

Shane, F.、Mcdermott, J.、Doherty, E.、Cooney, R. & Clifford, E. ニューラル ネットワークと回帰モデリングを適用して、シーケンス バッチ リアクターにおける環境規制への準拠とエネルギーの最適化を可能にします。 サステナビリティ 14、4098 (2022)。

記事 Google Scholar

Hao, X.、Sun, S.、Li, J. & Liu, R. 水処理プロセスの温度モデルの確立と検証。 J.Environ. 科学。 (中国) 42(12)、1–11 (2022)。

CAS Google スカラー

Pochwała, S. & Kotas, P. ヒートポンプを利用して下水処理場から廃水熱を取得する可能性: ケーススタディ。 E3S Web会議 44、144–144 (2018)。

Liang, J.、Zhang, P.、Cai, Y.、Wang, Q.、Zhou, Z. 熱効果。 水環境。 解像度出版物。 水環境。 FRB。 92(10)、1406–1411 (2020)。

リファレンスをダウンロードする

この研究は、中国四川省科学技術計画の主要研究開発プロジェクト (22ZDYF1876) によって支援されています。

成都理工大学材料環境工学部、成都、中国

邱成 & 李強林

Huicai Environmental Technology Co., Ltd.、徳源鎮、ピドゥ地区、成都市、四川省、中国

ジャン・チュンホン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

CQ、CZ、QL が主要な原稿テキストとすべての図と表を書きました。 著者全員が原稿をレビューしました。

李強林への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Cheng, Q.、Chunhong, Z. & Qianglin, L. シーケンスバッチ反応器で家庭廃水を処理するためのランダムフォレスト回帰ソフトセンサーモデルの開発と応用。 Sci Rep 13、9149 (2023)。 https://doi.org/10.1038/s41598-023-36333-8

引用をダウンロード

受信日: 2023 年 2 月 22 日

受理日: 2023 年 6 月 1 日

公開日: 2023 年 6 月 5 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。