Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán chất lượng nước bằng cảm biến mềm trong quá trình yếm khí sử dụng mạng nơ-ron sâu được tối ưu hóa bởi Ước lượng Parzen có cấu trúc cây
Tóm tắt
Quá trình yếm khí được coi là một quy trình xanh và bền vững do phát thải carbon thấp và tiêu thụ năng lượng tối thiểu tại các nhà máy xử lý nước thải (WWTPs). Tuy nhiên, một số chỉ số chất lượng nước không thể đo được theo thời gian thực, do đó ảnh hưởng đến sự phán đoán của các nhà vận hành và có thể làm tăng tiêu thụ năng lượng cũng như phát thải carbon. Một trong những giải pháp là sử dụng kỹ thuật dự đoán bằng cảm biến mềm. Bài báo này giới thiệu phương pháp dự đoán chất lượng nước bằng cảm biến mềm dựa trên Đơn vị hồi tiếp có cổng hai chiều (BiGRU) kết hợp với Hồi quy tiến trình Gaussian (GPR) được tối ưu hóa bằng Ước lượng Parzen có cấu trúc cây (TPE). TPE tự động tối ưu hóa các siêu tham số của BiGRU, và BiGRU được đào tạo để thu được dự đoán điểm với GPR cho dự đoán khoảng. Sau đó, một nghiên cứu trường hợp ứng dụng phương pháp dự đoán này cho một quá trình yếm khí thực tế (2500 m3/ngày) được tiến hành. Kết quả cho thấy TPE đã tối ưu hóa hiệu quả các siêu tham số của BiGRU. Đối với dự đoán điểm của CODeff và sản lượng biogas, các giá trị R2 của BiGRU, lần lượt là 0.973 và 0.939, đã tăng từ 1.03% đến 7.61% và từ 1.28% đến 10.33% so với các mô hình khác, và khoảng dự đoán hợp lệ có thể được thu được. Bên cạnh đó, mô hình được đề xuất được đánh giá là mô hình đáng tin cậy cho quá trình yếm khí thông qua dự đoán xác suất và đánh giá tin cậy. Nó được kỳ vọng mang lại độ chính xác cao và dự đoán chất lượng nước đáng tin cậy để cung cấp cơ sở cho các nhà vận hành tại các nhà máy xử lý nước thải trong việc điều khiển bể reactor và giảm thiểu phát thải carbon cùng tiêu thụ năng lượng.
Từ khóa
#chất lượng nước; cảm biến mềm; quá trình yếm khí; mạng nơ ron sâu; tối ưu hóa; Ước lượng Parzen có cấu trúc câyTài liệu tham khảo
Chen Q L, Chai W, Qiao J F, IEEE (2010). Modeling of Wastewater Treatment Process Using Recurrent Neural Network. Jinan: IEEE, 5872–5876
Ching P M L, So R H Y, Morck T (2021). Advances in soft sensors for wastewater treatment plants: a systematic review. Journal of Water Process Engineering, 44: 102367
Darvishi H, Ciuonzo D, Eide E R, Rossi P S (2021). Sensor-fault detection, isolation and accommodation for digital twins via modular data-driven architecture. IEEE Sensors Journal, 21(4): 4827–4838
Di Maria F, Micale C (2015). The contribution to energy production of the aerobic bioconversion of organic waste by an organic Rankine cycle in an integrated anaerobic-aerobic facility. Renewable Energy, 81: 770–778
Ferro C A T (2014). Fair scores for ensemble forecasts. Quarterly Journal of the Royal Meteorological Society, 140(683): 1917–1923
Han H G, Zhang J C, Du S L, Sun H Y, Qiao J F (2021). Robust optimal control for anaerobic-anoxic-oxic reactors. Science China. Technological Sciences, 64(7): 1485–1499
Hauck M, Maalcke-Luesken F A, Jetten M S M, Huijbregts M A J (2016). Removing nitrogen from wastewater with side stream anammox: What are the trade-offs between environmental impacts? Resources, Conservation and Recycling, 107: 212–219
Heydari B, Sharghi E A, Rafiee S, Mohtasebi S S (2021). Use of artificial neural network and adaptive neuro-fuzzy inference system for prediction of biogas production from spearmint essential oil wastewater treatment in up-flow anaerobic sludge blanket reactor. Fuel, 306: 121734
Hochreiter S, Schmidhuber J (1997). Long short-term memory. Neural Computation, 9(8): 1735–1780
Jiang Y, Yin S, Dong J, Kaynak O (2021). A review on soft sensors for monitoring, control, and optimization of industrial processes, control, and optimization of industrial processes. IEEE Sensors Journal, 21(11): 12868–12881
Jupp P E, Kume A (2020). Measures of goodness of fit obtained by almost-canonical transformations on Riemannian manifolds. Journal of Multivariate Analysis, 176: 104579
Kadlec P, Gabrys B, Strandt S (2009). Data-driven Soft Sensors in the process industry. Computers & Chemical Engineering, 33(4): 795–814
Kang L, Chen R S, Xiong N, Chen Y C, Hu Y X, Chen C M (2019). Selecting hyper-parameters of gaussian process regression based on non-inertial particle swarm optimization in Internet of things. IEEE Access: Practical Innovations, Open Solutions, 7: 59504–59513
Kim M, Yang Y N, Morikawa-Sakura M S, Wang Q H, Lee M V, Lee D Y, Feng C P, Zhou Y L, Zhang Z Y (2012). Hydrogen production by anaerobic co-digestion of rice straw and sewage sludge. International Journal of Hydrogen Energy, 37(4): 3142–3149
Laio F, Tamea S (2007). Verification tools for probabilistic forecasts of continuous hydrological variables. Hydrology and Earth System Sciences, 11(4): 1267–1277
Li X Y, Yi X H, Liu Z H, Liu H B, Chen T, Niu G Q, Yan B, Chen C, Huang M Z, Ying G G (2021). Application of novel hybrid deep leaning model for cleaner production in a paper industrial wastewater treatment system. Journal of Cleaner Production, 294: 126343
Newhart K B, Holloway R W, Hering A S, Cath T Y (2019). Data-driven performance analyses of wastewater treatment plants: a review. Water Research, 157: 498–513
Nguyen H P, Liu J, Zio E (2020). A long-term prediction approach based on long short-term memory neural networks with automatic parameter optimization by Tree-structured Parzen Estimator and applied to time-series data of NPP steam generators. Applied Soft Computing, 89: 106116
Ozcan G, Pajovic M, Sahinoglu Z, Wang Y B, Orlik P V, Wada T, IEEE (2016). Online State of Charge Estimation for Lithium-Ion Batteries Using Gaussian Process Regression. Florence: IEEE, 998–1003
Pham V, Bluche T, Kermorvant C, Louradour J (2014). Dropout Improves Recurrent Neural Networks for Handwriting Recognition. Hersonissos, Greece: IEEE, 285–290
Putatunda S, Rama K, Acm (2018). A Comparative Analysis of Hyperopt as Against Other Approaches for Hyper-Parameter Optimization of XGBoost. Shanghai: ACM
Qiao S, Wang Q, Zhang J, Pei Z (2020). Detection and classification of early decay on blueberry based on improved deep residual 3D convolutional neural network in hyperspectral images. Scientific Programming, 2020: 1–12
Safari M a M, Masseran N, Majid M H A (2020). Robust reliability estimation for lindley distribution: a probability integral transform statistical approach. Mathematics, 8(9): 1634
Samuelsson O, Björk A, Zambrano J, Carlsson B (2017). Gaussian process regression for monitoring and fault detection of wastewater treatment processes. Water Science and Technology, 75(12): 2952–2963
Şenol H (2021). Methane yield prediction of ultrasonic pretreated sewage sludge by means of an artificial neural network. Energy, 215: 119173
Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15: 1929–1958
Szelag B, Gawdzik A, Gawdzik A (2017). Application of selected methods of black box for modelling the settleability process in wastewater treatment plant. Ecological Chemistry and Engineering S-Chemia I Inzynieria Ekologiczna S, 24(1): 119–127
Wang H T, Yang Y, Keller A A, Li X, Feng S J, Dong Y N, Li F T (2016). Comparative analysis of energy intensity and carbon emissions in wastewater treatment in USA, Germany, China and South Africa. Applied Energy, 184: 873–881
Wang J, Cui Q, Sun X (2021). A novel framework for carbon price prediction using comprehensive feature screening, bidirectional gate recurrent unit and Gaussian process regression. Journal of Cleaner Production, 314: 128024
Wei J P, Liang G F, Alex J, Zhang T C, Ma C B (2020). Research progress of energy utilization of agricultural waste in China: Bibliometric analysis by citespace. Sustainability (Basel), 12(3): 812
Wu X, Wang Y, Wang C, Wang W, Dong F (2021). Moving average convergence and divergence indexes based online intelligent expert diagnosis system for anaerobic wastewater treatment process. Bioresource Technology, 324: 124662
Xu Y, Gao W, Qian F, Li Y (2021). Potential analysis of the attention-based LSTM model in ultra-short-term forecasting of building HVAC energy consumption. Frontiers in Energy Research, 9: 730640
Yaginuma K, Tanabe S, Kano M (2022). Gray-box soft sensor for water content monitoring in fluidized bed granulation. Chemical & Pharmaceutical Bulletin, 70(1): 74–81
Zeng G M, Li X D, Jiang R, Li J B, Huang G H (2006). Fault diagnosis of WWTP based on improved support vector machine. Environmental Engineering Science, 23(6): 1044–1054
Zhang C, Wei H, Zhao X, Liu T, Zhang K (2016). A Gaussian process regression based hybrid approach for short-term wind speed prediction. Energy Conversion and Management, 126: 1084–1092
Zhang Z, Ye L, Qin H, Liu Y, Wang C, Yu X, Yin X, Li J (2019). Wind speed prediction method using shared weight long short-term memory network and gaussian process regression. Applied Energy, 247: 270–284