导读 小型农村饮用水处理工厂通常仅使用氯来实施消毒过程。消毒的一个关键性能指标是游离氯残留量，即氯氧化目标污染物后水中残留的游离氯浓度。...
小型农村饮用水处理工厂通常仅使用氯来实施消毒过程。消毒的一个关键性能指标是游离氯残留量，即氯氧化目标污染物后水中残留的游离氯浓度。
工厂操作员选择一定剂量的氯来达到满意的浓度，但必须经常估计氯的需求量。
确定准确的氯浓度的挑战导致了先进预测技术的使用，包括机器学习。通过识别复杂系统中众多变量之间的相关性，机器学习可以准确预测游离氯残留量，甚至可以根据成本效益高、技术含量低的监测数据进行预测。
佐治亚理工学院 和其他机构的研究人员实施了 预测游离氯残留的机器学习模型。该模型使用梯度增强算法来累积决策树以生成预测。数据是从乔治亚州的一家水处理厂收集的。
其中包括各种监控记录和操作过程参数——影响生产质量、效率和成本的变量。这项研究得到了美国国家科学基金会的两项 资助 的部分支持，发表于 环境科学与前沿 工程学。
研究团队开发了广义建模方法的四次迭代，并应用开源软件来解释具有许多输入参数的机器学习模型，使用户能够直观地了解每个参数如何影响预测。
第四次也是最后一次迭代仅考虑了直观的物理关系和过滤下游测量的水质。
该团队确定了三个关键发现：1)有了足够的相关输入参数，机器学习模型可以产生准确的预测结果; 2)机器学习模型可以由可能有也可能没有物理基础的相关性驱动; 3)机器学习模型可以类似于操作员经验。
研究小组建议未来的研究应探索扩大适用范围。例如，他们分析的数据集仅限于一整年。因此，更大的数据可用性有望扩大适用范围并提高生产力。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！