由机器学习驱动的廉价水处理监控过程
小型农村饮用水处理 (DWT) 厂通常仅使用氯来实施消过程。对于这些工厂，游离氯残留 (FCR) 是消的关键性能指标。FCR 表示氯氧化目标污染物后水中剩余的游离氯的浓度。实际上，FCR 是由工厂操作员根据他们的经验确定的。具体来说，操作员选择氯剂量以达到满意的 FCR 浓度，但通常必须对氯需求进行估计。
确定准确 FCR 的挑战导致了先进 FCR 预测技术的使用。特别是，机器学习 (ML) 算法已被证明可以有效实现这一目标。通过识别复杂系统中众多变量之间的相关性，成功的机器学习实施可以准确预测 FCR，甚至可以根据经济高效、技术含量低的监控数据进行预测。
在这项研究中，作者实现了带有分类提升 (CatBoost) 的梯度提升 (GB) ML 模型来预测 FCR。GB 算法(包括 CatBoost)累积决策树以生成预测函数。输入数据是从佐治亚州的一家 DWT 工厂收集的，包括各种 DWT 监测记录和操作过程参数。开发了广义建模方法的四次迭代，包括(1)基本情况、(2)滚动平均值、(3)参数合并和(4)直观参数。
研究团队还将SHApely加性解释(SHAP)方法应用到了这项研究中。SHAP 是一款开源软件，用于解释具有许多输入参数的 ML 模型，它允许用户直观地了解每个参数如何影响预测函数。我们可以通过计算每个参数对应的SHA值来研究每个参数对预测输出的影响。例如，SHAP 分析将通道 Cl 2 列为最有影响力的参数。
在所有四次迭代中，第四次也是最后一次迭代仅考虑直观的物理关系和过滤下游测量的水质。作者总结了四次机器学习建模迭代的比较性能。他们表示，主要发现是：1)通过足够数量的相关输入参数，机器学习模型可以产生准确的预测结果;2) ML 模型可以由相关性驱动，这些相关性可能有也可能没有物理基础;3)机器学习模型可以类似于操作员经验。
展望未来，研究团队建议未来的研究应探索扩大适用范围。例如，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预测能力。
研究团队包括佐治亚理工学院的Wiley Helm、钟世发、Elliot Reid、Thomas Igou和Yongsheng Chen。钟世发也隶属于中国华东师范大学。
版权声明：本文由用户上传，如有侵权请联系删除！