| 基于机器学习的短程硝化/短程反硝化-厌氧氨氧化工艺脱氮性能预测与关键参数识别 |
| |
| 引用本文： | 吴宇伦, 李泽敏, 成晓倩, 邱光磊, 韦朝海. 基于机器学习的短程硝化/短程反硝化-厌氧氨氧化工艺脱氮性能预测与关键参数识别[J]. 环境工程, 2024, 42(9): 180-190. doi: 10.13205/j.hjgc.202409017 |
| |
| 作者姓名： | 吴宇伦 李泽敏 成晓倩 邱光磊 韦朝海 |
| |
| 作者单位： | 1.华南理工大学环境与能源学院,广州 510006;2.华南师范大学环境学院,广州 510006 |
| |
| 基金项目： | 国家自然科学基金项目“工业废水的形成、资源化利用与污染控制——以钢铁、冶金、矿山废水为例”(U1901218) |
| |
| 摘 要： | 短程硝化-厌氧氨氧化(PNA)与短程反硝化-厌氧氨氧化(PDA)工艺的脱氮性能会受到许多参数的影响.在综合考虑各种参数的基础上,对2种工艺的脱氮性能进行预测,并识别关键参数,能够为其实际工程应用提供优化目标.解决上述问题时,实验方法耗时耗力,而传统数学模型难以处理非线性关系.因此采用机器学习技术,构建的随机森林(RF)机器学习模型对2个工艺的出水总氮(TN)浓度进行了高精度预测,对PNA和PDA工艺出水TN浓度预测结果的决定系数(R2)分别为0.728、0.812.SHAP方法能够较好地解释模型的预测过程,并对各参数进行了重要性排序.在PNA工艺中,出水TN浓度主要受到进水TN浓度及COD浓度的影响.在PDA工艺中,出水TN浓度首先受进水TN浓度及氮负荷的约束.在此基础上,进水COD浓度作为另-重要因素影响着工艺的出水TN浓度.进水COD浓度在2个工艺中的共同重要性表明,2种工艺在实际应用时需要预先做好污废水中碳源的管理与分配,预分离与应用策略非常重要.该研究采用机器学习模型为PNA与PDA工艺脱氮性能的预测提供了方法指导,并基于SHAP的模型解释为2种工艺在实际应用时的关键参数识别与优化提供了选择依据.
|
| 关 键 词： | 短程硝化-厌氧氨氧化 短程反硝化-厌氧氨氧化 机器学习 SHAP分析 工艺参数 |
| 收稿时间： | 2024-07-23 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《环境工程》浏览原始摘要信息 |
|
点击此处可从《环境工程》下载免费的PDF全文 |
|
