Processus peu coûteux de surveillance du traitement de l’eau optimisé par l’apprentissage automatique

Les petites usines rurales de traitement de l’eau potable utilisent généralement uniquement du chlore pour effectuer le processus de désinfection. Pour ces usines, le chlore libre résiduel (FCR) est une mesure de efficiency clé en matière de désinfection. Le FCR est déterminé comme los angeles focus de chlore libre restant dans l’eau, une fois que le chlore a oxydé les contaminants cibles.

En pratique, le FCR est déterminé par les opérateurs de terminaux en fonction de leur expérience. Plus précisément, les opérateurs choisissent une dose de chlore pour atteindre une focus de FCR satisfaisante, mais doivent souvent faire une estimation des besoins en chlore.

Le défi consistant à déterminer avec précision le FCR a conduit à l’utilisation de ways avancées de prédiction du FCR. En particulier, les algorithmes d’apprentissage automatique (ML) se sont révélés efficaces pour atteindre cet objectif. En identifiant les corrélations entre de nombreuses variables dans des systèmes complexes, une utility de ML réussie peut prédire avec précision le FCR, même à partir de données de surveillance peu coûteuses et rentables.

Dans une nouvelle étude publiée dans Frontières des sciences et de l’ingénierie de l’environnement,Les auteurs ont mis en œuvre un modèle ML de boosting de gradient (GB) avec boosting catégoriel (CatBoost) pour prédire le FCR. Les algorithmes GB, dont CatBoost, regroupent les arbres de décision pour créer une fonction de prédiction.

Les données d’entrée ont été collectées dans une usine DWT en Géorgie, aux États-Unis, et comprenaient un huge éventail d’enregistrements de surveillance DWT et de paramètres de processus opérationnels. Quatre itérations de l’approche de modélisation généralisée ont été développées, comprenant (1) le cas de base, (2) los angeles moyenne cellular, (3) los angeles standardisation des paramètres et (4) les paramètres axiome.

L’équipe de recherche a également appliqué los angeles méthode SHapely Additive Interpretation (SHAP) à cette étude. SHAP est un logiciel open supply permettant d’interpréter des modèles d’apprentissage automatique avec de nombreux paramètres d’entrée, permettant aux utilisateurs de comprendre visuellement remark chaque paramètre affecte los angeles fonction de prédiction. Nous pouvons étudier l’effet de chaque paramètre sur le résultat attendu, en calculant sa valeur SHAP correspondante. Par exemple, l’analyse SHAP classe le canal Cl₂ Comme paramètre le plus influent.

Parmi les quatre itérations, los angeles quatrième et dernière itération n’a pris en compte que les family members physiques intuitives et los angeles qualité de l’eau mesurée après filtration. Les auteurs ont résumé les performances comparatives des quatre itérations de modélisation d’apprentissage automatique. Selon eux, les principales conclusions sont les suivantes : 1) avec un nombre suffisant de paramètres d’entrée pertinents, les modèles d’apprentissage automatique peuvent produire des résultats prédictifs précis ; 2) Les modèles d’apprentissage automatique peuvent être pilotés par des corrélations qui peuvent ou non avoir une base body ; 3) Les modèles d’apprentissage automatique peuvent être similaires à l’expérience des opérateurs.

En regardant vers l’avenir, l’équipe de recherche suggère que les études futures explorent l’élargissement du champ d’utility. Par exemple, l’ensemble de données analysé était limité à une seule année complète. Par conséquent, une plus grande disponibilité des données devrait élargir le champ d’utility et améliorer los angeles prévisibilité.

Fourni par Frontiers Magazines