第一作者：Bartosz Szeląg
通讯作者：Ewa Zaborowska
DOI:https://doi.org/10.1007/978-3-031-63353-9_57
文字摘要
这项研究聚焦于全尺度污水处理厂（WWTPs）运行期间的N2O排放评估。对于获得的两个大型污水处理厂的全面测量数据，采用机理模型（MCM）和机器学习（ML）两种方法开发了仿真模型，并且探讨了开发一种具有可转移结构、适用于不同污水处理厂的通用模型的可行性和局限性。在日常测试指标数据集、扩展数据集和带有延迟项的扩展数据集作为输入数据的情况下，进行了模型的情景分析研究，并利用MCM生成的数据来增强机器学习模型。在三种情景中，测量结果与机器学习模型预测值高度一致，确定系数分别达到了0.71 - 0.76、0.80 - 0.84和0.90 - 0.92。一个关键发现是扩展数据集提高了多层感知器模型预测的准确性，且神经元数量对模型影响不显著。在K-最近邻模型中，无论输入数据的情景如何，邻居的数量都不会显著影响模拟结果。结果证实了在另一个污水处理厂应用相同模型结构的潜力，但需要重新校准模型参数。基于混合方法的机器学习模型可以进一步用于开发全尺度污水处理厂的N2O减排策略。
Keywords：
Activated sludge, Carbon footprint, Machine Learning, Mechanistic model, N2O emission
最小化碳足迹 (carbon footprint, CF) 是当前污水处理厂 (WWTP) 发展面临的挑战。一氧化二氮 (N2O) 是最强大的温室气体之一。在WWTP中，高达90% 的N2O可在生物步骤中通过硝化和反硝化过程产生并随后排放。据报道，N2O排放量对 WWTP 总 CF的贡献通常超过50%。最常用的估算N2O排放量的方法是基于固定排放因子，但由于不确定性高，其实际适用性有限。相比之下，机理模型 (MCM) 是一种强大的工具，不仅可以减少预测活性污泥生物反应器中N2O排放量的不确定性，还可以制定 WWTP 中的缓解N2O排放的策略。然而，这些模型因其固有的复杂性而面临挑战，校准和验证工作主要针对单个 WWTP进行的。
机器学习 (ML) 是一种替代方法，多项研究结果表明，ML模型的预测结果优于MCM，但是ML 模型需要比MCM更多的输入数据。通过使用混合方法（即 MCM 和 ML 的组合），这个问题似乎得到了解决，可提高用于开发 ML 模型的输入数据的分辨率。
考虑到ML模型的优势并认识到 MCM 的价值，该研究旨在建立开发通用MCM和ML的混合模型以预测污水处理厂N2O排放量的基本标准。ML模型的研究重点是选择最佳输入数据集，这些数据集用于识别可代替MCM的ML模型结构。
常规数据集：日常测量指标，即进水流量和进水NH4+-N、好氧室中的DO、NH4+-N和NO3--N 扩展数据集：在上述数据集中，加入MCM模型对好氧和缺氧单元的空气流量、NH4+-N，NO2--N和NO3--N浓度的预测数据 带延迟项的扩展数据集：在上述数据集基础上，加入延迟输入（autoregressive model input），时间延迟为 15-120 分钟
点击“原文链接”，查看论文
声明：本公众号分享的前沿学术成果来源于各学术网站，不依法享有其所有权。若原作者发现本次分享中的文字及图片涉及侵权，请立刻联系公众号后台或发送邮件，我们将及时修改或删除！
邮箱：environmodel@sina.com
若您认为有用，欢迎
将Environmodel设为星标，或
点击“在看”或“分享”给他人
