第一作者：Yifan Xie
通讯作者：Hailong Yin
DOI：https://doi.org/10.1016/j.watres.2023.121092
文字摘要：污水处理厂（WWTP）因其进水明显波动和污水处理过程的非线性，运行管理通常较为复杂。对污水处理厂出水水质进行有效地建模可以提供宝贵的决策支持，以促进其运营和管理。在这项研究中，我们通过结合时间卷积网络（TCN）模型和长短期记忆（LSTM）网络模型，开发了一种新型混合深度学习模型，以改进对污水处理厂出水中总氮（TN）时均浓度的模拟。该开发模型在中国江苏省的一个污水处理厂进行了测试，将混合TCN-LSTM模型的预测结果与单一深度学习模型（TCN和LSTM）及传统机器学习模型（前馈神经网络，FFNN）的结果进行了比较。与单一TCN或LSTM模型相比，混合TCN-LSTM模型的准确度提高了33.1％，与传统的FFNN模型相比，其准确度提高了63.6％。与独立的TCN、LSTM和FFNN模型相比，开发的混合模型对污水处理厂出水TN的多个时间步长（在未来八小时内）的预测能力也更加出色。最后，通过使用Shapley加法解释的模型解释方法来识别影响污水处理厂出水水质行为的关键参数，发现去除不对模型输出有贡献的变量可以进一步提高建模效率，同时优化监测和管理策略。
图片摘要：
· 开发了一种新颖的混合深度学习方法 (TCN-LSTM) 用于污水处理厂预测
· 所开发的模型可以防止特征退化和过度拟合的发生
· 与TCN、LSTM和FFNN相比，TCN-LSTM 表现出了更好地预测效果
· TCN-LSTM能够对污水处理厂出水进行提前8小时预警
· 模型解释还可以识别影响污水处理厂行为的关键参数
早在1960年代，研究人员就开始开发动力学污泥生长模型来模拟污水处理过程。到了1980年代，相关机构提出了活性污泥模型（ASM），该模型此后成为模拟污水处理过程中最广泛使用的机理模型。然而，机理模型需要复杂的参数校准过程，这要求相关人员详细了解WWTP系统参数和专业知识。
WWTP系统及数据收集
该文作者收集了4270组数据以建立深度学习模型，这些数据有以下三类：
混合深度学习模型的开发
dropout率为0.1。对于LSTM结构，LSTM层含有67个神经元，dropout率为0.3，循环计算三次。对于dense layer，神经元与LSTM层中的神经元相等。损失函数（loss function）被设置为平均绝对误差（mean absolute error），这使得开发的模型对异常值敏感。训练的周期数（epochs）设置为80，批量大小（batch size）配置为32。其中： 是解释模型，是特征值的最大子集大小；是特征的 Shapley 值；属于表示简化特征，其中 1 或 0 表示在计算 Shapley 值时模型特征的存在或缺失。
表1 深度学习方法对污水TN预测精度的统计
图6 SHAP分析及模型各输入参数的SHAP值
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
