摘要：【目的】磁场强化人工湿地（MF-CW）作为绿色环保的污水处理技术，由于其在污水脱氮方面表现突出，近年来被用于对生活污水进行处理，并展现出了显著的优势和应用潜力，机器学习（ML）技术通过模拟和分析水质中各种影响参数在提高预测准确性方面表现出了极佳效果，为此通过ML建立一个高精度的模型用来预测MF-CW系统出水氨氮浓度，对于推进其技术发展至关重要。【方法】本文基于磁场强化人工湿地，以实际测量数据作为模型输入，然后构建不同的机器学习算法模型进行对比，本文建立了4种机器学习算法模型[反向传播神经网络（BPNN）、粒子群算法优化BPNN（PSO-BPNN）、长短期记忆（LSTM）、随机森林（RF）]用来预测MF-CW系统的氨氮浓度，并使用3个性能指标[决定系数（R2）、均方误差（RMSE）、平均绝对误差（MAE）]对4种模型的预测性能进行评估。【结果】RF模型在预测MF-CW系统出水质量方面的准确性优于其他3种模型，实现了0.945 9的R2、4.197 1 mg/L的RMSE和2.805 9 mg/L的MAE，相较于BPNN、PSO-BPNN和LSTM，RF模型的R2分别提高了37.17%、16.82%、19.06%，RMSE降低了50.30%、43.10%、45.78%，MAE降低62.63%、50.53%、53.47%。【结论】证实了RF模型采用的集成学习方法在处理复杂的水质非线性数据关系方面非常出色，并且具有很强的抗噪性和鲁棒性，本文为推进磁场强化人工湿地污水处理技术发展应用提供了重要技术支持。

关键词：磁场；（MF）人工湿地；（CW）水质预测；机器学习；（ML）随机森林；（RF）

基金资助：云南省科学技术厅科技计划（202501BD070001-097）

下载

查看