国产美女麻豆精品一区_99久久国产综合毛片_日韩亚州欧美在线播放_亚洲性精油按摩av一区二区_久久精品视频午夜免费_日韩 综合 婷婷 图_國產精品電影一區二區_欧美成人观看免费全部欧美老妇0_国产91对白在线_伊人影院在线播放

引用本文：皇甫小留，王晶瑞，龍鑫隆，等. 機器學習在水處理系統(tǒng)中的應用［J］. 給水排水，2022，48（11）：153-165.

通信作者

皇甫小留

博士，教授。主要研究方向是智慧水環(huán)境科學，水環(huán)境鉈污染防控。

人工智能作為21世紀尖 端技術的代表，是利用機器模擬人類的學習、思考、分析、決策等方式的技術，是實現(xiàn)智慧水務的重要手段。智慧水務作為現(xiàn)代水務發(fā)展的新趨勢，是指利用物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、人工智能等新信息技術，將水務系統(tǒng)狀態(tài)信息傳感技術、網(wǎng)絡與移動系統(tǒng)相結合，構建集感知、仿真、診斷、預警、調(diào)度、控制和服務于一體的全 方 位智能化水務管理系統(tǒng)；涉及領域涵蓋了水源調(diào)度、給排水處理系統(tǒng)、市政管網(wǎng)、海綿城市建設與管理、智慧客服以及綜合性管控平臺等。

隨著用水量與污水量的持續(xù)增加，水處理技術的發(fā)展和處理規(guī)模的增大，處理工藝愈加復雜；另外，由于環(huán)境污染的嚴重性，水質(zhì)、處理成本和處理效率的要求被提高。由于水務系統(tǒng)控制與管理擁有大量的數(shù)據(jù)，這些數(shù)據(jù)蘊含著各種反應機理和控制要素，各參數(shù)間存在非常復雜的非線性關系，其中包含的物理、化學和生物原理尚未研究透徹，因此傳統(tǒng)自動控制過程只能給予一定的適度結果?；谝话阋?guī)律的模型難以建立，只能依據(jù)經(jīng)驗進行調(diào)整，但這種模型的精度有限，過于依賴人力。因此迫切需要一種新的適用于解決非線性問題的自動化控制方法，充分利用水處理行業(yè)的數(shù)據(jù)信息，擺脫經(jīng)驗操作，實現(xiàn)自主學習控制。

機器學習通過分析歸納得出數(shù)據(jù)趨勢，而不是基于編程的因果邏輯，因此機器學習只需要輸入海 量數(shù)據(jù)，就可以自主構建數(shù)據(jù)間的關系，建立某種模型，進而根據(jù)模型對新數(shù)據(jù)進行判斷和預測。另外，基于機器學習的模型雖然有一定的“黑箱”性，但可以通過適當?shù)姆治龇椒ㄈ鏢hapley值（SHAP）挖掘其深層的物理化學信息，因此機器學習具備一定的可解釋性。機器學習依據(jù)其強大的學習和計算能力，可以在短時間內(nèi)快速地處理海 量數(shù)據(jù)，非常適合處理非線性問題，如解釋污染物的遷移與轉換、分析和預測水質(zhì)、揭露處理反應機理等。因此機器學習是智慧水務的重要實現(xiàn)途徑之一，是水務智慧化的核心和關鍵。機器學習在水務上的應用有望對水務事業(yè)做出巨大的貢獻，并推動水務事業(yè)從人工控制中解放出來，實現(xiàn)智慧控制。

據(jù)統(tǒng)計，已經(jīng)有機器學習在自然和工程水體的應用綜述、機器學習在污水處理技術和飲用水處理系統(tǒng)非線性問題分析中的應用匯總，但關于不同機器學習算法在水處理系統(tǒng)中的實際應用及對比性總結還沒有研究。為增強業(yè)內(nèi)人士對機器學習和智慧水務的認識，推動智慧水務進一步發(fā)展，本文綜述了國內(nèi)外機器學習在水處理系統(tǒng)和污染物去除新技術研發(fā)中的應用，包括水量預測、混凝分析、消毒模擬、過程控制、能耗節(jié)約、膜污染預警、故障診斷等；最 后討論了代表性機器學習算法的優(yōu)缺點和適用性；并分析了機器學習在水處理系統(tǒng)中應用的挑戰(zhàn)和前景。

機器學習簡述

在具有海 量性、高速性、多樣性和失真性等特征的大數(shù)據(jù)時代，機器學習憑借其算法的低成本性、精 準預測性、機器自動化性受到各行各業(yè)的青睞。在水務信息化的進程中引入人工智能技術是發(fā)展的必然，這也將為水務智慧化、信息化帶來新的機遇。

人工智能是在一個機器內(nèi)嵌入相關算法后，多種算法相互結合，使機器擁有類似于人的行為，如觀察、思考、學習、創(chuàng)造等；機器學習是人工智能的一個核心分支，旨在使計算機無需進行顯示編程即可學習；深度學習是機器學習的子集，是一種含多隱藏層的深度神經(jīng)網(wǎng)絡結構。機器學習應用廣泛，可以與各領域技術相結合，從而形成多種交叉學科，如模式識別、計算機視覺、語音識別、自然語言處理等。

機器學習可以分為監(jiān)督學習、無監(jiān)督學習和強化學習三個主要類別。監(jiān)督學習包括分類和回歸兩種算法，基于輸入和輸出訓練數(shù)據(jù)進行算法構建，可用于預測新輸入數(shù)據(jù)所對應的輸出。當輸出只能取一個有限值集時，用分類算法；當輸出可取一定范圍內(nèi)的任意數(shù)值時，用回歸算法。無監(jiān)督學習只能識別訓練數(shù)據(jù)的共性特征，即在輸入數(shù)據(jù)中尋找結構，并對新數(shù)據(jù)所呈現(xiàn)或缺失的共性特征作出判斷，如聚類分析。強化學習是研究算法如何在動態(tài)環(huán)境中執(zhí)行任務以實現(xiàn)累計獎勵的最 大化，如博弈論、遺傳算法等，見圖1。

圖1 本論文中回顧的常用算法原理

為訓練機器學習模型，一般將數(shù)據(jù)分為訓練集、測試集和驗證集三個部分。首先，基于已選機器學習算法利用訓練集對模型進行訓練；其次，利用驗證集數(shù)據(jù)通過調(diào)整超參數(shù)的方式優(yōu)化訓練后的模型；最 后，將測試集輸入訓練好的模型中，比較預測輸出與其相應的已知結果，以評估訓練模型的預測能力和泛化能力。相關系數(shù)（Pearson correlation coefficient，R2）、平均絕 對百分比誤差（Mean absolute percentage error, MAPE）、平均絕 對誤差（Mean absolute error, MAE）、均方根誤差（Root mean square error, RMSE）、相對標準偏差（Relative standard deviation, RSD）、性能效率、精度等參數(shù)可用于評價模型準確性。常見的機器學習方法包括隨機森林、支持向量機、人工神經(jīng)網(wǎng)絡、深度學習、模糊控制等。每種算法都依據(jù)其機理的不同，各有長處，應用場合也千差萬別。不同算法之間也可以相互結合，取長補短，提高精度。單獨算法往往存在一定缺陷，因此在復雜的水務工作中，通常將多種算法相互結合，共同控制。

機器學習在飲用水處理系統(tǒng)中的應用

飲用水廠作為保障居民生活的重要組成部分，傳統(tǒng)自動控制系統(tǒng)主要依靠傳感器監(jiān)測數(shù)據(jù)，依據(jù)經(jīng)驗進行調(diào)整，具有實時性大、風險高、任務量重、控制復雜、精度有限、成本高等特點。將機器學習應用于水處理系統(tǒng)，將改變這一現(xiàn)狀，實現(xiàn)基于大數(shù)據(jù)的過程控制和決策。以下綜述了機器學習在需水量預測、藥劑投加、氯消毒等方面的運用，包括水源水污染物監(jiān)測識別、混凝用量的準確高效預測、消毒副產(chǎn)物的形成分析、膜污染的先進控制。

 2.1 水量水質(zhì)

需水量的預測是進行城市規(guī)劃建設所必須的內(nèi)容，用機器學習的方法精 確預測城市需水量是保證供水系統(tǒng)安全運行和實現(xiàn)科學管理與優(yōu)化調(diào)度的有效手段。傳統(tǒng)短期蓄水量預測一般采用回歸分析方法，金冬梅等采用多元線性回歸模型（Multivariable  linear regress modal, MLR）以近年長春市用水量、人均收入及人口資料為輸入?yún)?shù)，成功對長春市未來多年用水量進行預測。YASAR等以月平均水費、總人口數(shù)、大氣溫度、相對濕度、降雨量等為影響因素，采用逐步線性回歸模型預測土耳其亞達納的供水量?；貧w分析方法計算簡單，對歷史數(shù)據(jù)質(zhì)量和影響參數(shù)的準確性有較高要求，適用于數(shù)據(jù)波動小的年用水量等問題，不適用于城市時需水量等數(shù)據(jù)波動大的問題預測。基于線型數(shù)據(jù)模型的自回歸移動平均模型（Autoregressive integrated moving average mode, ARIMA）具有收斂速度快和魯棒性等優(yōu)點，在數(shù)據(jù)波動較大的日需水量預測中可取得較好的預測效果，但不適用于非線性時間序列問題。隨著機器學習算法的進步，新的機器學習算法誕生，彌補了傳統(tǒng)算法的缺點，提高了預測精度。人工神經(jīng)網(wǎng)絡（Artificial neural network, ANN）模型依據(jù)若干神經(jīng)元節(jié)點及連接權重實現(xiàn)自主記憶，進而完成輸入與輸出變量的非線性映射。BENNETT等利用兩個前饋反向傳播、一個徑向基函數(shù)網(wǎng)絡等三種神經(jīng)網(wǎng)絡模型對建筑用水終端組件（淋浴、洗衣機等）需水量進行預測，并應用至全市用水量預測。舒媛媛等基于主成分分析（Principal component analysis, PCA）的反向傳播神經(jīng)網(wǎng)絡（Back propagation neural network, BPNN）確定了人均收入、降雨量、居民生活用水量及生態(tài)環(huán)境用水量四個城市需水量影響因子，并對延安市年需水量進行了預測。ANN雖然很適用于大部分非線性時間序列的需水量，但該方法也存在訓練時間長、易陷入局部最 優(yōu)、訓練數(shù)據(jù)量大等缺點。多種算法結合，能有效的提高單一模型的預測精度。BRENTAN等基于支持向量回歸（Support vector regression, SVR）模型，結合自適應傅立葉級數(shù)預測偏差，利用巴西弗朗卡自來水公司需求數(shù)據(jù)對模型進行驗證，效果較好。蔣白懿等利用一種灰色遺傳（Genetic algorithm, GA）神經(jīng)網(wǎng)絡組合模型對某市區(qū)年居民生活年需水量進行預測，組合模型的預測結果與實際值相對誤差僅為1.17%，相比灰色神經(jīng)網(wǎng)絡模型精度提高0.84%，比灰色遺傳算法模型提高了3.08%。葉強強等利用混沌算法優(yōu)化搜索BPNN模型的城市短期需水量預測全局最 優(yōu)解，該模型容易確定輸入層節(jié)點個數(shù)，具有收斂速度快，訓練樣本少等優(yōu)點。極限學習機（Extreme learning machine, ELM）具有高穩(wěn)定性和能力，被應用于預測短期需水量預測。與修正偏差的傅立葉級數(shù)模型結合，效果與ANN模型相當，但建模時間僅為后者的5%。

 2.2 混凝沉淀

作為提高水質(zhì)處理效率的水處理技術，混凝技術具有既經(jīng)濟又簡便的優(yōu)點，其關鍵問題是基于進水濁度對加藥量進行預測，在保證出水水質(zhì)的前提下精 準投加混凝劑是獲得較好混凝效果及經(jīng)濟效益的前提。作為多輸入單輸出的非線性問題，模型的適用性對預測效果有重要影響。ANN模型依據(jù)簡單的結構和魯棒性被廣泛應用于建立混凝模型?；诩竟?jié)性原水變化和化學劑量，ANN模型被用于提高埃爾金地區(qū)污水處理廠過濾效率，該模型以0.63~0.79的相關性系數(shù)成功預測沉降水濁度，BPNN以0.78~0.89的相關系數(shù)計算出最 佳的混凝劑用量。為提高ANN的預測精度，可以與徑向基函數(shù)神經(jīng)（Radial basis function neural network, RBFNN）和廣義回歸神經(jīng)網(wǎng)絡（General regression neural network, GRNN）等其他算法聯(lián)合，來模擬混凝過程，GRNN在數(shù)據(jù)量有限的情況下具有更好的性能，而多層感知器（Multilayer perceptron, MLP）更適合于全規(guī)模水廠數(shù)據(jù)及高濁度的水混凝問題。以原水流量、pH、進出水濁度以及對應的混凝劑用量為指標，選用GA優(yōu)化BPNN中的連接權值和閾值，構建了基于GA和BPNN的微渦流混凝投藥控制模型，也取得較好的預測效果。相對與其他智能控制算法，小腦神經(jīng)網(wǎng)絡算法具有逼近復雜函數(shù)、泛化能力強、收斂速度快等方面的優(yōu)點。該模型可根據(jù)關聯(lián)模糊隸屬函數(shù)將多輸入（原水溫度、濁度、pH）-單輸出（混凝劑用量）問題轉化為多個關聯(lián)的單輸入-單輸出的問題，因此結果準確率更高，控制更合理。另外，ELM與RBFNN結合的算法ELMRBF可顯著降低計算量，在預測低濃度混凝劑用量中，模型相關系數(shù)超過0.97，高濃度模型中相關系數(shù)在0.80以上。田村山凈水廠以進出水pH、溫度、流量、濁度、每日混凝劑投加量均值、每3 h混凝劑投加量均值為特征參數(shù)，用長短時記憶網(wǎng)絡（Long short term memory, LSTM）、極端梯度增強集成方法（Extreme Gradient Boosting, XGBoost）和隨機森林（Random forest, RF）三種算法對單種或兩種混凝劑投加量進行預測，最終采用了計算簡單、精度更高的基于XGBoost算法的混凝投藥模型。

2.3 氯消毒

氯是飲用水水廠主要的消毒劑，在消毒過程中，即要保證消毒效果，又要考慮副產(chǎn)物與氣味問題。水體中的余氯變化是一個非線性時變過程，利用單純神經(jīng)網(wǎng)絡模型雖然可以構建出余氯預測模型，但由于神經(jīng)網(wǎng)絡搜索速度慢、易陷入局部最 優(yōu)、不適用于時變問題等缺點，其模型精度需要進一步提高。為搭建更加準確、穩(wěn)定的水質(zhì)余氯預測模型，安小宇等將正余弦算法（Sine Cosine Algorithm, SCA）用于改進BP神經(jīng)網(wǎng)絡的非線性權重，構建了SCA-BP水體余氯預測模型，該模型相對誤差的平均值為4.04%，預測效果優(yōu)于BPNN、RBFNN模型。另外，基于粒子群算法改進網(wǎng)絡權值和閾值的PSO-BPNN模型也被應用在水廠消毒智能預測中，相對于傳統(tǒng) BPNN模型，該模型MAPE下降了1.8%，RSD下降了2.4%，并有效降低了氯消毒劑的使用量。針對小樣本、高維空間問題，何自立等利用二階振蕩粒子群優(yōu)化算法（Second-order Oscillation Particle Swarm Optimization, SOPSO）優(yōu)化了SVR模型動態(tài)搜索最 優(yōu)解的性能。另外，多種消毒劑分次投加的協(xié)同消毒具有非線性、不確定因素多、過程復雜等特點，相比于僅有反饋信號調(diào)節(jié)的統(tǒng)計控制，反饋與前饋信號相結合的智慧控制提高了消毒劑控制指標精度、減少了消毒投加量，并降低了消毒副產(chǎn)物的生成量。

除余氯預測外，消毒副產(chǎn)物（Disinfection by products, DBPs）也是氯消毒需要考慮的重要部分。在消毒過程中，以三氯甲烷（Trichlormethane, THM）和鹵乙酸（Haloacetic acid, HAAs）為主體的DBPs與其前體存在高度非線性關系，傳統(tǒng)預測模型無法模擬，機器學習技術無疑是深入了解該復雜關系的實用工具，且測定DBPs是一項非常繁瑣、耗時、高成本的工作，通過機器學習算法準確預測其含量將對相關研究提供巨大便利。江釓泓等以南方某市7個自來水廠為研究對象，利用線性回歸模型擬合進出水水質(zhì)參數(shù)與兩種主要消毒副產(chǎn)物生成量之間的關系，為消毒副產(chǎn)物的預測提供新的思路。PLATIKANOV等也利用線性回歸如MLR和偏最 小二乘回歸（Partial least squares regression, PLSR）成功確定了THM的形成條件及濃度。在進一步的研究中，利用非線性SVM和核PLSR證實了多操作變量之間的相互作用，核變換在說明變量之間的相關程度起到重要作用。由于DBPs的形成過程非常復雜，線性回歸等算法不再適合，需要使用ANN、SVM等適用于非線性問題的算法。此類算法雖然具有一定的“黑箱”性質(zhì)，但與其他算法如PCA或靈敏度分析等方式結合，可以加強對模型結果的解釋性，提高模型的泛化能力和精度。KULKARNI等使用ANN來定量分析常規(guī)處理、氯化、顆粒活性炭處理和納濾后的DBPs，并利用PCA評估了原水水質(zhì)對三種DBPs前體去除效果的關系，減少了自變量個數(shù)，縮減了計算量。ANN可以準確地預測THM、HAAs和總有機鹵素的濃度，預測的相關系數(shù)在0.92~0.97。SINGH等基于ANN、SVM和基因表達編程等算法建立模型，降低了模型誤差，優(yōu)化了自變量取值，基于有限數(shù)據(jù)集訓練模型，以預測THM的形成。最終確定初始pH、接觸時間和溫度等三個參數(shù)為最 重 要影響因素，該模型在解決非線性問題方面具有更好的準確性和泛化能力。

消毒后水體的氣味問題也值得被關注。MAO等將EPANET軟件與BPNN模型結合起來，模擬飲用水分配系統(tǒng)中氯、氯胺和氯氣味的強度。以控制水體嗅覺和最 小化投資為目的，該模型使得初始氯用量減少了50%，余氯合格率達到97.2%。

微信對原文有修改。原文標題：機器學習在水處理系統(tǒng)中的應用；作者：皇甫小留、王晶瑞、龍鑫隆、黃瑞星；作者單位：重慶大學環(huán)境與生態(tài)學院 三峽庫區(qū)環(huán)境教育部重點實驗室、哈爾濱工業(yè)大學環(huán)境學院 城市水資源與水環(huán)境國家重點實驗室。刊登在《給水排水》2022年第 11期。