《電子技術(shù)應用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應用 > 融合卷積神經(jīng)網(wǎng)絡(luò)的混凝投藥模型研究
融合卷積神經(jīng)網(wǎng)絡(luò)的混凝投藥模型研究
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
李澤楷，章杰
福州大學物理與信息工程學院微納器件與太陽能電池研究所
摘要： 以東南某百萬人口城市水廠為對象，針對傳統(tǒng)水質(zhì)監(jiān)測效率低及混凝劑投加量預判困難的問題，提出基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的混凝劑預測模型。通過數(shù)據(jù)預處理提升數(shù)據(jù)質(zhì)量后，采用信息增益比率篩選出關(guān)鍵特征，構(gòu)建包含一維卷積層、池化層和全連接層的CNN模型，采用ReLU激活函數(shù)優(yōu)化特征表達能力。實驗顯示模型預測結(jié)果的RMSE為68.550，MAE為50.709，擬合優(yōu)度達0.926，較傳統(tǒng)方法顯著提升。
中圖分類號：TP391文獻標識碼：ADOI:10.19358/j.issn.2097-1788.2025.05.005
引用格式：李澤楷，章杰. 融合卷積神經(jīng)網(wǎng)絡(luò)的混凝投藥模型研究［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2025，44（5）：29-34.
Research on a coagulation dosing model incorporating convolutional neural networks
Li Zekai, Zhang Jie
Institute of Micro-Nano Devices and Solar Cells，College of Physics and Information Engineering，F(xiàn)uzhou University
Abstract： This study focuses on a water treatment plant in a southeastern Chinese city with a population of one million. To address the inefficiency of traditional water quality monitoring and the difficulty in pre-determining coagulant dosage, we proposed a prediction model based on convolutional neural networks (CNN). After enhancing data quality through preprocessing, key features were selected using the information gain ratio. A CNN architecture incorporating 1D convolutional layers, pooling layers, and fully connected layers was developed, with ReLU activation functions optimizing feature representation. Experimental results demonstrated superior performance of the model, achieving a root mean square error (RMSE) of 68.550, mean absolute error (MAE) of 50.709, and goodness-of-fit of 0.926.
Key words : water quality monitoring; coagulant prediction; convolutional neural network

引言

隨著我國城市化建設(shè)步伐的推進和城市經(jīng)濟的快速發(fā)展，水污染問題日益突出［1］。水處理過程，由于受很多因素影響，具有高度復雜性、不確定性以及非線性，水質(zhì)凈化的難度也是數(shù)倍增加。

目前，污水處理過程中存在水質(zhì)監(jiān)測時效性低、出水水質(zhì)超標、運行能耗過高、多種凈水劑投放量無法預測等諸多問題，具有實時監(jiān)測和凈水劑投放量預測功能的監(jiān)測站點作為改善污水處理運行效果和提高運行效率的關(guān)鍵，已成為污水處理廠的重要選擇。由于原水水質(zhì)指標和進水流量之間是非線性關(guān)系，并具有一定的耦合性，同時還會受到諸如季節(jié)等因素的影響而變化，凈水劑中的混凝劑投放量的控制尤為困難?；炷に囎鳛樗幚硐到y(tǒng)的核心環(huán)節(jié)，主要通過化學作用去除水體懸浮物［2］。其處理效能直接決定著后續(xù)工藝的穩(wěn)定性，因此需要根據(jù)原水水質(zhì)的周期性波動、季節(jié)性差異及動態(tài)變化進行實時調(diào)控。然而傳統(tǒng)控制策略因水質(zhì)參數(shù)的強時變特性，往往難以實現(xiàn)精準的藥劑投加量調(diào)節(jié)，導致混凝劑投放精度難以保障。我國供水企業(yè)在混凝劑智能控制領(lǐng)域的技術(shù)發(fā)展相對滯后，長期以來主要依賴人工經(jīng)驗進行藥劑投加決策［3-4］。

由于原水水質(zhì)與處理效果間存在復雜的非線性關(guān)系，常規(guī)數(shù)學建模方法難以構(gòu)建精準預測模型。在此背景下，基于深度學習的智能控制技術(shù)展現(xiàn)出獨特優(yōu)勢。該技術(shù)依托海量運行數(shù)據(jù)，通過自主特征提取和模式識別，無需預設(shè)固定模型結(jié)構(gòu)即可完成動態(tài)優(yōu)化，已在多個工業(yè)場景中驗證了其適應復雜系統(tǒng)控制的準確性與可靠性。近年來，水質(zhì)預測與優(yōu)化研究通過深度學習和機器學習技術(shù)的創(chuàng)新應用不斷突破。Im等人基于韓國33家凈水廠五年高分辨率時序數(shù)據(jù)，構(gòu)建覆蓋全國供水系統(tǒng)的深度學習模型，其平均預測準確率達9878%，最大預測準確率接近99.98%［5］。Cai等人提出的TWQ-TPN網(wǎng)絡(luò)通過時序特征提取與長期波動建模，在pH、濁度和余氯預測中實現(xiàn)行業(yè)領(lǐng)先性能，并通過消融實驗驗證了模型設(shè)計的有效性［6］。Torky等人開發(fā)的混合機器學習框架在飲用水安全分類任務(wù)中達到947%平均準確率，其中隨機森林和光梯度提升機模型表現(xiàn)最佳，而水質(zhì)指數(shù)預測任務(wù)中輕量梯度提升回歸模型以0.99測試準確率和低誤差率顯著優(yōu)于傳統(tǒng)方法［7］。Saroja等人采用LSTM和CNN分別構(gòu)建水質(zhì)指數(shù)預測與分類系統(tǒng)，其中LSTM模型以97%準確率實現(xiàn)水質(zhì)指數(shù)精準預測，CNN分類器則將錯誤率降至002［8］。Sv等人設(shè)計的CNN-ELM混合異常檢測模型通過0.92的F1分數(shù)顯著提升傳感器數(shù)據(jù)可靠性［9］。Mousavi等人通過小波去噪與ANFIS融合建模，使?jié)岫阮A測精度提升12%［10］。Trejo.Zuniga等人利用CNN突破傳統(tǒng)濁度測量局限，在實驗室和實際水體分類中分別取得97%與85%準確率，實現(xiàn)理論與實踐的平衡［11］。Zhu等人開創(chuàng)的絮凝張量圖深度學習系統(tǒng)以98%分類準確率實現(xiàn)污染物快速識別，將絮凝過程反饋延遲縮短至實時水平［12］。針對原水水質(zhì)動態(tài)變化對混凝效果的影響，深度學習技術(shù)通過構(gòu)建動態(tài)關(guān)聯(lián)模型，能夠有效解析水質(zhì)指標與藥劑投量的非線性關(guān)系。該方法利用海量水質(zhì)監(jiān)測數(shù)據(jù)，結(jié)合大數(shù)據(jù)挖掘技術(shù)，突破傳統(tǒng)固定建模的局限性，實現(xiàn)水質(zhì)波動下的精準預測。

本研究基于深度學習算法，建立水質(zhì)特征與投藥量的自適應映射機制，通過實時解析濁度、pH值等關(guān)鍵參數(shù)的變化規(guī)律，動態(tài)生成最優(yōu)投加策略。這種自主優(yōu)化機制不僅降低了水質(zhì)時變性對混凝工藝的干擾，同時依托多維數(shù)據(jù)融合分析，顯著提升了混凝劑調(diào)控的時效性與精準度。


本文詳細內(nèi)容請下載：

http://ihrv.cn/resource/share/2000006544


作者信息：

李澤楷，章杰

(福州大學物理與信息工程學院微納器件與太陽能電池研究所，福建福州350108)


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。