Application of artificial neural networks to effluent phosphate prediction in struvite recovery
Notice bibliographique
Résumé
In advanced wastewater treatment plants (AWWTP), the recovery of phosphorus (P) has become a recent focus of the wastewater engineering industry. The potential economic savings behind improved sludge management and the control of struvite encrustation in AWWTP are two of the primary driving forces behind this. Process control of phosphorus (struvite) recovery systems has only been partially successful because: (1) key control variables have yet to be identified and (2) there is no adequate performance evaluation model that is applicable to struvite recovery technologies. In process control, two different types of modeling are most commonly seen: mechanistic and “black-box” style models. In recent years, varying models have been developed to try to predict the formation of struvite in both sludge digestion process lines and P-recovery technologies designed for struvite removal. All of these are strictly mechanistic models, based on either the chemical equilibrium of the system or the associated kinetic parameters, with varying degrees of complexity. Artificial neural networks (ANN), as a type of black-box modeling, have seen limited application in wastewater treatment with regards to phosphate recovery. The analysis of several historical daily operational databases evaluated the predictive ability of two mechanistic and one ANN models. It was determined that the newly developed ANN model was not site specific and had the highest predictive ability of the three. This would be beneficial for the development of an automated control system for struvite removal package treatment processes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».