A hybrid BOA-SVR approach for predicting aerobic organic and nitrogen removal in a gas-liquid-solid circulating fluidized bed bioreactor
Notice bibliographique
Résumé
This study introduces the hybrid of the Bayesian optimization algorithm and support vector regression (BOA-SVR) models to predict the removal of aerobic organic (total chemical oxygen demand, COD) and nitrogen compounds such as total Kjeldahl Nitrogen (TKN), ammonium nitrogen (NH 4 -N), and nitrate nitrogen (NO 3 -N) from municipal wastewater in a gas-liquid-solid circulating fluidized bed (GLSCFB) bioreactor. GLSCFB bioreactors treat wastewater by removing nutrients biologically. The downer of a GLSCFB bioreactor provided experimental data on TKN, NH 4 -N, NO 3 -N, and TCOD removal. The hybrid optimal intelligence algorithm (BOA-SVR) has improved model accuracy across multiple domains by combining BOA and SVR. The coefficient of determination (R 2 ), residual, mean absolute error (MAE), root mean square error (RMSE), and fractional bias (FB) were used to analyze BOA-SVR model performance. The models match experimental data from four operational stages well, with R 2 or adj R 2 values above 0.99 for all responses. The model's accuracy was confirmed by relative deviations and residual plots showing dispersion around the zero-reference line. The BOA-SVR model consistently predicted dependent variables with low RMSE and MAE values (≤ 2.24 and 2.21, respectively) and near-zero FB. Computing efficiency was shown by optimizing TCOD, TKN, NH4-N, and NO3-N models in 70.61, 72.89, 74.37, and 54.07 s. A rigorous test on unseen data with different noise levels confirmed the model's stability. Furthermore, BOA-SVR performs better than traditional multiple linear regression (MLR). Overall, the BOA-SVR model predicts biological nutrient removal in municipal wastewater utilizing a GLSCFB bioreactor quickly, correctly, and efficiently, reducing experimental stress and resource use.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».