6舒诗湖-基于机器学习算法和黑箱模型的供水水质模拟预测.pdf

《6舒诗湖-基于机器学习算法和黑箱模型的供水水质模拟预测.pdf》由会员分享，可在线阅读，更多相关《6舒诗湖-基于机器学习算法和黑箱模型的供水水质模拟预测.pdf（27页珍藏版）》请在三个皮匠报告上搜索。

1、褚洋洋 李卉 舒诗湖C O N T E N T S研究背景与意义Subjects Fact Sheet研究思路与方法Research Ideas and Methods研究结果与分析Findings and Analysis研究结论与展望Conclusions and Outlook of The Study01030402研究背景与意义崇 德 博 学 砺 志 尚 实水源-水厂用户消毒给水管网余氯浓度沿程不断衰减余氯衰减模型水中有机物（NOM）游离氯消毒副产物（DBPs）DBPs预测模型包括三卤甲烷(THMs)卤乙酸(HAAs)等致癌性、突变性饮用水水质安全：末端保持一定浓度余氯，消毒副产物浓

2、度在限值以下从模型中可得：氯消耗量（C0-Ct）线性关系DBPs=k（C0-Ct）崇 德 博 学 砺 志 尚 实余氯衰减模型消毒副产物预测模型混合级数模型平行一级模型平行二级模型 预测效果一般反应速率不变模型较为复杂一级模型 二级模型 混合模型 变反应速率模型 VRC 模型AVRC 模型VRRC 模型SPVRC 模型管网水力条件、供水区域不断变化余氯衰减系数也在动态变化多元线性/非线性回归支持向量机决策树模型集成学习深度学习机理模型非机理模型人工智能、大数据等技术不断发展新型消毒副产物预测模型具有重要价值崇 德 博 学 砺 志 尚 实课题概况介绍01 研究综述获取较长时间历史数据，进行中长期水

3、质预测。获取短期历史数据，进行短期水质预测预报。水源、水厂、管网、二供等环节的水质均可模拟预测崇 德 博 学 砺 志 尚 实课题概况介绍02 研究综述获取较长时间不同点位历史数据，进行数据关联训练，已知A点预测B点。崇 德 博 学 砺 志 尚 实课题概况介绍03 研究综述获取较长时间不同指标历史数据，进行相关性分析，已知影响因素数据进行水质预测。消毒副产物预测研究思路与方法Research Ideas and Methods崇 德 博 学 砺 志 尚 实将样本数据通过非线性核函数映射到高维空间，找到少数有效的支持向量表示整个数据集，使得数据在高维空间中线性可分。通过对样本进行采样进而随机产生若

4、干决策树，所有决策树对每个样本进行预测，取平均值作为该样本的预测结果。通过卷积操作和池化操作来提取图像等数据中的特征，并通过多层神经网络将这些特征组合起来，从而实现对输入数据的回归预测。崇 德 博 学 砺 志 尚 实研究方法与内容模型原理神经网络递归神经网络崇 德 博 学 砺 志 尚 实研究方法 LSTM流程图采用网格优化法对内部参数进行优化Batch sizeEpochoptimizer崇 德 博 学 砺 志 尚 实研究思路与方法原始数据分析总体而言，这三年间蓝绿藻细胞数量呈现季节性和周期性的波动，可能与水中的温度、氨氮、pH有关。最低气温同藻类数量最低值、以及最高气温同藻类数量最高值呈现正

5、相关关系。近三年蓝绿藻细胞数量总数最小值变化趋势2024年1月份气温与藻类数量变化趋势图研究结果与分析Findings and Analysis崇 德 博 学 砺 志 尚 实藻细胞预测未考虑影响因素的预测效果u 预测值与真实值的变化趋势大致相同，能够相对准确地预测出蓝绿藻细胞数量变化的趋势。u 未输入影响因素的预测模型仍存在一定的时间滞后性，且预测数值曲线相对较为“平稳”，不能够准确预测时间间隔的藻类细胞变化浮动。u 考虑到蓝绿藻细胞数量可能会受到环境因素的影响，后续开展多因素输入时间序列的蓝绿藻细胞数量预测。batch size:16 epochs:15 optimizer:adambatc

6、h size:8 epochs:15 optimizer:adam崇 德 博 学 砺 志 尚 实藻细胞预测影响因素相关性分析u针对现有的监测数据，对pH、氨氮、电导率、氯化物浓度、溶解氧、水温、叶绿素、浊度、总磷10个因素进行相关性分析。u由图可知，pH、水温、叶绿素a是表征蓝绿藻类细胞数量多少的主要特征。崇 德 博 学 砺 志 尚 实藻细胞预测考虑影响因素的预测效果u 模型能准确预测蓝绿藻细胞数量随时间的变化趋势，拟合效果较好。u 与未考虑影响因素的预测模型相比，考虑影响因素预测模型的预测效果更好。batch size:8 epochs:15 opti