Badanie procesu spalania osadów ściekowych z wykorzystaniem uczenia głębokiego

• Autorzy: Hu Weijie

Identyfikatory

DOI

10.15199/62.2024.1.8

Warianty tytułu

EN

Study on sludge incineration treatment based on deep learning

• Języki publikacji: PL EN

Abstrakty

PL

Model oceny wykonalności procesu spalania osadów ściekowych został opracowany przy użyciu sieci neuronowej wstecznej propagacji (BPNN), aby zapewnić istotne wsparcie dla oczyszczalni ścieków, pomagając im w ocenie warunków ekologicznych i jakości środowiska miejskiego za pomocą zaawansowanej technologii sztucznej inteligencji. Dane z węzłów sieci zostały przeanalizowane w celu ujawnienia ukrytych struktur klasowych w danych dotyczących zanieczyszczeń ekologicznych i wpływu spalania osadów ściekowych na wyniki oczyszczania ścieków. Znaczącą przewagę nad innymi metodami osiągnięto przy wskaźniku dokładności przekraczającym 95%. Ten model może pomóc miejskim oczyszczalniom ścieków w ocenie procesów spalania osadów ściekowych i zwiększeniu wydajności operacyjnej, zmniejszeniu ich śladu ekologicznego i skutecznym sprostaniu współczesnym wyzwaniom.

EN

A feasibility assessment model of sludge incineration treatment was developed by using back-propagation neural network (BPNN) to provide a vital support to sewage treatment plants, aiding them in assessing urban ecol. conditions and environ. qual. with advanced artificial intelligence technol. The data from network nodes were analyzed to reveal hidden class structures in ecol. pollution data and the impact of sludge incineration on sewage treatment outcomes. A significant advantage over other methods was achieved at the accuracy rate over 95%. This model can help urban sewage plants to evaluate sludge incineration treatments and enhance operational efficiency, reduce their ecol. footprint, and address contemporary challenges effectively.

Słowa kluczowe

PL

oczyszczanie ścieków; spalanie osadów ściekowych; głębokie uczenie; sieć neuronowa z propagacją wsteczną; korzyści ekologiczne

EN

sewage treatment; sludge incineration; deep learning; back-propagation neural network; ecological benefit

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przemysł Chemiczny
• Rocznik: 2024
• Tom: T. 103, nr 1
• Strony: 104--111
• Opis fizyczny: Bibliogr. 9 poz., rys., wykr.

Twórcy

autor

Hu Weijie

• Shanghai Municipal Engineering Design Institute (Group) Co. Ltd, Shanghai 200092, China

Bibliografia

• [1] M. Kuosa, R. Kopra, Nordic Pulp Paper Res. J. 2019, No. 1, 128.
• [2] L. Zhu, Environ. Eng. Geosci. 2022, No. 3, 28.
• [3] L. Li, J. He, Z. Gan, Chemosphere 2021, 272, No. 1-3, 129730.
• [4] H. Han, L. Guo, J. Zhang, Ecol. Indic. 2021, 127, No. 8, 1.
• [5] F. Corradini, P. Meza, R. Eguiluz, Sci. Total Environ. 2019, 671, No. 6, 411.
• [6] Y. Hu, Y. Fan, F. Chen, Waste Manag. 2018, 75, No. 5, 340.
• [7] K. P. Law, K. R. Pagilla, J. Clean. Prod. 2021, 290, No. 2, 125874.
• [8] H. Zhang, L. Rigamonti, S. Visigalli, J. Clean. Prod. 2019, 210, No. 2, 1180.
• [9] L. F. Wang, C. Qian, J. K. Jiang, Environ. Pollut. 2017, 231, No. 2, 1388.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).