Применение моделей машинного обучения для оптимизации процессов очистки сточных вод: обзор

Процессы очистки на очистных сооружениях сточных вод (WWTP) характеризуются сложностью и высокой нелинейностью, что затрудняет их анализ, моделирование и управление. В этом обзоре рассматривается, как машинное обучение (ML), с акцентом на методы глубокого обучения (DL), может быть применено для оптимизации процессов очистки на WWTP, с особым вниманием к тематическим исследованиям, предлагающим ML- и DL-методы, напрямую решающие эти задачи. Цель исследования — проанализировать систематические применения ML и DL для оптимизации промышленных процессов очистки сточных вод, включая моделирование сложных физико-химических процессов, мониторинг в реальном времени и прогнозирование критических показателей качества сточных вод, сокращение расхода химических реагентов, минимизацию энергопотребления сооружения, прогноз качества сбрасываемых вод и разработку дата-дривен моделей в поддержку принятия решений. Для детального анализа было отобрано 87 статей из первоначального набора в 324 статьи по критериям включения терминов «wastewater» совместно с ML, DL и искусственным интеллектом (AI) и по публикациям с 2010 года и позднее. Из первоначального набора 324 научных статей 300 были идентифицированы с помощью Litmaps и получены из пяти крупных научных баз данных, все они фокусировались на решении поставленной исследовательской проблемы. В работе выявлены пробелы в современных исследованиях, обсуждаются алгоритмы ML и DL в контексте оптимизации процессов очистки сточных вод и определяются направления дальнейших исследований по оптимизации этих процессов методами, основанными на данных. В отличие от традиционных моделей, модели ИИ (ML, DL, гибридные и ансамблевые модели, цифровые двойники, Интернет вещей (IoT) и т. п.) продемонстрировали существенные преимущества в прогнозировании и предсказании показателей качества сточных вод, в прогнозировании энергопотребления, в распознавании временных закономерностей и в обеспечении интерпретируемости для нормативного соответствия. Интеграция продвинутых технологий ML и DL в различные процессы очистки сточных вод повышает предсказательные возможности систем сооружения и способствует более высокому уровню соблюдения экологических стандартов.