机器学习驱动的水质参数动态预测模型.docx

0

机器学习驱动的水质参数动态预测模型

前言

将活性污泥反应的基本机理规则转化为可计算的约束条件嵌入模型训练过程，例如设置底物降解速率上限、微生物增殖速率与底物浓度的匹配关系、代谢产物生成量的守恒约束等，在模型训练过程中对不符合约束条件的预测结果进行惩罚，引导模型输出符合科学常识的动力学参数结果；随后采用划分训练集、验证集、测试集的标准化流程开展模型训练，通过超参数调优、正则化等方式避免模型过拟合，提升模型的泛化能力。

为适配污水处理厂现场部署的需求，对训练完成的模型开展轻量化优化，通过模型剪枝、量化、知识蒸馏等方式降低模型的计算复杂度与存储空间需求，确保模型可在边缘计算设备上稳定运行；