华中科技大学ES&T丨可解释机器学习优化集成碳、氮、磷和硫生物转化的生态系统用于含盐废水处理

主要观点总结

本文使用可解释的机器学习方法预测含盐废水中硫转化驱动的除磷效率，以优化DS-EBPR工艺。通过两阶段预测方法，第一阶段预测硫酸盐还原（SR）强度，第二阶段预测磷去除效率。研究确定了关键的环境因素包括SR强度、进水磷浓度、混合液挥发性悬浮固体（MLVSS）/混合液悬浮固体（MLSS）比率、进水碳硫比、缺氧反应时间以及MLSS浓度。开发的图形界面有助于更轻松地优化和控制DS-EBPR过程。文章还通过机器学习模型确定了影响预去除效率的关键因素，并分析了它们之间的相互作用。

关键观点总结

关键观点1: 使用机器学习方法预测DS-EBPR工艺中的除磷效率。

采用可解释的机器学习方法，包括XGBoost回归模型和CatBoost分类和回归模型，来预测硫转化驱动的除磷效率。

关键观点2: 确定关键环境因素。

研究确定了SR强度、进水磷浓度、MLVSS/MLSS比率、进水碳硫比、缺氧反应时间以及MLSS浓度是优化DS-EBPR过程中的关键因素。

关键观点3: 开发用户友好的图形界面。

为了方便优化和控制，开发了用户友好的图形界面来展示预测结果和推荐的操作条件。

关键观点4: 通过机器学习模型识别影响预去除效率的关键因素。

使用CatBoost分类和回归模型进行特征重要性分析，识别影响预去除效率的关键因素，包括磷浓度、SR强度、缺氧时间等。

关键观点5: 分析关键环境因素的相互作用。

通过二维PDP分析关键环境因素之间的相互作用，确定最佳操作条件范围。

免责声明