论文部分内容阅读
水污染是21世纪以来人类所面临的重要挑战。近年来,我国有限的水资源不断遭受污染,造成水质恶化、水源污染,随着我国经济高速发展,污水排放量逐年增多,成分逐年复杂。膜生物反应器(Membrane bioreactor,MBR)工艺以其高品质出水的优势得到广泛应用。然而MBR工艺由于膜污染导致跨膜压差升高及膜渗透性降低等问题,影响了MBR持续稳定运行。近年关于MBR膜污染研究表明,与膜堵塞相关参数成为影响MBR持续稳定运行更为关键的因素。首先,本文对MBR工艺过程及影响MBR膜渗透性因素进行研究分析,结合机器学习算法强大的学习能力,以膜渗透率作为衡量膜污染程度参数,根据MBR工艺历史数据,分别建立传统梯度提升算法GBDT及极限梯度提升算法XGBoost膜渗透率预估模型,对比两种模型的预测精度,结果表明XGBoost模型预测精度及效率优于GBDT模型,证实XGBoost模型应用于MBR膜污染研究的可行性。其次,鉴于XGBoost参数及其取值范围多且复杂、调节繁琐,参数对算法的预测性能影响较大。在参数优化方面,传统全局搜索算法效率较低,本文采用遗传算法对XGBoost模型中的参数进行优化,构建了GA-XGBoost参数优化模型,然后对模型进行训练测试,并与优化前的原始模型进行对比分析,实验结果表明优化后的混合模型在预测精准度上有了明显提升,符合预期目标。最后,根据遗传算法在涉及到大量个体计算、问题较为复杂时的运算时间较高且该算法对问题解空间的探索能力有限,容易过早收敛等问题,本文将遗传思想与蝙蝠算法相结合,在蝙蝠算法进行个体扰动之后,对随机个体进行个体交叉及变异操作,以此增加蝙蝠个体的进化能力进而增加种群多样性,保持蝙蝠种群的寻优能力,因此本文提出将遗传蝙蝠算法运用到XGBoost模型参数优化问题中,在同等条件下得出实验结果,相较GBDT、XGBoost、GAXGBoost三种模型在预测精度上分别提升了57.42%、19.11%、4.13%。表明混合遗传蝙蝠算法对XGBoost模型参数寻优能力有较大提升,实现了对MBR膜污染数据更为精准的预测,对MBR膜污染领域的下一步研究提供了一定的理论依据。