Прогноз параметра «Мутность» на выходе из песчаных фильтров, питаемых сточными водами

Нехватка ресурсов пресной воды стимулировала применение очищенных сточных вод в системах микроорошения, поскольку эти системы предлагают ряд преимуществ по сравнению с другими методами орошения. Основная цель исследований – спрогнозировать мутность на выходе в фильтрах с песчаным наполнителем, работающих с регенерированными стоками, с использованием гауссовских процессов в сочетании с методом оптимизации параметров LBFGSB. Работа выполнена по инновационной методологии, сочетающей подход регрессии гауссовых процессов и алгоритма оптимизации Бройдена-Флетчера-Гольдфарба с ограниченной памятью с целью проведения прогноза параметра мутности воды на выходе из фильтров с песчаным наполнителем, используемым в системах микроорошения. Установлен порядок значимости переменных, участвующих в прогнозировании параметра «Мутность» на выходе из фильтров с песчаным наполнителем. В частности, входная переменная «Мутность» может считаться наиболее важным параметром припроведении прогноза. Применяемая в работе методология может быть успешно использована для других процессов фильтрации с аналогичными или разными типами фильтрующего материала, но при этом всегда необходимо учитывать характеристики каждого фильтра и эксперимента.

1. Capra A., Scicolone B. Emitter and filter tests for wastewater reuse by drip irrigation. Agricultural water management. 2004 Vol. 68. No. 2. P. 135-149. – DOI 10.1016/j.agwat.2004.03.005.

2. Ивахненко Н.Н., Бадекин М.Ю. Очистка сточных вод хроматографическими процессами. Современное развитие России в условиях новой цифровой экономики: материалы II Международной научно-практической конференции, Краснодар, 19-20 апреля 2018 г. Краснодар: Диапазон-В, 2018. С. 353-356.

3. Madramootoo C., Lee P.S., Gopalakrishnan M. International commission on irrigation and drainage (ICID): its objectives, achievements and plans // Irrigation and Drainage. 2009. Vol. 58, № S1. Pр. S22-S31. DOI: 10.1002/ird.475.

4. Hastie T., TibshiraniR., Friedman J. The elements of statistical learning: data mining, inference, and prediction. New York: springer. 2009. Vol. 2. Pр. 758.

5. Hawari A.H., Elamin M., Benamor A., Hasan S.W., Ayari M.A., Electorowicz M. Fuzzy logic-based model to predict the impact of flow rate and turbidity on the performance of multimedia filters. Journal of Environmental Engineering. 2017. Vol. 143, № 9. Pр. 04017065-1-04017065-9. DOI: 10.1061/(ASCE)EE.1943-7870.0001262.

6. Кольцов В.Б., Потемкин А.Я., Коноплин Н.А., Сошнина Т.М., Прищеп В.Л. Физико-химическое моделирование технологических процессов – современный путь создания новых ресурсосберегающих технологий // Природообустройство. 2010. № 3. С. 98-102.

7. Kong D., Chen Y., Li N. Force-based tool wear estimation for milling process using Gaussian mixture hidden Markov models // The International Journal of Advanced Manufacturing Technology. 2017. Vol. 92. Pр. 2853-2865. DOI: 10.1007/s00170-017-0367-1.

8. Ko J., Fox D. Learning GP-Bayes Filters via Gaussian process latent variable models. Autonomous Robots. 2011. Vol. 30. Pр. 3-23. DOI:10.1007/s10514-010-9213-0.

9. Lawrence N. Probabilistic non-linear principal component analysis with Gaussian process latent variable models. Journal of Machine Learning Research. 2010. Vol. 6. Pр. 1783-1816.

10. Rabiner L., Rosenberg A., Levinson S. Considerations in dynamic time warping algorithms for discrete word recognition. IEEE Transactions on Acoustics, Speech and Signal Processing. 1978. Vol. 26. Pр. 575-582.