废水处理中的机器学习：来自中试反硝化反应器建模的见解

废水处理厂因其社会重要性和高数据可用性，日益被视为机器学习应用的有前景候选。然而，其多样化的设计、运行条件和进水特性阻碍了直接的自动化。在本研究中，我们利用挪威Veas处理厂中试反应器的数据，探索机器学习如何优化生物硝酸盐（$\mathrm{NO_3^-}$）还原为分子氮（$\mathrm{N_2}$）的过程，即生物地球化学过程“反硝化”。我们并非仅关注预测精度，而是优先理解废水处理有效数据驱动建模的基础要求。具体而言，我们旨在确定哪些过程参数最为关键、所需数据量和质量、如何有效组织数据，以及模型需要具备哪些属性。我们发现非线性模型在训练和验证数据集上表现最佳，表明存在需要学习的非线性关系，但线性模型在时间上更晚的未见测试数据上迁移更好。测量水温的变量对模型有特别不利的影响，因为训练数据和测试数据之间的分布发生了显著变化。因此，我们得出结论，需要多年数据才能学习到稳健的机器学习模型。通过解决基础要素，特别是在北方地区气候变异性背景下，这项工作为废水处理的机器学习方法奠定了更结构化和定制化的基础。我们公开分享了论文中用于产生结果的数据和代码。