Können künstliche neuronale Netze (KNN) die Leistung von Abwasserbehandlungsprozessen genau vorhersagen? Diese Studie untersucht die Anwendung von KNN als Funktion Approximationswerkzeug, um die Leistung eines Tropfkörperverfahrens in einer kommunalen Kläranlage in Solon, Ohio, USA, vorherzusagen. Ziel ist es festzustellen, ob KNN genauere Vorhersagen liefern kann als traditionelle Methoden. Die Kläranlage verwendet einen Tropfkörper gefolgt von einem Belebtschlammverfahren, wobei das KNN-Modell anhand seiner Fähigkeit zur Vorhersage von Ablauf-BSB und -TSS bewertet wird. Das beste KNN-Modell erreichte Vorhersagefehler von 31,45 % für Ablauf-BSB und 32,54 % für TSS. Die Forschung ergab, dass die Anzahl der Eingangsvariablen und Knoten in der verborgenen Schicht keinen definitiven Einfluss auf den Vorhersagefehler für das KNN-Modell hatte. Dennoch waren die mit KNN-Modellen erzielten Vorhersagefehler geringer als die durch multiple Regressionsanalyse erzielten, was darauf hindeutet, dass KNN ein effektiveres Werkzeug zur Vorhersage der Ablaufqualität in dieser spezifischen Kläranlage ist. Diese Studie demonstriert das Potenzial von KNN zur Verbesserung der Effizienz und Zuverlässigkeit von Abwasserbehandlungsprozessen und hebt ihren Vorteil gegenüber traditionellen Methoden zur Vorhersage der Ablaufqualität hervor. Diese Erkenntnisse haben wichtige Auswirkungen auf die Optimierung des Kläranlagenbetriebs und die Sicherstellung der Einhaltung von Umweltauflagen.
Dieser Artikel, der in Environmental Management and Health veröffentlicht wurde, passt zum Schwerpunkt der Zeitschrift auf Umwelttechnologien und das Management von Umweltressourcen. Durch die Untersuchung des Einsatzes künstlicher neuronaler Netze zur Vorhersage der Abwasserbehandlungsleistung trägt die Studie zu Diskussionen über innovative Ansätze zur Verbesserung des Umweltmanagements und der Gesundheitsergebnisse bei.