文献

J-GLOBAL ID：201902253134181385   整理番号：19A2208568

機械学習による流入応答制御戦略:生物学的リン除去システムのためのQ学習ベース最適化法【JST・京大機械翻訳】

An influent responsive control strategy with machine learning: Q-learning based optimization method for a biological phosphorus removal system

著者 (8件)： Pang Ji-Wei (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China) ,  Yang Shan-Shan (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China) ,  He Lei (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China) ,  Chen Yi-Di (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China) ,  Cao Guang-Li (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China) ,  Zhao Lei (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China) ,  Wang Xin-Yu (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China) ,  Ren Nan-Qi (State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150000, PR China)
資料名： Chemosphere  (Chemosphere)
巻： 234  ページ： 893-901  発行年： 2019年 
JST資料番号： E0843A  ISSN： 0045-6535  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 生物学的リン除去(BPR)は廃水からのリン(P)の除去のための経済的で持続可能なプロセスであり,嫌気性および好気性(An/Ae)プロセスを通して再循環活性スラッジによって達成される。しかし,嫌気性および好気性反応における最適な水力学的滞留時間(HRTs)を系統的に分析する研究はほとんどなく,これらが最も適切な制御戦略であるかどうかについては系統的に解析されていない。本研究では,改良Q学習(QL)アルゴリズムを用いた新しい最適化手法を開発し,BPRシステムにおけるAn/Ae HRTsを最適化した。QLベースのBPR制御戦略の枠組みを確立し,改良Q関数,Qt+1(st,st+1)=Qt(st,st+1)+k[R(st,st+1)+γmax(st,st+1)-Qt(st,st+1)]を導出した。種々のHRTステップ長の下で得られた改良Q関数と状態遷移行列に基づいて,任意のBPRシステムにおけるAn/AeプロセスにおけるHRTsの最適組合せを,<電流状態遷移状態>の秩序対組合せに関して得ることができた。モデル検証は,6つの異なる流入水化学的酸素要求量(COD)濃度,150~600mg・L(-1)および流入P濃度を12~30mg・L(-1)に変化させて行った。最適制御戦略により,優れた安定した流出水質が観察された。このことは,提案した新しいQLベースBPRモデルが適切に実行され,導出されたQ関数は,廃水処理プロセスの間に変動する流入負荷の下で安定な最適制御戦略によりリアルタイムモデリングを実現することを示した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 廃水 ,  廃水処理 ,  電流 ,  再循環 ,  最適制御 ,  活性汚泥 ,  *最適化 ,  最適化手法 ,  水質 ,  アルゴリズム ,  モデリング ,  COD【水質】
準シソーラス用語： Q関数 ,  *制御戦略 ,  *Q学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 生物学的リン除去 ,  機械学習 ,  改良型QLアルゴリズム ,  実時間制御戦略 ,  ASM2D ,  変動する流入負荷

分類 (1件)： 下水,廃水の生物学的処理  (SC03060H)

タイトルに関連する用語 (7件)： 機械学習 ,  流入 ,  応答 ,  制御戦略 ,  生物学的リン除去 ,  Q学習 ,  最適化