Diese Studie bewertete und modellierte quantitativ die Leistung einer Kläranlage (STP) unter Verwendung eines Polynomialen Neuronalen Netzwerkes (PNN) Algorithmus, einem fortschrittlichen Ansatz des maschinellen Lernens, um die Qualität des Abwassers vorherzusagen und die Behandlungseffizienz in Ghaziabad, Indien, zu optimieren. Der PNN-Algorithmus erzielte Vorhersagegenauigkeiten (R² > 0,95) für die biologische Sauerstoffverfügbarkeit (BOD), den chemischen Sauerstoffbedarf (COD) und die Abnahme effizienter Gesamtschwebstoffe (TSS) mit Reduktionen von 87 %, 90 % bzw. 94 %. Insgesamt wurden 6 Datensätze pro Parameter über drei Behandlungsstufen (Zufluss, Primärbehandlungsstufe (PST), Endbehandlungsstufe (FST)) gesammelt und analysiert. Kreuzvalidierung und mittlerer absoluter prozentualer Fehler (MAPE < 5 %) bestätigten die Robustheit des Modells. Das Modell erforderte eine Verfeinerung für Parameter mit niedriger Variabilität (pH, Sauerstoffaufnahme (OA), Gesamttitralkapazität), was die Nichtlinearität der chemischen Dosis heraushebt. Dieser algorithmische Einblick unterstützt nachhaltige Abwassermanagementpraktiken, indem die Einhaltung der BIS-Ableitungsstandards sichergestellt wird.
Singh et al. (Thu,) untersuchten diese Frage.