Optimierung eines neuartigen ingenieurgestützten Ökosystems zur Integration der Biotransformation von Kohlenstoff, Stickstoff, Phosphor und Schwefel zur Behandlung von salzhaltigem Abwasser unter Verwendung eines interpretierbaren maschinellen Lernansatzes

Der denitrifizierende Schwefel (S) umgewandte verbesserte biologische Phosphorabbau (DS-EBPR) Prozess zur Behandlung von salzhaltigem Abwasser ist durch seine einzigartige mikrobielle Ökologie gekennzeichnet, die Kohlenstoff (C), Stickstoff (N), Phosphor (P) und S-Biotransformation integriert. Allerdings entsteht betriebliche Instabilität aufgrund der zahlreichen Parameter und komplexen bakteriellen Interaktionen. Diese Studie führt einen zweistufigen interpretierbaren maschinellen Lernansatz ein, um die von der S-Umwandlung angetriebene P-Entfernungseffizienz vorherzusagen und den DS-EBPR-Prozess zu optimieren. In der ersten Phase wurde das XGBoost-Regressionmodell verwendet, um ein