Published July 20, 2023 | Version v1
Publication Open

Gradient-Boosted Decision Tree with used Slime Mould Algorithm (SMA) for wastewater treatment systems

Creators

  • 1. Barkatullah University
  • 2. SRM Institute of Science and Technology
  • 3. Vignana Jyothi Institute of Management
  • 4. Taif University
  • 5. Birla Institute of Technology and Science - Hyderabad Campus
  • 6. Jimma University

Description

Abstract One way to improve the infrastructure, operations, monitoring, maintenance, and management of wastewater treatment systems is to use machine learning modelling to make smart forecasting, tracking, and failure prediction systems. This method aims to use industry data to treat the wastewater treatment model. Gradient-Boosted Decision Tree (GBDT) algorithms were used gradually to predict wastewater plant parameters. In addition, we used the Slime Mould Algorithm (SMA) for feature extraction and other acceptable tuning procedures. The input and effluent Chemical Oxygen Demand (COD) prediction for effluent treatment systems applies to the GBDT approaches employed in this study. GBDT-SMA employs artificial intelligence to provide precise method modelling for complex systems. Several training and model testing techniques were used to determine the best topology for the neural network models and decision trees. The GBDT-SMA model performed best across all methods. With 500 data, GBDT-SMA achieved an accuracy of 96.32%, outperforming other models like Artificial Neural Network (ANN), Convolutional Neural Network (CNN), Deep Convolutional Neural Network (DCNN), and K-neighbours RF, which reached an accuracy of 82.97, 87.45, 85.98, and 91.45%, respectively.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الملخص تتمثل إحدى طرق تحسين البنية التحتية وأنظمة معالجة مياه الصرف الصحي وعملياتها ومراقبتها وصيانتها وإدارتها في استخدام نمذجة التعلم الآلي لإنشاء أنظمة ذكية للتنبؤ والتتبع والتنبؤ بالفشل. تهدف هذه الطريقة إلى استخدام بيانات الصناعة لمعالجة نموذج معالجة مياه الصرف الصحي. تم استخدام خوارزميات شجرة القرار المعززة بالتدرج (GBDT) تدريجياً للتنبؤ بمعلمات محطة مياه الصرف الصحي. بالإضافة إلى ذلك، استخدمنا خوارزمية قالب الوحل (SMA) لاستخراج الميزات وإجراءات الضبط المقبولة الأخرى. ينطبق التنبؤ بالطلب على الأكسجين الكيميائي للمدخلات والنفايات السائلة (COD) لأنظمة معالجة النفايات السائلة على مناهج GBDT المستخدمة في هذه الدراسة. تستخدم GBDT - SMA الذكاء الاصطناعي لتوفير نمذجة طريقة دقيقة للأنظمة المعقدة. تم استخدام العديد من تقنيات التدريب واختبار النماذج لتحديد أفضل طوبولوجيا لنماذج الشبكة العصبية وأشجار القرار. كان أداء نموذج GBDT - SMA أفضل في جميع الطرق. مع 500 بيانات، حققت GBDT - SMA دقة 96.32 ٪، متفوقة على نماذج أخرى مثل الشبكة العصبية الاصطناعية (ANN)، والشبكة العصبية الالتفافية (CNN)، والشبكة العصبية الالتفافية العميقة (DCNN)، والتردد اللاسلكي للجيران K، والتي وصلت إلى دقة 82.97 و 87.45 و 85.98 و 91.45 ٪ على التوالي.

Translated Description (French)

Résumé Une façon d'améliorer l'infrastructure, les opérations, la surveillance, la maintenance et la gestion des systèmes de traitement des eaux usées consiste à utiliser la modélisation par apprentissage automatique pour créer des systèmes intelligents de prévision, de suivi et de prévision des défaillances. Cette méthode vise à utiliser les données de l'industrie pour traiter le modèle de traitement des eaux usées. Des algorithmes GBDT (Gradient-Boosted Decision Tree) ont été utilisés progressivement pour prédire les paramètres des stations d'épuration. En outre, nous avons utilisé l'algorithme de moisissure visqueuse (SMA) pour l'extraction de caractéristiques et d'autres procédures de réglage acceptables. La prévision de la demande chimique en oxygène (DCO) des intrants et des effluents pour les systèmes de traitement des effluents s'applique aux approches GBDT utilisées dans cette étude. GBDT-SMA utilise l'intelligence artificielle pour fournir une modélisation précise des méthodes pour des systèmes complexes. Plusieurs techniques de formation et de test de modèles ont été utilisées pour déterminer la meilleure topologie pour les modèles de réseaux neuronaux et les arbres de décision. Le modèle GBDT-SMA a été le plus performant pour toutes les méthodes. Avec 500 données, GBDT-SMA a atteint une précision de 96,32 %, surpassant d'autres modèles comme Artificial Neural Network (ANN), Convolutional Neural Network (CNN), Deep Convolutional Neural Network (DCNN) et K-neighbours RF, qui ont atteint une précision de 82,97, 87,45, 85,98 et 91,45 %, respectivement.

Translated Description (Spanish)

Resumen Una forma de mejorar la infraestructura, las operaciones, el monitoreo, el mantenimiento y la gestión de los sistemas de tratamiento de aguas residuales es utilizar modelos de aprendizaje automático para hacer sistemas inteligentes de pronóstico, seguimiento y predicción de fallas. Este método tiene como objetivo utilizar datos de la industria para tratar el modelo de tratamiento de aguas residuales. Los algoritmos del Árbol de Decisión Impulsado por Gradiente (GBDT) se utilizaron gradualmente para predecir los parámetros de la planta de aguas residuales. Además, utilizamos el algoritmo de moho de limo (SMA) para la extracción de características y otros procedimientos de ajuste aceptables. La predicción de la Demanda Química de Oxígeno (DQO) de entrada y efluente para los sistemas de tratamiento de efluentes se aplica a los enfoques de GBDT empleados en este estudio. GBDT-SMA emplea inteligencia artificial para proporcionar un modelado de métodos preciso para sistemas complejos. Se utilizaron varias técnicas de capacitación y prueba de modelos para determinar la mejor topología para los modelos de redes neuronales y los árboles de decisión. El modelo GBDT-SMA funcionó mejor en todos los métodos. Con 500 datos, GBDT-SMA logró una precisión del 96.32%, superando a otros modelos como Artificial Neural Network (ANN), Convolutional Neural Network (CNN), Deep Convolutional Neural Network (DCNN) y K-neighbours RF, que alcanzaron una precisión de 82.97, 87.45, 85.98 y 91.45%, respectivamente.

Files

jwrd2023046.pdf.pdf

Files (93 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:b0d506893d4802090edf1644f5f082cd
93 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
شجرة القرار المعززة بالتدرج مع خوارزمية قالب الوحل المستخدمة لأنظمة معالجة مياه الصرف الصحي
Translated title (French)
Arbre de décision boosté par gradient avec algorithme de moisissure visqueuse (SMA) utilisé pour les systèmes de traitement des eaux usées
Translated title (Spanish)
Árbol de decisión impulsado por gradiente con algoritmo de moho de lodo usado (SMA) para sistemas de tratamiento de aguas residuales

Identifiers

Other
https://openalex.org/W4384931076
DOI
10.2166/wrd.2023.046

Is supplement to
https://openalex.org/W4321487865 (Other)
https://openalex.org/W4313906399 (Other)
https://openalex.org/W4293226380 (Other)
https://openalex.org/W2388561655 (Other)
https://openalex.org/W2385882612 (Other)
https://openalex.org/W2369202248 (Other)
https://openalex.org/W2364942512 (Other)
https://openalex.org/W2358752834 (Other)
https://openalex.org/W2348940987 (Other)
https://openalex.org/W1980686195 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Ethiopia

References

  • https://openalex.org/W2606436201
  • https://openalex.org/W2766552677
  • https://openalex.org/W2834866711
  • https://openalex.org/W2905969202
  • https://openalex.org/W2925313576
  • https://openalex.org/W2944857756
  • https://openalex.org/W2957524790
  • https://openalex.org/W2980414634
  • https://openalex.org/W2986993125
  • https://openalex.org/W2990763952
  • https://openalex.org/W3005361015
  • https://openalex.org/W3015201444
  • https://openalex.org/W3020437557
  • https://openalex.org/W3038102268
  • https://openalex.org/W3131589844
  • https://openalex.org/W3136607475
  • https://openalex.org/W3158173456
  • https://openalex.org/W3201141979
  • https://openalex.org/W3213106020
  • https://openalex.org/W4214937173
  • https://openalex.org/W4295332267