ガウス過程に基づくハイブリッドベイズ最適化を用いた下水処理場におけるバイオガス生産の機械学習モデル向上

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a comparative evaluation of DNN vs XGBoost with Bayesian optimization for biogas prediction, useful for ML practitioners in renewable energy.

🏢実務担当者:Wastewater treatment plant operators can apply this method to optimize biogas production and reduce operational costs.

<title>抄録</title> <p>本研究は、機械学習（ML）モデル、特にDeep Neural Networks（DNN）とExtreme Gradient Boosting（XGBoost）を比較し、産業廃水処理プラントにおけるバイオガス生成を予測することを目的とする。ガウス過程を用いたベイズ最適化（BO-GP）アプローチを選択し、これらのモデルのハイパーパラメータを最適化した。2019年7月から2022年1月までの日次運転データを用いて、モデルの訓練と評価を行った。DNNモデルはXGBoostを上回り、R-squared、MAE、RMSEの値はそれぞれ0.7809、148.0927、198.7302であり、XGBoostで得られた0.73、163.2680、216.2166と比較された。BO-GPアプローチは、両モデルにとって最適なハイパーパラメータを効果的に特定し、DNNは各層に91個のニューロンを持つ2つの隠れ層という単純なアーキテクチャを利用した。収束分析により、最適化プロセスがハイパーパラメータ空間を効率的に探索し、DNNがより顕著な改善を示すことが実証された。DNNでは、学習率が最も影響力のあるハイパーパラメータであることが判明した。本研究は、嫌気性消化プロセスにおけるバイオガス生成のモデリングに対する機械学習アプローチ、特にBO-GPを用いて最適化されたDNNの可能性を実証する。これらの知見は、廃水処理と再生可能エネルギー生産における高度なデータ駆動型技術の適用に貢献する。</p>

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

<title>Abstract</title> <p>This study aims to compare machine learning (ML) models, particularly Deep Neural Networks (DNN) and Extreme Gradient Boosting (XGBoost), to predict biogas production in an industrial wastewater treatment plant. A Bayesian Optimization approach using Gaussian Processes (BO-GP) was selected to optimize the hyperparameters of these models. The daily operational data from July 2019 to January 2022 were used to train and evaluate the models. The DNN model outperformed XGBoost, achieving R-squared, MAE and RMSE values of 0.7809, 148.0927 and 198.7302, respectively, compared with the values of 0.73, 163.2680 and 216.2166 obtained with XGBoost. The BO-GP approach effectively identified the optimal hyperparameters for both models, with the DNN utilizing a simple architecture of two hidden layers with 91 neurons each. Convergence analysis demonstrated that the optimization process efficiently explored the hyperparameter space, with the DNN showing more significant improvements. For the DNN, learning rate was found to be the most influential hyperparameter. This study demonstrates the potential of machine learning approaches, particularly DNNs optimized using BO-GP, for modeling biogas formation amid anaerobic digestion processes. The findings contribute to applying advanced data-driven techniques in wastewater treatment and renewable energy production.</p>

• Research Square https://doi.org/10.21203/rs.3.rs-9917351/v1first seen 2026-06-20 04:48:59 · last seen 2026-07-02 04:48:37