Neural network models of Cryptosporidium parvum inactivation by chlorine dioxide and ozone

摘要

Several neural network disinfection models for the inactivation of Cryptosporidium parvum by chlorine dioxide and ozone were developed and compared against existing temperature-corrected Chick-Watson models. In this study a back propagation based network-pruning algorithm called structural learning with forgetting has been used to train all neural network models. The neural network disinfection models performed well relative to the competing Chick-Watson models and learned several basic input variable trends established in earlier disinfection studies. Water temperature was found to be a significant process variable and pH less influential for all neural network models. The final disinfectant residual was included as an input variable to incorporate residual decay, and was found to be more relevant for disinfectants with less stable residuals.Plusieurs modèles de désinfection à réseau neuronal pour l'inactivation du Cryptosporidium parvum par le dioxyde de chlore et l'ozone ont été développés et comparés aux modèles de Chick-Watson existants corrigés pour la température. Dans cette étude, un algorithme d'élagage de réseau basé sur la rétropropagation, appelé apprentissage structurel avec oubli, a été utilisé pour entraîner tous les modèles de réseau neuronal. Les modèles de désinfection à réseau neuronal ont très bien fonctionné par rapport aux modèles de Chick-Watson concurrents et ils ont appris plusieurs tendances variables d'entrées de base établies lors d'études de désinfection antérieures. La température de l'eau s'est avérée une variable importante du procédé et le pH avait moins d'influence pour tous les modèles de réseau neuronal. Le résidu final de désinfectant a été utilisé comme variable d'entrée afin de représenter la désintégration résiduelle et il s'est avéré plus adéquat pour les désinfectants avec des résidus moins stables.