隨著科技不斷的進步，AI已經應用到各個領域，深度學習更是打破了很多傳統的計算流程，使得結果更加精準并且容易的獲得。然而深度學習模型是建立在有大量數據集的前提下，才能訓練出來的，套用到曝氣器設計領域，我們必須要足夠多成功運行的污水處理廠曝氣器設計時候的數據。這些數據包括有日處理量，進水BOD，COD，出水BOD，COD等等，后面會具體詳細說明這個模型。
傳統曝氣系統的設計由設計院或者曝氣生產廠家根據客戶提供的數據，來計算曝氣頭的用量，并且根據經驗得出使用曝氣器的規格和型號。舉個例子，設計人員可以從日處理量，氣水比計算出實際需氧量，也可以從BOD，COD進出水的差值來計算實際需氧量，等等方法。每個計算的結果肯定會有偏差，然后經過復雜的計算后最終得出生化池中的實際需氧量。如果要考慮多方面的因素，計算往往是復雜的，但是也是最接近事實的數據，當然有些時候考慮少一點因素，計算就會比較簡單，但是往往計算出來的數據也會偏離的比較遠。
文章開始提過，大量的數據才是好的訓練模型的關鍵。我司擁有30多年污水處理廠成功運行的經驗，已經收集了大量的成功運行污水處理廠的數據。這個數據就可以幫助我們訓練出好的模型來幫助我們計算出污水廠需要曝氣器的數量。模型如下圖所示：
以上圖示模型是可以直接使用的模型流程，訓練模型這里不做說明。
因為我司有上萬個污水處理廠成功運行的經驗數據，所以深度學習訓練出來的模型是非常健壯的。模型在送入新的數據時候，它等于會考慮以前所有污水處理廠的情況，當然，肯定會有一些訓練的數據會偏離實際，但是我在訓練模型的時候使用了一些方法，防止過度擬合，也就是強制讓模型舍去偏離很嚴重的數據。我們已經把此種計算方法使用在了很多污水處理廠的設計中，效果也非常的好。
深度學習還在不斷的發展，以后會越來越強大，相信在不久的將來圖紙的設計以及繪制以后也都可以交給AI。