Prognozowanie ilości ścieków dopływających do oczyszczalni za pomocą sztucznych sieci neuronowych z wykorzystaniem liniowej analizy dyskryminacyjnej

• Autorzy: Szeląg B. , Studziński J. , Chmielowski K. , Leśniańska A. , Rojek I.

Warianty tytułu

EN

Forecasting the sewage inflow into a treatment plant using artificial neural networks and linear discriminant analysis

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono wyniki prognozowania ilości ścieków dopływających do oczyszczalni komunalnej w Rzeszowie z wykorzystaniem perceptronowych wielowarstwowych sztucznych sieci neuronowych. W modelu prognostycznym przyjęto następujące zmienne niezależne: zmierzona ilość ścieków dopływających do oczyszczalni określona w poprzednich dobach, poziom wody w Wisłoku (odbiornik ścieków), suma dobowych opadów atmosferycznych oraz dobowa ilość wody tłoczonej do sieci wodociągowej. Przeprowadzone obliczenia wykazały, że wśród rozpatrywanych zmiennych istotny wpływ na zdolność predykcyjną modelu prognostycznego miał poziom wody w Wisłoku, wysokość opadów atmosferycznych oraz ilość ścieków dopływająca do obiektu zmierzona w poprzednich dniach. Analizowano również wpływ poszczególnych parametrów strukturalnych modelu opartego na sztucznych sieciach neuronowych na wyniki prognozowania. Przeprowadzone badania, z wykorzystaniem drzew klasyfikacyjnych, wykazały, że na liczbę neuronów w warstwie ukrytej wpływała liczba sygnałów wejściowych do modelu, natomiast rodzaj funkcji aktywacji w warstwach ukrytej i wyjściowej miał mniejsze znaczenie, co potwierdziły wartości o znaczeniu predykcyjnym. Badano również możliwość zastosowania liniowej analizy dyskryminacyjnej do oceny zdolności predykcyjnych skonstruowanych modeli prognostycznych. Uzyskane wyniki wykazały, że liniowa analiza dyskryminacyjna może być ciekawym narzędziem do oceny doboru zmiennych w modelu prognostycznym ilości ścieków dopływających do oczyszczalni.

EN

The paper presents the results of forecasting the sewage inflow into the municipal wastewater treatment plant in Rzeszow using multilayer perceptron neural networks. For the forecast model, the following independent variables were adopted: the measured inflow volume to the treatment plant from the previous days, the water level in the Wislok River (effluent receiver), the total daily precipitation and the daily water inflow into the network. The calculations led to conclusions that variables substantially affecting the prognostic capacity of the forecast model included the water level in the Wislok River, the volume of precipitation and the sewage inflow to the facility from the previous days. Additionally, the impact of individual structural parameters of the model based on artificial neural networks on forecasting results was analyzed. The research conducted with the use of classification trees demonstrated that number of neurons in the hidden layer was influenced by the number of inputs to the model, while the type of activation function in the hidden and output layer was of minor importance which was confirmed by the data of prognostic value. The applicability of a linear discriminant analysis for assessment of prognostic ability of the constructed forecast models was also investigated. The results obtained demonstrated that the linear discriminant model might be an interesting assessment tool to select variables for the forecast model of sewage inflow to a treatment plant.

Słowa kluczowe

PL

dopływ ścieków; oczyszczalnia ścieków; poziom wody; opad dobowy; sztuczne sieci neuronowe; model dyskryminacyjny; błąd średniokwadratowy; średni błąd procentowy; błąd względny; względny błąd resztowy; współczynnik ważności

EN

Wastewater inflow; sewage treatment plant; water level; daily precipitation; artificial neural networks; discriminant models; mean square error; mean percentage error; relative error; residual relative error; importance coefficient

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2018
• Tom: Vol. 40, nr 4
• Strony: 9--14
• Opis fizyczny: Bibliogr. 22 poz., rys., tab.

Twórcy

autor

Szeląg B.

• Politechnika Świętokrzyska w Kielcach, Wydział Inżynierii Środowiska, Geomatyki i Energetyki, Katedra Geotechniki, Geomatyki i Gospodarki Odpadami, al. Tysiąclecia Państwa Polskiego 7, 25-314 Kielce

autor

Studziński J.

• Instytut Badań Systemowych Polskiej Akademii Nauk, Centrum Zastosowań Informatyki w Inżynierii Środowiska, ul. Newelska 6, 01-447 Warszawa

autor

Chmielowski K.

• Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie, Wydział Inżynierii Środowiska i Geodezji, Katedra Inżynierii Sanitarnej i Gospodarki Wodnej, al. Adama Mickiewicza 24/28, 30-059 Kraków

autor

Leśniańska A.

• Politechnika Koszalińska, Wydział Inżynierii Lądowej, Środowiska i Geodezji, Zakład Sieci i Instalacji Sanitarnych, ul. Śniadeckich 2, 75-453 Koszalin

autor

Rojek I.

• Uniwersytet Kazimierza Wielkiego w Bydgoszczy, Wydział Matematyki, Fizyki i Techniki, Zakład Systemów Baz Danych i Inteligencji Obliczeniowej, ul. Mikołaja Kopernika 1, 85-074 Bydgoszcz

Bibliografia

• 1. A. DELLANA, D. WEST: Predictive modeling for wastewater applications: Linear and nonlinear approaches. Environmental Modelling and Software 2009, Vol. 24, pp. 96–106.
• 2. F. J. FERNANDEZ, A. SECO, J. FERRER, M. A. RODRIGO: Use of neurofuzzy networks to improve wastewater flow-rate forecasting. Environmental Modelling and Software 2009, Vol. 24, pp. 686–693.
• 3. J. STUDZIŃSKI, L. BARTKIEWICZ, M. STACHURA: Development of mathematical models for forecasting hydraulic loads of water and wastewater networks. EnviroInfo 2013: Environmental Informatics and Renewable Energies, Shaker Verlag, Aachen 2013.
• 4. L. BARTKIEWICZ, M. STACHURA, J. STUDZIŃSKI: Modelowanie obciążenia hydraulicznego miejskiego system wodociągowo-kanalizacyjnego. W: J. ŁOMOTOWSKI [red.]: Wody opadowe a zjawiska ekstremalne. Wydawnictwo Seidel-Przywecki, Warszawa 2011, ss. 75–82.
• 5. L. BARTKIEWICZ, B. SZELĄG, J. STUDZIŃSKI: Ocena wpływu zmiennych wejściowych oraz struktury modelu sztucznej sieci neuronowej na prognozowanie dopływu ścieków komunalnych do oczyszczalni (Impact assessment of input variables and ANN model structure on forecasting wastewater inflow into sewage treatment plants). Ochrona Środowiska 2016, vol. 38, nr 2, ss. 29–36.
• 6. B. SZELĄG, P. SIWICKI: Application of the selected classification models to the analysis of the settling capacity of the activated sludge – case study. E3S Web of Conferences 17, Kielce (Poland) 2017.
• 7. B. SZELĄG, L. BARTKIEWICZ, J. STUDZIŃSKI, K. BARBUSIŃSKI: Evaluation of the impact of explanatory variables on the accuracy of prediction of daily inflow to the sewage treatment plant by selected models nonlinear. Archives of Environmental Protection 2017, Vol. 43, No. 3, pp. 74–81.
• 8. B. SZELĄG, K. BARBUSIŃSKI, J. STUDZIŃSKI, L. BARTKIEWICZ: Prediction of wastewater quality indicators at the inflow to the wastewater treatment plant using data mining methods. E3S Web of Conferences 22, Wroclaw (Poland) 2017.
• 9. M. CHUCHRO: Struktura szeregu czasowego natężenia dopływu ścieków do oczyszczalni. Rozprawa doktorska, Akademia Górniczo-Hutnicza, Kraków 2009.
• 10. D. RAHA: Exploring artificial neural networks (ANN) modelling for a biological nutrient removal (BNR) sewage treatment plant (STP) to forecast effluent suspended solids. Indian Chemical Engineer 2007, Vol. 49, No. 3, pp. 205–220.
• 11. H. Z. ABYANEH: Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality parameters. Journal Environmental Health Science & Engineering 2014, Vol. 12, pp. 1–8.
• 12. L. RUTKOWSKI: Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowe PWN, Warszawa 2006.
• 13. H. AKAIKE: A new look at the statistical model identification. IEEE Transaction on Automatic Control 1974, Vol. 19, No. 6, pp. 716–723.
• 14. K. W. HIPEL, A. I. McLEOD: Time Series Modelling of Water Resources and Environmental Systems. Series: Developments in Water Science 45. Elsevier Science B. V., Amsterdam 1994.
• 15. K. MAŃCZAK, Z. NAHORSKI: Komputerowa identyfikacja obiektów dynamicznych. PWN, Warszawa 1983.
• 16. L. BREIMAN, J. H. FRIEDMAN, R. A. OLSHEN, C. J. STONE: Classification and Regression Trees (Wadsworth Statistics/Probability). Chapman & Hall, Boca Raton 1984.
• 17. E. GATNAR: Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji. Wydawnictwo Naukowe PWN, Warszawa 2012.
• 18. R. A. FISHER: The use of multiple measurements in taxonomic problems. Annals of Eugenics 1936, Vol. 7, No. 2, pp. 179–188.
• 19. M. J. NORUŠIS and SPSS Inc.: SPSS for Windows Base System Users Guide. Release 6.1. Prentice Hall, Englewood Cliffs 1994.
• 20. M. HAMROL, J. CHODAKOWSKI: Prognozowanie zagrożenia finansowego przedsiębiorstwa. Wartość predykcyjna polskich modeli analizy dyskryminacyjnej. Badania Operacyjne i Decyzje 2008, t. 3, ss. 17–32.
• 21. D. H. TRAN, A. W. M. NG, B. J. C. PERERA, S. BURN, P. DAVIS: Application of probabilistic neural networks in modelling structural deterioration of stormwater pipes. Urban Water Journal 2006, Vol. 3, No. 6, pp. 175–184.
• 22. B. PRUSAK: Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw. Difin, Warszawa 2005.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).