Modelowanie zmian parametrów ścieków oczyszczonych z wykorzystaniem sztucznych sieci neuronowych

Skoczko, I.; Struk-Sokołowska, J.; Ofman, P.

Artykuł - szczegóły

Tytuł artykułu

Modelowanie zmian parametrów ścieków oczyszczonych z wykorzystaniem sztucznych sieci neuronowych

Autorzy

Skoczko I. , Struk-Sokołowska J. , Ofman P.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Modelling Changes in the Parameters of Treated Sewage Using Artificial Neural Networks

Języki publikacji

Abstrakty

Celem pracy było opracowanie modelu sztucznej sieci neuronowej aproksymującej zmiany w stężeniach i wartościach podstawowych parametrów jakościowych ścieków oczyszczonych. Badania prowadzone były w latach 2014 i 2015 w oczyszczalni ścieków w Bystrym koło Giżycka. Obiekt ten oczyszcza zmieszane ścieki komunalne i mleczarskie. W modelu jako zmienne wejściowe wybrano siedem parametrów chemicznych ścieków surowych i ilość ścieków dopływającą do oczyszczalni. Wskaźniki chemiczne uwzględniały wartości biologicznego i chemicznego zapotrzebowania na tlen, stężenia azotu i fosforu ogólnego, ilość zawiesin ogólnych, odczyn oraz temperaturę ścieków. W prezentowanym modelu największy wpływ na aproksymację zmiennych wyjściowych miały stężenia azotu i fosforu ogólnego. Opracowany algorytm najlepiej oddał charakter zmian zawiesin ogólnych w ściekach oczyszczonych.

Aim of this study was to develop a model of artificial neural network for changes approximation in concentration and values of basic quality parameters of treated wastewater. Studies were carried out in years 2014 and 2015 in Bystre wastewater treatment plant, located near Giżycko. To Bystre sewage treatment plant inflows mixed domestic and dairy wastewater. In model as input variables were taken seven chemical parameters of raw wastewater and the amount of sewage inflowing to facility. Chosen chemical indicators were describing values of biological and chemical oxygen demand, concentrations of total nitrogen and phosphorus, amount of total suspended solids, pH and temperature of raw wastewater. In presented model the greatest impact on variables approximation had concentrations of total nitrogen and phosphorus. Developed model at it best reflected changes in total suspended solid in treated wastewater.

Słowa kluczowe

oczyszczanie ścieków ścieki mleczarskie sztuczne sieci neuronowe

wastewater treatment dairy wastewater artificial neural networks

Wydawca

Politechnika Koszalińska

Czasopismo

Rocznik Ochrona Środowiska

Rocznik

2017

Tom

Tom 19

Strony

633--650

Opis fizyczny

Bibliogr. 48 poz., tab., rys.

Twórcy

autor

Skoczko I.

Politechnika Białostocka

autor

Struk-Sokołowska J.

Politechnika Białostocka

autor

Ofman P.

Politechnika Białostocka

Bibliografia

1. Akratos, C. S., Papspyros, J. N. E., Tsihrintzis, V. A. (2008). An artificial neural network model and design equations for BOD and COD removal prediction in horizontal subsurface flow constructed wetland. Chemical Engineering Journal, 143, 96-110.
2. Akratos, C. S., Papspyros, J. N. E., Tsihrintzis, V. A. (2009). Total nitrogen and ammonia removal prediction in horizontal subsurface flow constructed wetlands: Use of artificial neural networks and development of a design equation. Biosource Technology, 100, 586-596.
3. Akratos, C. S., Papspyros, J. N. E., Tsihrintzis, V. A. (2009a). Artifical neural network use in ortho-phosphate and total phosphorus removal prediction in horizontal subsurface flow constructed wetlands. Biosystems Engineering, 102, 190-201.
4. Andraka, D., Dzienis, L. (2013). Modelowanie ryzyka w eksploatacji oczyszczalni ścieków, Rocznik Ochrona Środowiska. 15, 1111-1125.
5. Baczyński, T. (2010). Przegląd metod służących wyznaczaniu frakcji ChZT w ściekach. Gaz, Woda i Technika Sanitarna, X, 29-35.
6. Badawy, M. I., El-Wahaab, R. A., Moawad, A., Ali, M. E. M. (2010). Assessment of the performance of aerated oxidation ponds in the removal of Persistent Organic Pollutants (POPs): A case study. Desalination, 251, 29-33.
7. Bartkowska, I., Dzienis, L., Wawrentowicz, D. (2011). Efektywność pracy oczyszczalni ścieków w Hajnówce i propozycja jej modernizacji. Inżynieria Ekologiczna, 24, 226–235.
8. Benintendi, R. (2015). Modeling and experimental investigation of activated sludge VOCs adsorption and degradation. Process Safety and Environmental Protection, 575, 1-9.
9. Czapczuk, A., Dawidowicz, J., Piekarski, J. (2015). Metody sztucznej inteligencji w projektowaniu i eksploatacji systemów zaopatrzenia w wodę. Rocznik Ochrona Środowiska, 17, 1527-1544.
10. Deblonde, T., Cossu-Leguille, C., Hartemann, P. (2011). Emerging pollutants in wastewater: A review of the literature. International Journal of Hygiene and Environmental Health, 214, 442-448.
11. Dellana, S. A., West, D. (2009). Predictive modeling for wastewater applications: Linear and nonlinear approaches. Environmental Modeling and Software, 24, 96-106.
12. Demirel, B., Yenigun, O., Onay, T. T. (2005). Anaerobic treatment of dairy wastewaters: a review. Process Biochemistry, 40, 2583-2595.
13. Dymaczewski, Z. (2008). Charakterystyka frakcji organicznych ścieków miejskich pod kątem modelu osadu czynnego ASM2d. Przemysł Chemiczny, 87/5, 440–442.
14. Eriksson, E., Christensen, N., Schmidt, J. E., Ledin, A. (2008). Potential priority pollutants in sewage sludge. Desalination, 226, 371-388.
15. Fang, F., Ni, B-J., Xie, W-M., Sheng, G-P., Liu, S-G., Tong, Z-H., Yu, H-Q. (2010). An integrated dynamic model for simulating a full-scale municipal wastewater treatment plant under fluctuating conditions. Chemical Engineering Journal, 160, 522-529.
16. Gawdzik J., Szeląg B., Bezak-Mazur E., Stoińska R. (2016). Zastosowanie wybranych modeli nieliniowych do prognozy ilości osadu nadmiernego. Rocznik Ochrona Środowiska, 18, 695-708
17. Gernaey, K. V., van Loosdrecht, M. C. M., Henze, M., Lind, M., Jørgensen, B. (2004). Activated sludge wastewater treatment plant modeling and simulation: state of the art. Environmental Modeling and Software, 19, 763-783.
18. Gieru, S., Thiery, F., Traoré, A., Nguyen, T. P., Barreau, M., Polit, M. (2006). KSOM and MLP neural networks for on-line estimating the efficiency of an activated sludge process. Chemical Engineering Journal, 116, 1-11.
19. Gontarski, C. A., Rodrigues, P. R., Mori,M., Prenem, L. F. (2000). Simulation of an industrial wastewater treatment plant using artificial neural networks. Computer and Chemical Engineering, 24, 1719-1723.
20. Haimi, H., Mulas, M., Corona, F., Vahala, R. (2013). Data-derived soft-sensors for biological wastewater treatment plants: An overview. Environmental Modeling and Software, 47, 88-107.
21. Hamed, M., Khalafallah, M. G., Hassanein, E. A. (2004). Prediction of wastewater treatment plant performace using artificial neural network. Environmental Modeling and Software, 19, 919-928.
22. Hanaby, D., Turkoglu, I., Demir, Y. (2008). Prediction of wastewater treatment plant performance based on wavelet packet decomposition and neural networks. Expert Systems with Applications, 34, 1038-1043.
23. Hernandez, S. C., Bueno, J. A., Sanchez, E. N., Diaz-Jimenez, L. (2013). State Estimation by Artificial Neural Networks in a Continuous Bioreactor. IFAC Proceedings Volumes, 46, 215-220.
24. Hong, S. H., Lee, M. W., Lee, D. S., Park, J. M. (2007). Monitoring of sequencing batch reactor for nitrogen and phosphorus removal using neural networks. Biochemical Engineering Journal, 35, 365-370.
25. Kriger, C., Tzoneva, R. (2007). A neural network model for control of wastewater treatment process. IFAC Proceedings Volumes, 40, 981-986.
26. Krzemińska, D. Neczaj, E., Parkitna, K. (2013). Zastosowanie reakcji Fentona do wspomagania biologicznego oczyszczania ścieków z przemysłu mleczarskiego. Rocznik Ochrona Środowiska, 15, 2381-2397.
27. Lee, J-W., Suh, C., Hong, Y-S. T., Shin, H-S. (2011). Sequential modeling of full-scale wastewater treatment plant using and artificial neural network. Bioprocesses and Biosystems Engineering, 34, 963-973.
28. Lee, J-W., Suh, C., Hong, Y-S. T., Shin, H-S., (2011). Sequential modeling of full-scale wastewater treatment plant using and artificial neural network, Bioprocesses and Biosystems Engineering, 34, 963-973.
29. Mjalli, F. S., Al-Asheh, S., Alfadala, H. E. (2007). Use of artificial neural network black-box modeling for prediction of wastewater treatment plants performance. Journal of Environmental Management, 83, 329-338.
30. Moral, H., Aksoy, A., Gokcay, C. F. (2008). Modeling of the activated process by using artificial neural networks with automated architecture screening. Computers and Chemical Engineering, 32, 2471-2478.
31. Moreno-Alfonso, N., Redondo, C. F. A. (2001). Intelligent waste-water treatment with neural-networks. Water Policy, 3, 267- 271.
32. Ou, H-S., Wei, C-H., Wu, H-Z., He, B-Y. (2015). Sequential dynamic artificial neural network modeling of a full-scale coking wastewater treatment plant with fluidized bed reactors. Environmental Science and Pollution Research,22, 15910-15919.
33. Ou, H-S., Wei, C-H., Wu, H-Z., He, B-Y. (2015). Sequential dynamic artificial neural network modeling of a full-scale coking wastewater treatment plant with fluidized bed reactors. Environmental Science and Pollution Research, 22, 15910-15919.
34. Piekarski, J. (2011). Zastosowanie metod numerycznych do modelowania procesu filtracji grawitacyjnej. Rocznik Ochrona Środowiska, 13, 315-332.
35. Pomiès M., Choubert J. M., Wisniewski C., Coquery M. (2013). Modeling of micropollutant removal in biological wastewater treatments: A review. Science of the Total Environment, 443, 733- 748
36. Ráduly, B., Gernaey, K. V., Capodaglio, A. G., Mikkelsen, P. S. (2007). Artificial neural network for rapid WWTP performance evaluation: Methodology and case study. Environmental Modeling and Software, 22, 1208-1216.
37. Sadecka, Z., Płuciennik-Koropczuk, E., Sieciechowicz, A. (2011). Frakcje ChZT ścieków w modelach biokinetycznych. Forum Eksploatatora, 54, 72-77.
38. Sánchez-Avila, J., Bonet, J., Velasco, G., Lacorte, S. (2009). Determination and occurrence of phthalates, alkylophenols, bisphenol A, PBDEs and PAHs in an industrial sewage grid discharging to a Municipal Wastewater Treatment Plant. Science of The Total Environment, 407, 4157-4167.
39. Skoczko, I., Ofman, P., Szatyłowicz, E. (2016). Zastosowanie sztucznych sieci neuronowych do modelowania procesu oczyszczania ścieków w małej oczyszczalni ścieków. Rocznik Ochrony Środowiska, 18, 493-506.
40. Sochacki, A., Płonka, L., Miksch, K. (2010). Zastosowanie modeli matematycznych w symulacji procesów oczyszczania ścieków metodą osadu czynnego. Forum Eksploatatora, I/II, 5-56.
41. Sponza D. T., Gök O. (2010). Effect of rhamnolipid on the aerobic removal of polyaromatic hydrocarbons (PAHs) and COD components form petrochemical wastewater. Bioresource Technology, 101, 914- 924
42. Struk-Sokołowska, J. (2011). Zmiany udziału frakcji ChZT podczas oczyszczania ścieków z dużym udziałem ścieków mleczarskich. Rocznik Ochrona Środowiska, 12, 2015- 2032.
43. Struk-Sokołowska, J., Ignatowicz, K. (2013). Współoczyszczanie ścieków komunalnych i mleczarskich przy zastosowaniu technologii SBR. Rocznik Ochrona Środowiska, 15, 1881-1898.
44. Szetela, R., Dymaczewski, Z. (2002). Modyfikacja obecnej postaci modelu osadu czynnego ASM2d. Ochrona Środodowiska, 1/84, 3-8.
45. Tomenko, V., Ahmed, S., Popov, S. (2007). Modelling constructed wetland treatment system performace. Ecological Modelling, 24, 355-364.
46. Verma, A., Wei, X., Kusiak, A. (2013). Predicting the total suspended solid in wastewater: A data-mining approach. Engineering Applications of Artificial Intelligence, 26, 1366-1372.
47. Zielińska, M., Cydzik-Kwiatkowska, A., Zieliński, M., Dębowski, M. (2013). Impact of temperature, microwave radiation and organic loading rate on methanogenic community and biogas production during fermentation of dairy wastewater. Biosource Technology, 129, 308-314.
48. Ҫinar, Ö. (2005). New tool for evaluation of performance of wastewater treatment plant: Artificial neural network. Process Biochemistry, 40, 2980- 2984.

Uwagi

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

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-29c52554-9235-45b4-ba5d-2d9659d47a51