Optymalizacja doboru metody do symulacji puchnięcia osadu z uwzględnieniem aspektów technologicznych i ekonomicznych na przykładzie oczyszczalni ścieków Sitkówka – Nowiny

• Autorzy: Szeląg Bartosz , Berezowska-Kominek Paulina , Drewnowski Jakub

Warianty tytułu

EN

Optimization of the method selection to simulate activated sludge bulking considering the technological and economical aspects at the example of the Sitkówka – Nowiny WWTP

• Języki publikacji: PL

Abstrakty

PL

Metodyka optymalizacji doboru metody do symulacji puchnięcia osadu czynnego z uwzględnieniem aspektów technologicznych i ekonomicznych na przykładzie oczyszczalni Sitkówka – Nowiny. Rozważenie szeregu metod w celu optymalizacji doboru metody eksploracji danych w zależności od danych zebranych w ramach studium przypadku, w tym: sztuczne sieci neuronowe, regresja logistyczna itp. Poszukiwanie kombinacji zmiennych niezależnych charakteryzujących się wysoką dokładnością i stosunkowo niskimi kosztami oznaczania w przeprowadzonej analizie. Możliwość osiągnięcia dobrego dopasowania do modelu dzięki wynikom pomiaru dotyczącym ilości i jakości ścieków oraz temperatury w komorach osadu czynnego. Propozycja autorskiego systemu estymacji, pozwalającego na zmniejszenie liczby zmiennych niezależnych w model – ilość i jakość ścieków, parametry eksploatacyjne, koszt wykonania pomiarów w celu uproszczenia wyboru optymalnej metody identyfikacji puchnięcia osadu czynnego w zależności od wymagań modelu i danych zebranych w ramach badanej oczyszczalni.

EN

The methodology for Optimization of the Method Selection to Simulate Activated Sludge Bulking Considering the Technological and Economical Aspects on the example of the Sitkówka – Nowiny WWTP. Consideration of a number of methods in order to optimize the selection of the data-mining method depending on the data collected within a case study, including: artificial neural networks or logistic regression etc. Seeking of the combinations of independent variables characterized with high accuracy and at a relatively low cost of determination in the conducted analysis. The possibility of achievement of a good fit in model with the measurement results pertaining to the quantity and quality of wastewater as well as the temperature in the activated sludge reactors. Proposition of an original system of estimation was proposed, enabling a reduction in the number of independent variables in a model – quantity and quality of wastewater, operational parameters, and the cost of conducting measurements in order to simplify the selection of an optimal method for the identification of activated sludge bulking depending on the model requirements and the data collected within the analyzing WWTP.

Słowa kluczowe

PL

ochrona środowiska; oczyszczalnie ścieków; Sitkówka-Nowiny; reaktory biologiczne

• Wydawca: IMOGEOR, Spółka z o. o.
• Czasopismo: Inżynieria Morska i Geotechnika
• Rocznik: 2022
• Tom: nr 4
• Strony: 143--152
• Opis fizyczny: Bibliogr. 26 poz., rys., tab.

Twórcy

autor

Szeląg Bartosz

• Politechnika Świętokrzyska, Wydział Inżynierii Środowiska, Geomatyki i Energetyki

autor

Berezowska-Kominek Paulina

• Zakład Gospodarki Komunalnej w Gorzycach

autor

Drewnowski Jakub

• Politechnika Gdańska, Wydział Inżynierii Lądowej i Środowiska

Bibliografia

• 1. Bagheri M., Mirbagheri S. A., Bagheri Z., Kamarkhani A. M.: Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach. Process Saf. Environ. Prot. 2015, 95, 12-25.
• 2. Bayo J., Angosto J. M., Serrano-Aniorte J., Cascales-Pujalte J.A., Fernández-López C., López-Castellanos J.: Evaluation of physicochemical parameters influencing bulking episodes in a municipal wastewater treatment plant. In Water Pollution VIII: Modelling, Monitoring and Management; WIT Transactions on Ecology and the Environment, Volume 95; WIT Press: Southampton, UK, 2006; Volume 1, pp. 531-540.
• 3. Boztoprak H., Özbay Y., Güçlü D., Küçükhemek M.: Prediction of sludge volume index bulking using image analysis and neural network at a full-scale activated sludge plant. Desalin. Water Treat. 2016, 57, 17195–17205.
• 4. Breiman L.: Random Forests. Mach. Learn. 2001, 45, 5-32.
• 5. Capodaglio A.: Sludge bulking analysis and forecasting: Application of system identification and artificial neural computing technologies. Water Res. 1991, 25, 1217-1224.
• 6. Castillo A., Porro J., Garrido-Baserba M., Rosso D., Renzi D., Fatone F., Gómez V., Comas J., Poch M.: Validation of a decision support tool for wastewater treatment selection. J. Environ. Manag. 2016, 184, 409-418.
• 7. Comas J., Rodríguez-Roda I., Gernaey K.V., Rosen C., Jeppsson U., Poch M.: Risk assessment modelling of microbiology-related solids separation problems in activated sludge systems. Environ. Model. Softw. 2008, 23, 1250-1261.
• 8. Corominas L., Larsen H.F., Flores-Alsina X., Vanrolleghem P.A.: Including Life Cycle Assessment for decision-making in controlling wastewater nutrient removal systems. J. Environ. Manag. 2013, 128, 759-767.
• 9. Cortés U., Martínez M., Comas J., Sànchez-Marrè M., Poch M., Rodríguez-Roda I.: A conceptual model to facilitate knowledge sharing for bulking solving in wastewater treatment plants. AI Commun. 2003, 16, 279-289.
• 10. Deepnarain N., Nasr M., Kumari S., Stenström T. A., Reddy P., Pillay K., Bux F.: Decision tree for identification and prediction of filamentous bulking at full-scale activated sludge wastewater treatment plant. Process Saf. Environ. Prot. 2019, 126, 25-34.
• 11. Fernandez de Canete J., Del Saz-Orozco P., Baratti R., Mulas M., Ruano A., Garcia-Cerezo A.: Soft-sensing estimation of plant effluent concentrations in a biological wastewater treatment plant using an optimal neural network. Expert Syst. Appl. 2016, 63, 8-19.
• 12. Flores-Alsina X., Comas J., Rodriguez-Roda I., Gernaey K. V., Rosen C.: Including the effects of filamentous bulking sludge during the simulation of wastewater treatment plants using a risk assessment model. Water Res. 2009, 43, 4527-4538.
• 13. Friedman J. H.: Stochastic gradient boosting. Comput. Stat. Data Anal. 2002, 38, 367-378.
• 14. Han H., Qiao J.: Hierarchical Neural Network Modeling Approach to Predict Sludge Volume Index of Wastewater Treatment Process. IEEE Trans. Control Syst. Technol. 2013, 21, 2423-2431.
• 15. Han H. G., Li Y., Guo Y. N., Qiao J.-F.: A soft computing method to predict sludge volume index based on a recurrent self-organizing neural network. Appl. Soft Comput. 2016, 38, 477-486.
• 16. Han H. G., Qiao J. F.: Prediction of activated sludge bulking based on a self-organizing RBF neural network. J. Process Control 2012, 22, 1103-1112.
• 17. Henze M., Harremoes P., Arvin E., Lacour J.: Wastewater Treatment. Biological and Chemical Processes; Springer: Berlin/Heidelberg, Germany, 2002.
• 18. Lou I., Zhao Y.: Sludge Bulking Prediction Using Principle Component Regression and Artificial Neural Network. Mathematical Problem in Engineering, 2012, 1-17.
• 19. Martins A. M. P., Heijnen J. J., van Loosdrecht M. C. M.: Bulking sludge in biological nutrient removal systems. Biotechnol. Bioeng. 2004, 86, 125-135.
• 20. Mirbagheri S. A., Bagheri M., Boudaghpour S., Ehteshami M., Bagheri Z.: Performance evaluation and modeling of a submerged membrane bioreactor treating combined municipal and industrial wastewater using radial basis function artificial neural networks. J. Environ. Health Sci. Eng. 2015, 13, 17.
• 21. Rössle W. H., Pretorius W. A.: Batch and automated SVI measurements based on short-term temperature variations. Water SA 2019, 34, 237.
• 22. Szeląg B.: Modelowanie Matematyczne. Optymalizacja i Sterowanie. Praca Przepływowych Oczyszczalni Ścieków; Monografia IBS PAN: Warszawa, Poland, 2019.
• 23. Szeląg B., Barbusiński K., Studziński J.: Activated sludge process modelling using selected machine learning techniques. Desalination and Water Treatment, 2018a, 1-10.
• 24. Szeląg B., Barbusiński K., Studziński J.: Application of the model of sludge volume index forecasting to assess reliability and improvement of wastewater treatment plant operating conditions. Desalination and Water Treatment 2019, 140, 143-154.
• 25. Szeląg B., Studziński J. (2018). Modelling and Forecasting the Sludge Bulking in Biological Reactors of Wastewater Treatment Plants by Means of Data Mining Methods. 296 – 305, Proceedings of the First International Conference on Intelligent Systems in Production Engineering and Maintenance ISPEM 2017, 296-305.
• 26. Szeląg B., Studziński J., Barbusiński K.: Application of the model of sludge volume index forecasting to assess reliability and improvement of wastewater treatment plant operating conditions. Desalination and Water Treatment, 2018.