Prognozowanie i optymalizacja stężenia związków biogennych w osadzie czynnym z oczyszczalni ścieków przy wykorzystaniu wybranych modeli uczenia maszynowego

• Autorzy: Wodołażski Artur

Identyfikatory

DOI

10.15199/62.2021.6.4

Warianty tytułu

EN

Forecasting and optimization of the concentration of biogenic compounds in activated sludge from sewage treatment plants using selected machine learning models

• Języki publikacji: PL

Abstrakty

PL

Proces utleniania osadu czynnego jest szeroko stosowany do usuwania zanieczyszczeń w oczyszczalniach ścieków. Rosnąca ilość przetwarzanych odpadów i marnotrawionej żywności prowadzi do wzrostu stężenia azotu całkowitego i fosforu całkowitego, co ma wpływ na pogorszenie jakości przetwarzanych ścieków. Do optymalizacji procesowej użyto algorytmu genetycznego. Do celów predykcji stężenia związków biogennych w osadzie czynnym zastosowano dwa różne modele uczenia maszynowego: sztuczną sieć neuronową (ANN-MLP) i regresyjną metodę wektorów nośnych (SVR). Wyniki pokazały, że oba modele można skutecznie zastosować do prognozowania stężenia związków biogennych, jednak model z użyciem ANN wykazał większą dokładność na etapie treningowym i walidacji niż SVR. Przewidywanie i optymalizacja składu związków biogennych w procesie tlenowego oczyszczania ścieków ma istotny wpływ na jakość uzyskiwanych oczyszczonych ścieków.

EN

A genetic algorithm was used to optimize the process. The concn. of nutrients in the activated sludge was predicted using 2 different machine learning models, artificial neural network (ANN-MLP) and support vector regression (SVR). Both models can be used effectively to predict nutrient concns., but the ANN model showed higher training and validation accuracy than the SVR.

Słowa kluczowe

PL

oczyszczanie ścieków; model uczenia maszynowego; stężenie zanieczyszczeń; związki biogenne; prognozowanie; optymalizacja

EN

wastewater treatment; machine learning model; pollutant concentration; biogenic compounds; forecasting; optimization

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przemysł Chemiczny
• Rocznik: 2021
• Tom: T. 100, nr 6
• Strony: 565--568
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr.

Twórcy

autor

Wodołażski Artur

• Główny Instytut Górnictwa, ul. Plac Gwarków 1, 40-166 Katowice

Bibliografia

• [1] A. Chiavola, Biochem. Eng. J. 2014, 4, 71.
• [2] S. Chelliapan, S.B. Mahat, M.F. Din, A. Yuzir, Iranica J. Energy Environ. 2012, 3, 85.
• [3] A.J. García, M.B. Esteban, M.C. Márquez, P. Ramos, Waste Manag. 2005, 25, nr 8, 780.
• [4] S. Bengtsson, M. de Blois, B. Wilen, D. Gustavsson, Environ. Technol. 2019, 40, nr 21, 2769.
• [5] S.F. Corsino, D. di Trapani, M. Torregrossa, G. Viviani, J. Environ. Manage. 2018, 214, 23, https://doi.org/10.1016/j.jenvman.2018.02.087.
• [6] Q. He, Q. Song, S. Zhang, W. Zhang, H. Whang, Chem. Eng. J. 2018, 331, 841, https://doi.org/10.1016/j.cej.2017.09.060.
• [7] Y.V. Nancharaiah, G.K. Reddy, Bioresour. Technol. 2018, 247, 1128, https://doi.org/10.1016/j.biortech.2017.09.131.
• [8] S.L.S Rollemberg, L.Q. de Oliveira, A.M.R Barros, V.M.M Melo, P. Firmino, Bioresour. Technol. 2019, 278, 195.
• [9] J.X. Zhang, Y. Sun, A. Li, F. Ma, Chem. Eng. J. 2017, 326, 1159, https://doi.org/10.1016/j.cej.2017.06.063.
• [10] A. Wodołażski, Int J Multiphase Flow 2020, 123, 103, https://doi.org/10.1016/j.ijmultiphaseflow.2019.103162.
• [11] H. Yoon, S.C. Jun, G.O. Bae, K. Lee, J. Hydrol. 2011, 396, nr 1-2, 128.
• [12] K.P. Singh, A. Basant, A. Malik, G. Jain, Ecol. Model. 2009, 220, nr 6, 888.

Uwagi

1. Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).

2. Praca wykonana w ramach pracy statutowej numer 11165011-320 „Utlenianie osadów ściekowych z użyciem modeli numerycznych uczenia maszynowego”.