Zastosowanie sztucznych sieci neuronowych do modelowania procesu oczyszczania ścieków w małej oczyszczalni ścieków

• Autorzy: Skoczko I. , Ofman P. , Szatyłowicz E.

Warianty tytułu

EN

Using Artificial Neural Networks for Modeling Wastewater Treatment in Small Wastewater Treatment Plant

• Języki publikacji: PL

Abstrakty

PL

Celem pracy było opracowanie modelu „Black Box” dla Miejskiej Oczyszczalni Ścieków w Stawiskach. Badana oczyszczalnia ścieków na podstawie równoważnej liczby mieszkańców (RLM) zaliczana jest do obiektów z II grupy, zgodnie z Rozporządzeniem Ministra Środowiska z 11 listopada 2014 roku, w których monitoring jakości ścieków oczyszczonych obejmuje ilość zawiesin ogólnych, BZT₅ i ChZTCr. Model matematyczny został opracowany na podstawie badań prowadzonych w latach 2005-2013, które dotyczyły jakości ścieków surowych i oczyszczonych. W modelu jako zmienne wejściowe uwzględniono ilość mieszkańców miejscowości, ilość ścieków dopływających systemem kanalizacyjnym oraz ilość ścieków dowożonych. Opracowana sieć neuronowa wykazywała bardzo dobre dopasowanie do parametrów rzeczywistych. Opracowany model regresyjnym odznaczał się dobrym dopasowanie wartości przewidywanych do obserwowanych. Współczynniki korelacji uzyskane dla tych par zmiennych równe były dla BZT5 0,99, dla ChZTCr 0,94 i dla zawiesin ogólnych 0,97, przy wartościach średniego błędu bezwzględnego równego dla poszczególnych zmiennych odpowiednio 0,37; 5,49 i 1,72.

EN

The aim of this study was to develop a model of "Black Box" for Municipal Wastewater Treatment Plant in Stawiskach. This sewage treatment plant based on of population equivalent (pe) is among the objects from the second group, in accordance with the Regulation of the Minister of Environment of 11 November 2014, in which monitoring of the effluent includes the amount of total suspended solids, BOD₅ and COD. A mathematical model was developed based on research conducted in the years 2005-2013, which concerned the quality of raw sewage and sewage. In the model as input variables takes into account the number of inhabitants of the village, the amount of sewage influent sewer system and the amount of waste imported from the city. The developed neural network showed a very good fit to the actual parameters. Developed regression model was characterized by a good fit to the observed predicted values. The correlation coefficients obtained for these couples variables were equal to 0.99 BOD, COD norm of 0.94 and 0.97 for total suspended solids, with values of average absolute error for each variable equal to 0.37; 5.49 and 1.72.

Słowa kluczowe

PL

oczyszczalnia ścieków; model black box; sztuczne sieci neuronowe

EN

wastewater treatment plant; model black box; artificial neural networks

• Wydawca: Politechnika Koszalińska
• Czasopismo: Rocznik Ochrona Środowiska
• Rocznik: 2016
• Tom: Tom 18, cz. 1
• Strony: 493--506
• Opis fizyczny: Bibliogr. 15 poz., tab., rys.

Twórcy

autor

Skoczko I.

• Politechnika Białostocka

autor

Ofman P.

• Politechnika Białostocka

autor

Szatyłowicz E.

• Politechnika Białostocka

Bibliografia

• 1. Dąbrowski, T., Piecuch, T. (2005). Matematyczny opis technologii podczyszczania ścieków z zakładu przetwórstwa ryb. Rocznik Ochrona Środowiska, 7, 71-98.
• 2. Dellan, S. S., West D. (2009). Predictive modeling for wastewater applications: Linear and nonlinear approaches. Environmental Modeling & Software, 24, 96-106.
• 3. Długosz, J., Gawdzik, J. (2013). Ocena skuteczności funkcjonowania oczyszczalni ścieków w Barczy (woj. Świętokrzyskie), Proceedings of ECOpole, 7(1), 311-317.
• 4. Dogan, E., Sengorur, B., Koklu, R. (2009). Modeling biological oxygen demand of the Melen River in Turkey using an artificial neural network technique, Journal of Envrionmental Management, 90, 1229-1235.
• 5. Hamed, M. H., Khalafallah, M. G., Hassanien, E. A. (2004). Prediction of wastewater treatment plant performance using artificial neural networks. Environmental Modeling & Software, 19, 919-928.
• 6. He, B., Oki, T., Sun, F., Komori, D., Kanae, S., Wang, Y., Kim, H., Yamazaki, D. (2011). Estimating monthly total nitrogen concentration in streams by using artificial neural network, Journal of Environmental Management, 92, 172-177.
• 7. Lek, S., Guegan, J. F. (1999). Artificial neural networks as a tool in ecological modeling an introduction, Ecological Modeling, 120, 65-73.
• 8. 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.
• 9. Moreno-Alfonso, N., Redondo, C. (2001). Inteligent wastewater treatment with neural-networks. Water Plicy, 3, 267-271.
• 10. Piekarski, J. (2011). Zastosowanie metod numerycznych do modelowania procesu filtracji grawitacyjnej. Rocznik Ochrona Środowiska, 13, 315-332.
• 11. Przybyła, C., Bykowski J., Filipiak J. (2009). Efektywność funkcjonowania gminnych oczyszczalni ścieków, Rocznik Ochrona Środowiska, 11, 231-239.
• 12. Raković, V., Radulović, J., Radojević, I., Ostojić, A. Comić, L. (2010). Neural Network modeling of dissolved oxygen in the Gruza reservior, Serbia, Ecological Modeling, 221, 1239-1244.
• 13. Recknagel, F. (2001). Applications of machine learning to ecological modeling, Ecological Modeling, 146, 303-310.
• 14. Singh, K. P., Basant, A., Malik, A., Jain, G. (2009). Artificial neural network modeling of the river water quality – A case study, Ecological Modeling, 220, 888-895.
• 15. Wiśniewska-Kadżajan, B., Jankowski, K., Sosnowski, J. (2010). Skuteczność oczyszczania ścieków komunalnych w wybranych oczyszczalniach powiatu Siedleckiego. Ochrona Środowiska i Zasobów Naturalnych, 52, 32-41.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.