Ocena wpływu zmiennych wejściowych i struktury modelu sztucznej sieci neuronowej na prognozowanie dopływu ścieków komunalnych do oczyszczalni

Bartkiewicz, L.; Szelag, B.; Studziński, J.

Artykuł - szczegóły

Tytuł artykułu

Ocena wpływu zmiennych wejściowych i struktury modelu sztucznej sieci neuronowej na prognozowanie dopływu ścieków komunalnych do oczyszczalni

Autorzy

Bartkiewicz L. , Szelag B. , Studziński J.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Impact assessment of input variables and ANN model structure on forecasting wastewater inflow into sewage treatment plants

Języki publikacji

Abstrakty

Ze względu na stochastyczny charakter zjawiska dopływu ścieków do oczyszczalni, występują duże nierównomierności zarówno ilości, jak i jakości ścieków, co ma znaczący wpływ na funkcjonowanie obiektów technologicznych oczyszczalni. Z tego względu celowe jest prognozowanie wartości dopływu ścieków, co pozwala na przygotowanie obiektu na występowanie zdarzeń anormalnych, mogących doprowadzić do zaburzeń w działaniu urządzeń oczyszczalni. W artykule przedstawiono wyniki modelowania wartości dopływu ścieków z zastosowaniem sztucznych sieci neuronowych. W przeprowadzonych analizach wykorzystano wyniki trzyletnich pomiarów wysokości opadów atmosferycznych oraz dopływu ścieków komunalnych do miejskich oczyszczalni w Rzeszowie i Kielcach. Do oceny wpływu zmiennych objaśniających na jakość modelu zastosowano metodę regresji logistycznej. Uwzględniono takie zmienne, jak wysokość opadów atmosferycznych oraz dobowy dopływ ścieków do oczyszczalni, które były odpowiednio opóźnione w stosunku do wartości prognozowanej. Zbadano także wpływ parametrów struktury rozpatrywanego modelu na dokładność prognozy tworzonych modeli matematycznych.

Due to a stochastic nature of sewage inflow into a treatment plant the inflow amount and its quality are highly variable which has a significant impact on the plant technological objects operation. Hence, sewage inflow forecasting would be desirable as it allows for mitigating the impact of abnormal events that might lead to major plant installation disruption. This paper presents the results of a raw sewage inflow modeling using Artificial Neural Networks (ANNs). Results of the three-year measurements of precipitation rates and sewage treatment plant inflow in Rzeszow and Kielce were used in the analyses. To assess the impact of exogenous variables on the model quality the logistic regression method was applied. The variables considered were the precipitation rate and daily sewage inflow, which were appropriately delayed in relation to the forecasted inflow values. Impact of the model structure parameters on accuracy of the mathematical model forecasts was also investigated.

Słowa kluczowe

oczyszczalnia ścieków dopływ ścieków modelowanie prognozowanie SSN współczynnik korelacji

sewage treatment plant wastewater inflow modeling forecasting ANN correlation coefficient

Wydawca

Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski

Czasopismo

Ochrona Środowiska

Rocznik

2016

Tom

Vol. 38, nr 2

Strony

29--36

Opis fizyczny

Bibliogr. 29 poz., rys., tab., wykr.

Twórcy

autor

Bartkiewicz L.

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

autor

Szelag B.

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

autor

Studziński J.

jan.studzinski@ibspan.waw.pl

Instytut Badań Systemowych PAN, Centrum Zastosowań Informatyki w Inżynierii Środowiska, ul. Newelska 6, 01-447 Warszawa

Bibliografia

1. R.W. SZETELA: Model dynamiczny oczyszczalni ścieków z osadem czynnym. Prace Naukowe Instytutu Inżynierii Ochrony Środowiska Politechniki Wrocławskiej, seria: Monografie, Wrocław 1990.
2. 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.
3. M. STACHURA: Komputerowa symulacja i optymalizacja modelu oczyszczalni ścieków. Prace Naukowe IBS PAN, seria: Badania Systemowe, t. 59, Warszawa 2008.
4. S.A. DELLANA, D. WEST: Predictive modeling for wastewater applications: Linear and nonlinear approaches. Environmental Modelling and Software 2009, Vol. 24, pp. 96–106.
5. A.G. EL-DIN, D.W. SMITH: Modelling approach for high flow rate in wastewater treatment operation. Journal of Environmental Engineering and Science 2002, Vol. 1, No. 4, pp. 275–291.
6. 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.
7. X. WEI, A. KUSIAK, H.R. SADAT: Prediction of influent flow rate: Data-mining approach. Journal of Energy Engineering 2012, Vol. 19, No. 2, pp. 118–123.
8. A. BOROWA, M.A. BRDYŚ, K. MAZUR: Modeling of wastewater treatment plant for monitoring and control purposes by state-space wavelet networks. International Journal of Computers, Communications & Control 2007, Vol. 2, No. 2, pp. 121–131.
9. M. CHUCHRO: Struktura szeregu czasowego natężenia dopływu ścieków do oczyszczalni. Rozprawa doktorska, Akademia Górniczo-Hutnicza, Kraków 2009.
10. L. BARTKIEWICZ, J. STUDZIŃSKI: Mathematical modeling of the hydraulic load of communal wastewater networks. In: G.K. JANSSENS, K. RAMAKERS, A. CARIS [Eds.]: Modeling and Simulation, EUROSIS-ETI, Hasselt (Belgium) 2010, pp. 156–160.
11. J. STUDZIŃSKI, L. BARTKIEWICZ: Metody i programy wspomagające rozwiązywanie zadań modelowania i identyfikacji systemów. Instal 2009, nr 4a, ss. 59–64.
12. L. BARTKIEWICZ, M. STACHURA, J. STUDZIŃSKI: Modelowanie obciążenia hydraulicznego miejskiego systemu wodociągowo-kanalizacyjnego. W: J. ŁOMOTOWSKI [red.]: Wody opadowe a zjawiska ekstremalne. Wydawnictwo Seidel-Przywecki, Warszawa 2011, ss. 75–82.
13. M. VILIMEK: An artificial neural network approach and sensitivity analysis in predicting skeletal muscle forces. Acta of Bioengineering and Biomechanics 2014, Vol. 16, No. 3, pp. 119–127.
14. A. KICZKO, R.J. ROMANOWICZ, M. OSUCH, E. KARAMUZ. Maximising the usefulness of flood risk assessment for the River Vistula in Warsaw. Natural Hazards and Earth System Sciences 2013, Vol. 13, pp. 3443–3455.
15. G. ARCHER, A. SALTELLI, I.M. SOBOL: Sensitivity measures, Anova-like techniques and the use of bootstrap. Journal of Statistical Computation and Simulation 1997, Vol. 58, No. 2, pp. 99–120.
16. L. RUTKOWSKI: Flexible Neuro-fuzzy Systems: Structures, Learning and Performance Evaluation. Kluwer Academic Publisher, Boston 2004.
17. D. RUTKOWSKA, M. PILIŃSKI, L. RUTKOWSKI: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Wydawnictwo Naukowe PWN, Warszawa 1997.
18. 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.
19. D. MCFADDEN: Conditional logit analysis of qualitative choice behavior. In: P. ZAREMBKA [Ed.]: Frontiers in Econometrics. Academic Press, New York 1973, pp. 105–142.
20. B. PRADHAN: Flood susceptible mapping and risk area delineation using logistic regression, GIS and remote sensing. Journal of Spatial Hydrology 2009, Vol. 9, No. 2, pp. 1–18.
21. X.Y. SUN, C.J. THOMPSON, B.F.W. CROKE: Using a logistic regression model to delineate channel network in southeast Australia. Proc. of 19th International Congress on Modelling and Simulation, Perth (Australia) 2011.
22. T. HEYER, J. STAMM: Levee reliability analysis using logistic regression models – abilities, limitations and practical considerations. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards 2013, Vol. 7, No. 2, pp. 77–87.
23. F. INGELMO, M.J. MOLINA, J.M. PAZ, F. VISCONTI: Soil saturated hydraulic conductivity assessment from expert evaluation of field characteristics using an ordered logistic regression model. Soil & Tillage Research 2011, Vol. 115–16, pp. 27–38.
24. L. AYLEW, H. YAMAGISHI: The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains. Central Japan. Geomorphology 2005, Vol. 65, No. 1–2, pp. 15–31.
25. S. KAWAGOE, S. KAZAMA, P.R. SARUKKALIGE: Probabilistic modelling of rainfall induced landslide hazard assessment. Hydrology and Earth System Sciences 2010, Vol. 14, No. 6, pp. 1047–1061.
26. P.A. GRANIERO, J.S. PRICE: Distribution of bog and heath in a Newfoundland blanket bog complex: Topographic limits on the hydrological processes governing blanket bog development. Hydrology Earth System Sciences 1999, Vol. 3, No. 2, pp. 223–231.
27. M. DAŃCZUK, J. ŁOMOTOWSKI: Application of the microwave energy to the hygienization of sewage sludge. Environment Protection Engineering 2010, Vol. 4, No. 36, pp. 77–85.
28. F. HARRELL: Regression Modeling Strategies with Application to Linear Models, Logistic Regression, and Survival Analysis. Springer Verlag, New York 2001.
29. Szeregi opadowe z Lotniskowej Stacji Meteorologicznej Rzeszów. IMGW, Rzeszów 2005–2008.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-d76ea798-62b6-4308-92ec-e2b87c69cdce