Zastosowanie metod czarnej skrzynki do prognozowania wartości wybranych wskaźników jakości ścieków dopływających do oczyszczalni komunalnej

• Autorzy: Szeląg B. , Bartkiewicz L. , Studziński J.

Warianty tytułu

EN

Black-box forecasting of selected indicator values for influent wastewater quality in municipal treatment plant

• Języki publikacji: PL

Abstrakty

PL

Prognozowanie ilości i jakości ścieków dopływających do oczyszczalni komunalnej z odpowiednim wyprzedzeniem czasowym daje możliwość optymalnego sterowania wieloma parametrami procesów oczyszczania ścieków. Dlatego prowadzi się badania mające na celu opracowanie modeli matematycznych (fizykalnych deterministycznych i operatorowych statystycznych), prognozujących zarówno ilość, jak i jakość ścieków dopływających do oczyszczalni. W artykule zbadano możliwość zastosowania prostszych modeli operatorowych do prognozowania wartości wybranych wskaźników jakości ścieków na dopływie do oczyszczalni (BZT5, zawiesiny ogólne, azot ogólny i amonowy, fosfor ogólny) jedynie na podstawie wyników pomiarów natężenia przepływu ścieków oraz – w celu porównania – na podstawie ich zmierzonych wartości. Do tego celu zastosowano metody czarnej skrzynki typu MARS oraz lasy losowe (RF). Dodatkowo przedstawiono możliwość połączenia metody lasów losowych z modelem klasyfikacyjnym (RF+SOM). Do identyfikacji danych określających zmienność wybranych wskaźników jakości ścieków zastosowano metody drzew wzmacnianych (BT) i analizy składowych głównych (PCA). Modele opracowano na podstawie wyników ciągłych pomiarów dobowych przeprowadzonych w latach 2013–2015 w oczyszczalni ścieków komunalnych w Rzeszowie.

EN

Forecasting the amount and quality of wastewater flowing into a treatment plant sufficiently in advance, enables effective control of numerous treatment process parameters. Therefore, mathematical (physical deterministic and time series statistical) models forecasting both the amount and quality of wastewater inflow into a sewage treatment plant are under development. In this paper, a possibility of simpler time series models application to forecasting values of selected indicators (biochemical oxygen demand (BOD5), total suspended solids (TSS), total nitrogen (TN), total phosphorus (TP) and ammonium (NH4+)) of sewage quality in the inflow into a treatment plant was investigated. The research was based solely on sewage flow rate data and – for the purpose of comparison – the actual measured indicator values. For this purpose, MARS type black-box and random forest (RF) methods were used. Also, a possibility of combining the RF method with a classification model (RF+SOM) was investigated. Boosted trees (BT) and principal component analysis (PCA) methods were applied for identification of data that determine variability of the selected sewage quality indicators. The models were developed on the basis of continuous daily measurements performed in the period of 2013–2015 in the municipal sewage treatment plant in Rzeszow.

Słowa kluczowe

PL

ścieki komunalne; modelowanie; prognozowanie jakości ścieków metoda MARS; metoda lasów losowych (RF); metoda samoorganizujących się sieci neuronowych (SOM); metoda drzew wzmacnianych; BT; metoda analizy głównych składowych; PCA

EN

sewage; modeling; sewage quality forecasting; MARS (multivariate adaptive regression spline); random forest (RF); self-organizing map; SOM; boosted trees (BT); principal component analysis; PCA

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2016
• Tom: Vol. 38, nr 4
• Strony: 39--46
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Szeląg B.

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

autor

Bartkiewicz L.

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

autor

Studziński J.

• Instytut Badań Systemowych Polskiej Akademii Nauk, Centrum Zastosowań Informatyki w Inżynierii Środowiska, ul. Newelska 6, 01-447 Warszawa

Bibliografia

• 1. S.A. DELLANA, D. WEST: Predictive modeling for wastewater applications: Linear and nonlinear approaches. Environmental Modelling and Software 2009, Vol. 24, pp. 96–106.
• 2. 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.
• 3. 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.
• 4. A.VERMA, X.WEI, A. KUSIAK: Predicting the total suspended solids in wastewater: A data-mining approach. Engineering Applications of Artificial Intelligence 2013, Vol. 26, No. 4, pp. 1366–1372.
• 5. K.P. OLIVEIRA-ESQUERRE, M. MORI, R.E. BRUNS: Simulation of an industrial wastewater treatment plant using artificial neural networks and principal components analysis. Brazilian Journal of Chemical Engineering 2002, Vol. 19, No. 4, pp. 365–370.
• 6. L. RUTKOWSKI.: Metody i techniki sztucznej inteligencji. PWN, Warszawa 2006.
• 7. M. CHUCHRO: Struktura szeregu czasowego natężenia dopływu ścieków do oczyszczalni. Rozprawa doktorska, Akademia Górniczo-Hutnicza, Kraków 2009.
• 8. H.G. HAN, J.F. QIAO: Prediction of activated sludge bulking based on a self-organizing RBF neural network. Journal of Process Control 2012, Vol. 22, No. 6, pp. 1103–1112.
• 9. H.G. HAN, Y. LI, Y. GUO, J.F. QIAO: A soft computing method to predict sludge volume index based on a recurrent self-organizing neural network. Applied Soft Computing 2016, Vol. 38, pp. 477–486.
• 10. G. KACZOR, T. BERGEL, P. BUGAJSKI: Impact of extraneous waters on the proportion of sewage pollution indices regarding its biological treatment. Infrastruktura i Ekologia Terenów Wiejskich 2015, nr IV/3, ss. 1251–1260.
• 11. G. KACZOR: Oddziaływanie wód przypadkowych na stężenie związków biogennych w ściekach surowych i oczyszczonych podczas pogody mokrej. Infrastruktura i Ekologia Terenów Wiejskich 2012, nr 3/IV, ss. 179–191.
• 12. 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, pp. 1–13.
• 13. I.T. JOLLIFFE: Principal Component Analysis. Springer Series in Statistics, 2nd edition, Springer, New York 2002.
• 14. T. KUDO, Y. MATSUMOTO: A boosting algorithm for classification of semistructured text. Proceedings of the Conference on Empirical Methods in Natural Language Processing 2004 (EMNLP), pp. 301–308.
• 15. W. ZHANG, A.T.C. GOH: Multivariate adaptive regression splines and neural network models for prediction of pile drivability. Geoscience Frontiers 2016, Vol. 7, No. 1, pp. 45–52.
• 16. G. GUTIÈRREZ, Á.S. SCHANBEL, J.F.L. CONTADOR: Using and comparing two nonparametric methods (CART and MARS) to model the potential distribution of gullies. Ecological Modelling 2009, Vol. 220, No. 24, pp. 3630–3637.
• 17. L. BREIMAN: Random forest. Journal Machine Learning 2000, Vol. 45, No. 1, pp. 5–32.
• 18. T. KOHONEN: Self-organized formation of topologically correct feature maps. Biological Cybernetics 1982. Vol. 43, pp. 59–69.