Zastosowanie sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w odpływie z oczyszczalni ścieków

• Autorzy: Wąsik E. , Chmielowski K. , Studziński J. , Szeląg B.

Warianty tytułu

EN

Application of artificial neural networks to forecasting total nitrogen content in secondary effluent from treatment plants

• Języki publikacji: PL

Abstrakty

PL

Zaprezentowano możliwość wykorzystania sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w ściekach oczyszczonych w funkcji jego różnych postaci występujących w odpływie z oczyszczalni ścieków. W badaniach zastosowano dane z lat 2010–2016, zawierające pomiary zawartości związków azotu w ściekach odpływających z oczyszczalni obsługującej aglomerację o równoważnej liczbie mieszkańców powyżej 100000. Zbiór danych wejściowych został wstępnie poddany analizie skupień i następnie wykorzystany do trenowania sieci neuronowej w postaci perceptronu wielowarstwowego. Na podstawie uzyskanych symulacji stwierdzono, że najmniejsze wartości błędów prognozy ilosci azotu ogólnego (2÷3%) uzyskano w wariancie, gdy jego wartość była funkcją wszystkich postaci azotu występujących w oczyszczonych ściekach. W przypadku modelu wykorzystującego jedynie dane o zawartości azotu nieorganicznego oraz azotanów otrzymane wyniki symulacji niewiele różniły się od wartości rzeczywistych, na co wskazuje bardzo duża wartość współczynnika korelacji (>97%). Wartość średniego błędu bezwzględnego w tym przypadku zwiększyła się tylko o około 4 punkty procentowe do wartości 6,2% (proces uczenia) oraz 6,9% (proces testowania/walidacji) w stosunku do symulacji wykorzystującej wszystkie postacie azotu w ściekach.

EN

Potential application of artifi cial neural networks (ANN) to forecast total nitrogen content (TNC) in treated wastewater was presented as a function of selected nitrogen forms present in the secondary effl uent. The analyzed data from the period of 2010–2016 covered measurements of the nitrogen content in the effl uent from the treatment plant servicing agglomeration with a population equivalent of more than 100,000. The input data set was initially subjected to cluster analysis and then, used to train a neural network in the form of a multilayer perceptron (MLP). The simulations demonstrated that the smallest error values for the forecast of TNC (2–3%) were obtained for the variant, the value of which was a function of all the forms of nitrogen present in the secondary effl uent. For the total nitrogen model based on inorganic nitrogen and nitrates data only, the simulation results did not differ signifi cantly from the actual values, as indicated by a very high correlation coeffi cient (over 97%). In this case, the value of the mean absolute error increased only by nearly 4% to 6.2% (learning process) or 6.9% (testing/validation process), compared to the simulation based on all the nitrogen forms in the sewage.

Słowa kluczowe

PL

ścieki komunalne; ścieki oczyszczone; modelowanie; prognozowanie; sztuczne sieci neuronowe; azot ogólny; azot amonowy; azotyny; azotany; azot organiczny

EN

sewage; secondary effluent; modeling; forecasting; artificial neural networks; total nitrogen; ammonia nitrogen; nitrites; nitrates; organic nitrogen

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2018
• Tom: Vol. 40, nr 1
• Strony: 29--33
• Opis fizyczny: Bibliogr. 31 poz., rys., tab.

Twórcy

autor

Wąsik E.

• Uniwersytet Rolniczy w Krakowie, Wydział Inżynierii Środowiska i Geodezji, Katedra Inżynierii Sanitarnej i Gospodarki Wodnej, al. Adama Mickiewicza 24/28, 30-059 Kraków

autor

Chmielowski K.

• Uniwersytet Rolniczy w Krakowie, Wydział Inżynierii Środowiska i Geodezji, Katedra Inżynierii Sanitarnej i Gospodarki Wodnej, al. Adama Mickiewicza 24/28, 30-059 Kraków

autor

Studziński J.

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

autor

Szeląg B.

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

Bibliografia

• 1. Dyrektywa Rady z 21 maja 1991 r. dotycząca oczyszczania ścieków komunalnych (91/271/EWG). Dziennik Urzędowy Wspólnot Europejskich 1991, L 135/40, wraz ze zmianami.
• 2. Rozporządzenie Ministra Środowiska z 18 listopada 2014 r. w sprawie warunków, jakie należy spełnić przy wprowadzaniu ścieków do wód lub do ziemi, oraz w sprawie substancji szczególnie szkodliwych dla środowiska wodnego. Dziennik Ustaw 2014, poz. 1800.
• 3. K. IGNATOWICZ, Ł. NOWICKI, M. PUCHLIK: Profil zmian stężenia związków węgla, azotu i fosforu w oczyszczalni ścieków komunalnych w Nowej Wsi Ełckiej. Inżynieria Ekologiczna 2011, nr 24, ss. 52–63.
• 4. J. JORDANOWSKA, M. JAKUBUS: Ładunki zanieczyszczeń oraz efektywność oczyszczania ścieków komunalnych z rejonu Wrześni na przestrzeni lat. Nauka Przyroda Technologie 2013, vol. 7, nr 3, #32, ss. 1–14.
• 5. E. WĄSIK, Ľ. JURIK, K. CHMIELOWSKI, A. OPERACZ, P. BUGAJSKI: Statistical process control of removal of nitrogen compounds in the wastewater treatment plant in Krosno. Infrastructure and Ecology of Rural Areas 2017, No. IV/2, pp. 1699–1711.
• 6. Z. SADECKA: Podstawy biologicznego oczyszczania ścieków. Wydawnictwo Seidel-Przywecki, Warszawa 2010.
• 7. Z. DYMACZEWSKI [red.]: Poradnik eksploatatora oczyszczalni ścieków. Polskie Zrzeszenie Inżynierów i Techników Sanitarnych Oddział Wielkopolski, Poznań 2011.
• 8. G. KACZOR: Wpływ temperatury powietrza na temperaturę ścieków w kanalizacji i reaktorze biologicznym. Infrastruktura i Ekologia Terenów Wiejskich 2008, vol. 3, ss. 129–137.
• 9. P. BUGAJSKI: Wpływ temperatury ścieków na wielkość wybranych wskaźników zanieczyszczeń z oczyszczalni działającej w układzie sekwencyjnym SBR. Infrastruktura i Ekologia Terenów Wiejskich 2011, nr 2, ss. 7–15.
• 10. L. BARTKIEWICZ, B. SZELĄG, J. STUDZIŃSKI: Ocena wpływu zmiennych wejściowych oraz struktury modelu sztucznej sieci neuronowej na prognozowanie dopływu ścieków komunalnych do oczyszczalni (Impact assessment of input variables and ANN model structure on forecasting wastewater inflow into sewage treatment plants). Ochrona Środowiska 2016, vol. 38, nr 2, ss. 29–36.
• 11. M. CHUCHRO, A. PIÓRKOWSKI: Wykorzystanie metod i narzędzi eksploracji danych do analizy zmienności natężenia dopływu do komunalnych oczyszczalni ścieków. Studia Informatica 2010, vol. 31 nr 2B, ss. 347–358.
• 12. J. STUDZINSKI, L. BARTKIEWICZ, M. STACHURA: Development of mathematical models for forecasting hydraulic loads of water and wastewater networks. In: EnviroInfo’2013 – Environmental Informatics and Renewable Energies, Shaker Verlag, Aachen 2013.
• 13. B. SZELĄG, L. BARTKIEWICZ, J. STUDZIŃSKI, K. BARBUSIŃSKI: Evaluation of the impact of explanatory variables on the accuracy of prediction of daily inflow to the sewage treatment plant by selected models nonlinear. Archives of Environmental Protection 2017, Vol. 43, No. 3. pp. 74–81.
• 14. M. ELNEKAVE, S. O. CELIK, M. TATLIER, N. TUFEKCI: Artificial neural network predictions of up–flow anaerobic sludge blanket (UASB) reactor performance in the treatment of citrus juice wastewater. Polish Journal of Environment Study 2012, Vol. 21, No. 1, p. 49–56.
• 15. D. GÜÇLÜ, Ş.DURSUN: Artificial neural network modeling of a large-scale wastewater treatment plant operation. Bioprocess and Biosystems Engineering 2010, Vol. 33, No. 9, pp. 1051–1058.
• 16. 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.
• 17. X. WEI, A. KUSIAK: Short-term prediction of influent flow in wastewater treatment plant. Stochastic Environmental Research and Risk Assessment 2015, Vol. 29, No. 1, pp. 241–249.
• 18. R. ZHANG, X. HU: Effluent quality prediction of wastewater treatment system based on small-world. Journal of Computers 2012, Vol. 7, No. 9, pp. 2136–2143.
• 19. 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.
• 20. H. G. HAN, J. F. QIAO: Hierarchical neural network modeling approach to predict sludge volume index of wastewater treatment process. IEEE Transactions on Control Systems Technology 2013, Vol. 21, pp. 2423–2431.
• 21. I. LOU, Y. ZHAO: Sludge bulking prediction using principle component regression and artificial neural network. Mathematical Problems in Engineering 2012, Article ID 237693, pp. 1–17.
• 22. H. POUTIAINEN, H. NISKA, H. HEINONEN-TANSKI, M. KOLEHMAINEN: Use of sewer on-line total solids data in wastewater treatment plant modelling. Water Science and Technology 2010, Vol. 62, No. 4, pp. 743–75.
• 23. B. SZELĄG, J. GAWDZIK: Application of selected methods of artificial intelligence to activated sludge settle ability predictions. Polish Journal of Environmental Studies 2016, Vol. 25, No. 4, pp. 1709–1714.
• 24. R. TADEUSIEWICZ, J. KORBICZ, L. RUTKOWSKI, W. DUCH [red.]: Sieci neuronowe w inżynierii biomedycznej, tom 9 monografii: Inżynieria biomedyczna – podstawy i zastosowania, Wydawnictwo Exit, Warszawa 2013.
• 25. R. TADEUSIEWICZ: Zastosowania sieci neuronowych w ochronie środowiska. Materiały XVIII Konferencji Automatyków, Wydawnictwo AGH, Kraków 2014, ss. 1–9.
• 26. www.statsoft.pl/textbook/stathome_stat.html?http%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstneunet.html.
• 27. L. RUTKOWSKI: Metody i techniki sztucznej inteligencji. PWN, Warszawa 2006.
• 28. V. VAPNIK: Statistical Learning Theory. John Wiley and Sons, New York 1998.
• 29. S. HAYKIN: Neural Networks: A Comprehensive Foundation. Prentice Hall Inc., Upper Saddle River (NJ) 1999.
• 30. R. HECHT-NIELSEN: Kolmogorov’s mapping neural network existence theorem. Proceedings of the International Joint Conference on Neural Networks, New York 1987, Vol. 3, pp. 11–14.
• 31. Y. BECERIKLI, A.F. KONAR, T. SAMAD: Intelligent optimal control with dynamic neural networks. Neural Networks 2003, Vol. 16, No. 2, pp. 251–259.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).