⚡ electrical engineering

A Visual Guided Physics Informed Neural Networks Framework for Real Time Coagulant Dose Optimization in Water Treatment Plants

Diese Studie schlägt ein Framework namens Real-Time Sensing and Visual Information-Guided Physics-Informed Neural Networks (RTS-VG PINNs) vor, das tiefe visuelle Wahrnehmung mit physikalischen Gesetzmäßigkeiten integriert, um die inhärenten Verzögerungen traditioneller Indikatoren zu überwinden und eine robuste Echtzeit-Optimierung der Koagulanten-Dosierung in Wasseraufbereitungsanlagen zu erreichen.

Ursprüngliche Autoren: Galang Adira Prayoga, Emir Husni, Reza Darmakusuma, Herto Dwi Ariesyady

Veröffentlicht 2026-07-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Galang Adira Prayoga, Emir Husni, Reza Darmakusuma, Herto Dwi Ariesyady

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Warten, bis sich das Wasser klärt

Stellen Sie sich vor, Sie versuchen, schlammiges Wasser klar zu machen, indem Sie ein spezielles Pulver (ein Koagulationsmittel) hinzufügen, das den Schmutz zusammenklumpen lässt, damit er zu Boden sinkt. In einer Wasseraufbereitungsanlage müssen die Bediener normalerweise warten, bis der Schmutz zu Boden gesunken ist und das Wasser oben klar aussieht, bevor sie wissen, ob sie die richtige Menge des Pulvers hinzugefügt haben.

In der Fachliteratur wird dies als „Zeitverzögerung“ (Time Lag) bezeichnet. Es ist, als würde man versuchen, ein riesiges Schiff zu steuern, indem man auf die Heckwelle hinter einem schaut, anstatt auf das Wasser vor einem. Bis man sieht, dass das Wasser noch immer schlammig ist, hat man bereits Zeit und Chemikalien verschwendet. Traditionelle Sensoren (wie Trübungsmesser) sagen einem nur, was nach dem Absinken des Schmutzes passiert ist, nicht was genau jetzt im Mischbecken geschieht.

Die Lösung: Dem Computer „Augen“ und „gesunden Menschenverstand“ geben

Die Forscher haben ein neues System namens RTS-VG PINNs entwickelt. Betrachten Sie dieses System als einen intelligenten Assistenten, der über zwei Superkräfte verfügt:

Super-Vision (Die „Augen“): Anstatt nur darauf zu warten, dass das Wasser klar wird, nutzt das System eine Hochgeschwindigkeitskamera, um die Bildung von Schlammklumpen (Flocken) in Echtzeit zu beobachten. Es verwendet fortschrittliche KI (speziell ResNet-50 und YOLOv8, die wie sehr scharfäugige Detektive funktionieren), um winzige Veränderungen in der Art und Weise, wie die Schlammklumpen zusammenkleben, zu erkennen, bevor sie absinken. Das System kann allein durch das Betrachten eines Videos zwischen „Beginn der Klumpenbildung“, „festes Zusammenkleben“ und „Absinken“ unterscheiden.
Physikalischer gesunder Menschenverstand (Das „Gehirn“): Das System rät nicht nur basierend auf Bildern, sondern kennt auch die Gesetze der Physik. Es ist mit den mathematischen Regeln programmiert, die das Absinken von Schlamm regeln (die Kynch-Sedimentationsgleichung) und wie Partikel aneinanderhaften (Langmuir–Smoluchowski-Kinetik).

Wie es funktioniert: Der „Hybrid“-Ansatz

Die Forscher haben diese beiden Kräfte in einem einzigen Framework kombiniert:

Der visuelle Leitfaden: Die Kamera beobachtet den Schlamm. Wenn die KI sieht, dass die Schlammklumpen größer und dichter werden, sagt sie dem System: „Hey, die Sinkgeschwindigkeit nimmt zu!“ Dies gibt dem System eine „Vorwarnung“, bevor das Wasser tatsächlich klar wird.
Der Physik-Check: Das System nimmt diesen visuellen Hinweis und führt ihn durch die „Gesetze der Physik“, um sicherzustellen, dass die Vorhersage Sinn ergibt. Es ist wie ein Koch, der eine Suppe probiert (Daten), aber auch das Rezept kennt (Physik), damit er nicht zu viel Salz hinzufügt, nur weil die Suppe salzig aussieht.
Das Ergebnis: Das System berechnet die perfekte Menge an Pulver, die genau jetzt hinzugefügt werden muss, um das beste Ergebnis zu erzielen, anstatt auf das zu reagieren, was vor fünf Minuten passiert ist.

Das Experiment: Das Training der KI

Um dieses System zu lehren, bauten die Forscher ein Laborexperiment auf:

Sie verwendeten verschiedene Arten von Wasser (teils natürliches, teils aus Ton bestehendes).
Sie fügten unterschiedliche Mengen an Pulver hinzu (von sehr wenig bis sehr viel).
Sie filmten den gesamten Prozess mit einer Hochgeschwindigkeitskamera und maßen die Wasserqualität mit Sensoren.
Sie brachten der KI bei, vier Stadien zu erkennen: Dispersion (Schlamm ist verstreut), Aggregation (Schlamm beginnt zu kleben), Verdichtung (Schlamm wird schwer) und Sedimentation (Schlamm sinkt ab).

Die Ergebnisse: Warum es besser ist

Die Forscher testeten ihr neues System gegen Standard-Computermodelle (wie Random Forest oder Support Vector Machines), die nur nach Zahlen schauen, ohne den Prozess zu „sehen“ oder die Physik zu kennen.

Genauigkeit: Das neue System war genauer bei der Vorhersage der optimalen Pulvermenge. Es erreichte einen höheren Wert (R² = 0,498) im Vergleich zu den anderen Modellen.
Umgang mit Rauschen: Reale Daten sind unordentlich (wie eine wackelige Kamera oder ein schmutziger Sensor). Das neue System war besser darin, das „Rauschen“ zu ignorieren und das wahre Signal zu finden, da die Gesetze der Physik als Sicherheitsnetz fungierten.
Das Unsichtbare sehen: Das System konnte in den Tank „sehen“ und kartografieren, wo der Schlamm dicht und wo er dünn war, obwohl gar kein Sensor im Tank platziert war. Es rekonstruierte die unsichtbare 3D-Bewegung des Schlamms allein mithilfe der Kamera und der Mathematik.

Das Fazrazit

Dieses Paper behaupten, dass wir durch die Gabe eines Computers von Augen, um die Schlammklumpenbildung zu beobachten, und von gesundem Menschenverstand (Physik), um deren Bewegung zu verstehen, die Wasseraufbereitung in Echtzeit optimieren können. Es verhindert, dass das System auf die Vergangenheit reagiert, und ermöglicht es ihm, die Zukunft vorherzusagen, wodurch Zeit und Chemikalien gespart werden und das Wasser schneller sauberer wird.

Hinweis zu den Einschränkungen: Das Paper räumt ein, dass dies in einem kleinen Laborsetting getestet wurde. Die „Schiff“-Analogie funktioniert gut in einem kleinen Eimer, aber die Forscher merken an, dass die Skalierung auf einen massiven industriellen Tank mit realen Problemen wie wechselndem Licht oder Wetter eine Herausforderung für die Zukunft darstellt. Sie schlagen zudem vor, dass zwar ihre Variable der „Sinkgeschwindigkeit“ gut funktioniert, es aber in Zukunft noch andere verborgene Faktoren im Schlamm geben könnte, die untersucht werden müssen.

Technisches Resümee: Ein visuell gesteuertes, physik-informiertes neuronales Netz-Framework zur Echtzeit-Optimierung der Koagulantendosierung in Wasseraufbereitungsanlagen

1. Problemstellung

Die Koagulation ist ein kritischer Prozessschritt in der Wasseraufbereitung zur Reduzierung von Trübung und Farbe, doch die Optimierung der Koagulantendosierung bleibt aufgrund der komplexen, nichtlinearen physikochemischen Wechselwirkungen eine Herausforderung. Konventionelle Steuerungsstrategien stützen sich auf Echtzeit-Trübheitsmessungen oder den Grad der Flokkulation (DF) als Prozessindikatoren. Die Autoren identifizieren jedoch eine grundlegende Einschränkung: Diese Metriken repräsentieren makroskopische Ergebnisse der Partikelaggregation und Sedimentation, die inhärente physikalische Verzögerungen aufweisen. Da Veränderungen, die am Boden eines Verdickers initiiert werden, Zeit benötigen, um nach oben zur Überstandsschicht zu propagieren, liefern Trübungs- und DF-Messungen ein reaktives, verzögertes Feedback statt eines Echtzeit-Einblicks in die sich entwickelnde Flokkendynamik. Diese zeitliche Diskrepanz schränkt traditionelle Steuerungsstrategien ein, was zu ineffizienter Chemikaliennutzung und reduzierter betrieblicher Effizienz führt. Darüber hinaus leiden rein datengesteuerte Modelle des maschinellen Lernens oft unter mangelnder physikalischer Interpretierbarkeit und einer schlechten Generalisierung bei spärlichen, verrauschten oder ausverteilten Daten (out-of-distribution data).

2. Methodik

Die Studie schlägt ein Real-Time Sensing and Visual Information-Guided Physics-Informed Neural Networks (RTS-VG PINNs) Framework vor. Diese hybride Architektur integriert Echtzeit-Sensordaten, tiefe visuelle Wahrnehmung und zugrunde liegende physikalische Gesetze in ein einheitliches Lernsystem. Die Methodik gliedert sich in drei Phasen:

A. Experimentelle Datenerfassung

Experimente wurden mit natürlichen (PDAM) und künstlichen (kaolinbasierten) Wasserproben mit variierenden Ausgangsbedingungen (pH-Wert, Temperatur, Leitfähigkeit, Zeta-Potenzial) durchgeführt. Die Koagulantendosierungen (Polyaluminiumchlorid - PAC) wurden systematisch von 12 bis 120 mg/L variiert.

Sensoren: Echtzeit-Trübung, pH-Wert und elektrische Leitfähigkeit wurden überwacht.
Visuelles System: Eine hochauflösende Kamera (Canon 250D, 60 fps) erfasste die zeitliche Entwicklung der Flockenstrukturen während der schnellen Mischphase, der langsamen Mischphase und der Absetzphase.
Datensatz: Bildsequenzen wurden in vier Stadien der Flockenentwicklung kategorisiert (Dispersion, initiale Aggregation, Wachstum/Verdichtung und Sedimentation), um Deep-Learning-Modelle zu trainieren.

B. Visuelle Merkmalsextraktion (Der „Visuelle Leitfaden“)

Es wurden zwei komplementäre Convolutional Neural Network (CNN) Architekturen eingesetzt, um Merkmale aus den Bildsequenzen zu extrahieren:

ResNet-50: Ein Zwei-Stufen-Detektor zur hochsensiblen Merkmalsextraktion, um subtile Variationen in der Flockenmorphologie und -dichte zu erfassen.
YOLOv8: Ein Ein-Stufen-Detektor zur Echtzeit-Detektion und Verfolgung der Flockenentwicklung.
Diese Modelle klassifizieren die Flockendichte und bilden die visuellen Merkmale auf eine zeitvariante effektive Sedimentationsgeschwindigkeit, $v_0(t)$ , ab. Diese Geschwindigkeit dient als dynamischer Parameter, der die rohen visuellen Beobachtungen mit dem physikalischen Modell verknüpft.

C. Physik-informierte Neuronale Netzwerk-Architektur (PINN)

Das Kernstück des Frameworks besteht aus zwei gekoppelten Problemen:

Direktes Problem (Vorwärtsmodellierung):
- Das Modell löst die Kynch-Sedimentations-Partielle Differentialgleichung (PDE), um die spatiotemporale Flockendichteverteilung, $\phi(t, z)$ , zu rekonstruieren.
- Die aus den CNN-visuellen Merkmalen abgeleitete zeitvariante Geschwindigkeit $v_0(t)$ moduliert die PDE.
- Die Verlustfunktion ( $\mathcal{L}_{Total}$ ) komb Hochtreue der Daten (Abgleich mit experimentellen Beobachtungen), physikalische Randbedingungen (Minimierung der PDE-Residuen), Anfangsbedingungen und Randbedingungen (kein Fluss an der Oberfläche).
Inverses Problem (Dosierungsoptimierung):
- Das Modell schätzt die optimale Koagulantendosierung ( $D$ ), indem es die inverse Beziehung zwischen operationalen Variablen (pH-Wert, Temperatur, initiale Trübung etc.) und den Prozessergebnissen lernt.
- Physikalische Randbedingungen werden über die Langmuir-Adsorptionskinetik (Modellierung der Zeta-Potenzial-Entwicklung) und die Smoluchowski-Koagulationskinetik (Modellierung der Trübungsentwicklung durch Aggregation und Aufbruchraten) eingebettet.
- Das Framework löst für die Dosierung, die das Gleichgewicht zwischen Aggregations- und Aufbrechmechanismen herstellt.

3. Wichtigste Beiträge

Integration von visueller Wahrnehmung mit Physik: Die Arbeit führt einen neuartigen Mechanismus ein, bei dem durch Deep Learning extrahierte visuelle Merkmale (Flockendichte/-struktur) die Parameter eines physikalischen Sedimentationsmodells ( $v_0(t)$ ) dynamisch beeinflussen, wodurch die visuelle Information effektiv als Frühindikator genutzt wird, um den Sensorverzug zu überwinden.
Hybride Lernarchitektur: Das RTS-VG PINNs Framework vereint erfolgreich hochdimensionale visuelle Daten mit physikalischen Grundprinzipien (Kynch-Sedimentation, Langmuir-Smoluchowski-Kinetik) zu einer physikalisch konsistenten Lernarchitektur.
Inverse Prädiktion unter Unsicherheit: Die Studie demonstriert die Fähigkeit des inversen PINN, die optimale Koagulantendosierung nicht nur deterministisch, sondern auch mit Quantifizierung der Unsicherheit mittels Monte Carlo Dropout zu schätzen, was die Robustheit gegenüber verrauschten Industriedaten erhöht.
Rekonstruktion latenter Zustände: Das Framework ermöglicht die Rekonstruktion interner Systemzustände (Flockendichteverteilung $\phi(t, z)$ ), die durch direkte Messungen nicht zugänglich sind, und bietet so ein tieferes Verständnis der Prozessdynamik.

4. Experimentelle Ergebnisse

Visuelle Klassifizierung: Sowohl ResNet-50 als auch YOLOv8 zeigten eine hohe Genauigkeit bei der Klassifizierung der Flockenentwicklungsstadien. Die visuellen Modelle identifizierten die Ankunftszeit der Grenzfläche ( $t_s$ ) und die Übergänge der Flockendichte früher als Trübungs Sensoren die Klärung detektieren konnten.
Leistung der direkten Lösung: Das PINN rekonstruierte das spatiotemporale Flockendichtefeld erfolgreich mit niedrigen PDE-Residuen (in der Größenordnung von $10^{-3}$ ), was bestätigt, dass das Modell die Massenerhaltung und die Sedimentationsdynamik einhält. Die vorhergesagten internen Konzentrationsfelder zeigten physikalisch konsistente Schichtbildungsmuster.
Leistung der inversen Lösung: Bei der Schätzung der optimalen Koagulantendosierung übertraf das RTS-VG PINNs Framework konventionelle Machine-Learning-Modelle (Random Forest, Gradient Boosting, SVM und MLP).
- Das PINN erreichte ein Bestimmtheitsmaß ( $R^2$ ) von 0,498 und übertraf damit Random Forest (0,484), Gradient Boosting (0,434), SVM (0,285) und MLP (0,063).
- Das Modell erfasste effektiv nichtlineare Trends, wie die anfängliche Abnahme der Trübung gefolgt von einem Anstieg aufgrund von Überdosierung (Ladungsumkehr), welche datengesteuerte Modelle oft nicht korrekt darstellen konnten.
Robustheit: Die Einbeziehung von Monte Carlo Dropout ermöglichte es dem Modell, unsicherheitsbewusste Vorhersagen zu treffen, wodurch die physikalische Konsistenz auch bei begrenzten oder verrauschten Daten gewahrt blieb.

5. Bedeutung und Ansprüche

Die Autoren behaupten, dass das RTS-VG PINNs Framework einen bedeutenden Fortschritt in der intelligenten Wasseraufbereitungssteuerung darstellt, indem es das kritische Problem des Messverzugs adressiert. Durch die Nutzung visueller Informationen als Proxy für die Flokkendynamik in der Frühphase ermöglicht das Framework eine proaktive statt einer reaktiven Steuerung.

Die Studie betont, dass die Einbettung physikalischer Gesetze (Gleichungen) in den Lernprozess die Interpretierbarkeit und Generalisierbarkeit des Modells erheblich verbessert, insbesondere in Szenarien mit spärlichen oder verrauschten Daten. Das Framework wird als robustes Werkzeug zur Echtzeit-Optimierung der Koagulantendosierung präsentiert, das in der Lage ist, interne Prozesszustände abzuleiten und physikalisch sinnvolle Vorhersagen zu treffen, die rein datengesteuerte Ansätze nicht erreichen können.

Die Autoren nehmen eine bescheidene Haltung bezüglich des aktuellen Umfangs ein und räumen ein, dass die Studie auf Laborbedingungen und eine vereinfachte eindimensionale Kynch-PDE beschränkt ist. Sie merken an, dass zukünftige Arbeiten erforderlich sein werden, um das Framework auf Pilotanlagen im industriellen Maßstab zu erweitern und komplexere physikalische Modelle (z. B. CFD) zu integrieren, um mehrdimensionale Hydrodynamiken zu erfassen.