AI-Guided Adaptive Control in Membrane Bioreactors for Real-Time Micropollutant Removal: Bridging the Explainability and Multi-Contaminant Gap in Intelligent Wastewater Treatment

Stel je de afvalwaterzuiveringsinstallatie van een stad voor als een gigantische, hightech keuken waar vies water het belangrijkste ingrediënt is. Het doel is om al het nare spul — zoals oude medicijnen, onzichtbare stukjes plastic en chemische verstoorders — eruit te "koken", zodat het water dat eruit komt schoon genoeg is om terug te keren naar de natuur. Lange tijd hebben deze keukens een methode gebruikt die een Membraan Bioreactor (MBR) wordt genoemd. Zie dit als een superfijn zeefje gecombineerd met een team van microscopische bacteriën die het slechte spul opeten. Het is een staatsie van de kunst, maar het is lastig. Soms raakt het "zeefje" verstopt (een probleem dat vervuiling of 'fouling' wordt genoemd) en raken de bacteriën in de war wanneer ze worden geconfronteerd met een rommelige mix van veel verschillende verontreinigingen tegelijkertijd.

Om dit op te lossen, zijn wetenschappers AI gaan gebruiken. Normaal gesproken werkt AI in deze installaties als een zeer goede gokker: het kijkt naar de gegevens en voorspelt wat er met één specifieke verontreiniging zal gebeuren. Maar het echte leven is rommelig; het water bevat een hele cocktail van verschillende verontreinigingen, en de AI kan vaak niet uitleggen waarom het een gok heeft gedaan. Het is als een chef-kok die kan vertellen dat de soep goed zal smaken, maar niet kan vertellen welk specerij dat zo heeft gemaakt. Dit artikel pakt die verwarring aan door te proberen een AI te bouwen die niet alleen een gok doet, maar ook zijn redenering uitlegt terwijl het tegelijkertijd vele verschillende verontreinigingen aanpakt.

De onderzoekers achter deze studie wilden een specifiek puzzelstuk oplossen: hoe maken we een AI die een volledige afvalwaterzuiveringsinstallatie kan aansturen om veel verschillende micropollutanten tegelijkertijd te verwijderen, terwijl het ons ook vertelt waarom het die beslissingen neemt? Ze bouwden een nieuw systeem genaamd XAI-AMBR. Denk aan dit systeem als een super slimme, zelfrijdende auto voor de afvalwaterzuiveringsinstallatie. In plaats van alleen maar te rijden, heeft het een co-piloot die naar het dashboard kan wijzen en kan zeggen: "Ik vertraag omdat de motortemperatuur stijgt," in plaats van alleen maar blind de rem in te trappen.

Om deze "co-piloot" te trainen, verzamelde het team gegevens van vijf enorme, echte afvalwaterzuiveringsinstallaties over een periode van twee jaar. Deze installaties verwerken in totaal 40.000 kubieke meter water per dag. Ze gebruikten een type AI genaamd Long Short-Term Memory (LSTM) netwerken, die erg goed zijn in het onthouden van patronen over een bepaalde tijd, een beetje zoals je de melodie van een liedje onthoudt nadat je het een paar keer hebt gehoord. Ze voerden de AI 18 verschillende stukjes informatie, zoals hoeveel vaste stoffen er in het water zitten of hoeveel zuurstof er doorheen borrelt.

Maar hier komt het slimme deel: ze voegden een hulpmiddel toe genaamd SHAP (Shapley Additive Explanations). Als de AI besluit de instellingen aan te passen om het water beter te reinigen, werkt SHAP als een markeerstift die precies laat zien welke factoren die beslissing hebben veroorzaakt. Zo onthulde de analyse bijvoorbeeld dat drie zaken het belangrijkst waren om het "zeefje" niet verstopt te laten raken: de hoeveelheid zwevende stoffen in de mix, hoe lang het water in de tank verblijft, en het niveau van opgeloste zuurstof.

Het team stopte niet bij voorspellen; ze gebruikten een speciaal algoritme om de perfecte balans te vinden tussen het reinigen van het water, het besparen van energie en het verlengen van de levensduur van de apparatuur. De resultaten waren zeer indrukwekkend. In deze praktijktesten slaagde het nieuwe systeem erin om 97,8% van de organische vervuiling (CZV) te verwijderen, 96,4% van de totale stikstof en 94,2% of meer van 23 verschillende micropollutanten. Het bespaarde ook veel stroom, waarbij het 43,9% minder energie verbruikte dan traditionele methoden en 18,7% minder dan een standaard, niet-geoptimaliseerde MBR.

Het artikel concludeert dat dit XAI-AMBR-framework de eerste van zijn soort is die zowel uitlegbaar als in staat is om meerdere verontreinigingen tegelijkertijd aan te pakken in een volledige installatie. Hoewel de auteurs vol vertrouwen zijn in deze resultaten op basis van de verzamelde gegevens, presenteren zij dit als een belangrijke stap voorwaarts in plaats van een definitieve, perfecte oplossing. Ze suggeren dat deze aanpak de weg vrijmaakt voor afvalwaterzuivering die volledig automatisch, energiezuinig en slim genoeg is om zijn eigen logica uit te leggen, waardoor een complex, verstopt proces wordt omgezet in een gestroomlijnde, transparante operatie.