Analysis of Sewage Treatment Plant’s Data to evaluate Quality of Effluent using Experimental Results and Prediction based on Artificial Intelligence Models (Case Study: Tehran Wastewater Treatment Plant)
Deze studie evalueert de prestaties van Artificial Neural Network (ANN), Fuzzy Logic (FL) en Adaptive Neuro-Fuzzy Inference System (ANFIS) modellen, verbeterd door Principal Component Analysis (PCA), om de effluentkwaliteit bij de afvalwaterzuiveringsinstallatie van Teheran te voorspellen, waarbij uiteindelijk wordt aangetoond dat het ANFIS-model de hoogste nauwkeurigheid biedt voor het voorspellen van de efficiëntie van de verwijdering van verontreinigende stoffen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Water is de levensader van moderne steden, maar naarmate de bevolking zwelt en schone bronnen slinken, wordt het water dat we wegspoelen een hulpbron die we niet langer kunnen negeren. Gemeentelijke afvalwaterzuiveringsinstallaties fungeren als de grote filters van onze beschaving; ze nemen het vuile water van huishoudens en industrieën en reinigen het totdat het veilig genoeg is om terug te keren naar de omgeving of zelfs te hergebruiken voor de landbouw. Deze installaties zijn echter complexe machines waar chemische en biologische processen op manieren met elkaar interageren die vaak rommelig en onvoorspelbaar zijn. Traditionele wiskunde heeft moeite om deze chaos te vatten, omdat de relaties tussen de temperatuur van het water, de zuurgraad en de hoeveelheid afval die het met zich meedraagt, zelden rechte lijnen zijn. Om deze installaties effectief te beheren, moeten ingenieurs precies weten hoe schoon het water dat eruit komt zal zijn, maar wachten op dagenlange laboratoriumresultaten kan te traag zijn voor het nemen van snelle beslissingen. Hier komt de belofte van kunstmatige intelligentie in beeld, die een manier biedt om uit het verleden te leren om de toekomst met snelheid en precisie te voorspellen.
In een recente studie gericht op een grote zuiveringsinstallatie in Teheran, Iran, zetten onderzoekers zich in om te testen of computermodellen nauwkeurig de kwaliteit van het water dat de installatie verlaat, konden voorspellen. Ze verzamelden een jaar aan real-world data, waarbij ze alles bijhielden van de hoeveelheid organisch materiaal en zwevende stoffen die het systeem binnenkomen tot de temperatuur en de zuurgraad van het water. Het team bouwde vervolgens drie verschillende soorten digitale "hersenen" om deze informatie te analyseren. De eerste was een kunstmatig neuraal netwerk, een systeem ontworpen om de manier na te bootsen waarop menselijke neuronen verbinding maken en leren. De tweede was een fuzzy logic-model, dat onzekerheid hanteert door gebruik te maken van regels die ruimte laten voor grijstinten in plaats van strikte ja-of-nee-antwoorden. De derde was een hybride systeem genaamd een adaptive neuro-fuzzy inference system, dat de leersnelheid van het neurale netwerk combineert met het regelgebaseerde redeneren van fuzzy logic. Om te zien of het vereenvoudigen van de data hielp, draaiden ze deze modellen ook twee keer: één keer met alle ruwe metingen en één keer nadat ze een statistische methode hadden gebruikt om overbodige informatie te strippen en alleen de meest kritieke factoren over te houden.
De onderzoekers ontdekten dat alle drie de computersystemen in staat waren om de patronen van de zuiveringsinstallatie te leren, maar één systeem viel op als aanzienlijk betrouwbaarder. Het hybride systeem, dat neurale netwerken combineert met fuzzy logic, bleek de meest nauwkeurige voorspeller van de uiteindelijke waterkwaliteit te zijn. Wanneer het team de gokken van de computer vergeleken met de werkelijke laboratoriumresultaten, maakte dit hybride model minder fouten dan de anderen; het verminderde de gemiddelde fout met bijna 14 procent vergeleken met het fuzzy logic-model en met meer dan 8 procent vergeleken met het neurale netwerk alleen. Interessant genoeg toonde de studie aan dat het de computer voeden met minder, zorgvuldig geselecteerde variabelen niet altijd de resultaten verbeterde; sterker nog, voor sommige modellen leverde het gebruik van de volledige dataset betere voorspellingen op. Dit suggereert dat hoewel het vereenvoudigen van data nuttig kan zijn, de complexe relaties in afvalwaterzuivering rijk genoeg zijn dat het weggooien van informatie soms belangrijke aanwijzingen kan verbergen.
Buiten het voorspellen van getallen alleen, bevestigde de studie dat de zuiveringsinstallatie zelf uitzonderlijk goed presteert. Door te berekenen hoeveel vervuiling er werd verwijderd, vonden de onderzoekers dat de faciliteit ongeveer 96,68 procent van de totale zwevende stoffen elimineert, wat de minuscule vaste deeltjes zijn die in het water zweven. De verwijderingspercentages voor andere verontreinigingen, zoals het organische materiaal dat zuurstof in rivieren verbruikt, waren bijna even hoog. De computermodellen waren in staat om deze hoge mate van efficiëntie met opmerkelijke nauwkeurigheid te reproduceren, wat bewees dat ze een betrouwbaar hulpmiddel kunnen dienen voor de operators. In plaats van te wachten op trage laboratoriumtests, zouden plantmanagers deze modellen potentieel kunnen gebruiken om een onmiddellijke, nauwkeurige schatting te krijgen van hoe schoon het water is, waardoor ze het zuiveringsproces in realtime kunnen aanpassen. Het werk demonstreert dat kunstmatige intelligentie niet alleen een theoretisch concept is, maar een praktische, efficiënte en betrouwbare methode om ervoor te zorgen dat het water dat we hergebruiken veilig is voor het land en de mensen die er afhankelijk van zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.