Technische Samenvatting: Een Visueel Geleid Framework van Physics-Informed Neural Networks voor Real-Time Optimalisatie van Coagulanten-dosering in Waterzuiveringsinstallaties

1. Probleemstelling

Coagulatie is een cruciaal eenheidsproces in waterzuivering voor het verminderen van troebelheid en kleur, maar het optimaliseren van de coagulanten-dosering blijft uitdagend vanwege de complexe, niet-lineaire fysisch-chemische interacties die hierbij betrokken zijn. Conventionele controlesystemen vertrouwen op real-time troebelheidsmetingen of de mate van flocculatie (DF) als procesindicatoren. De auteurs identificeren echter een fundamentele beperking: deze metrieken vertegenwoordigen macroscopische uitkomsten van deeltjesaggregatie en sedimentatie die een inherente fysieke vertraging vertonen. Omdat veranderingen die onderaan een dikker plaatsvinden tijd nodig hebben om naar de bovenste laag (supernatant) te propageren, bieden troebelheids- en DF-metingen reactieve, vertraagde feedback in plaats van real-time inzicht in de evoluerende floc-dynamiek. Deze temporele mismatch beperkt traditionele controlesystemen, wat leidt tot inefficiënt chemisch gebruik en verminderde operationele efficiëntie. Bovendien lijden puur datagedreven machine learning-modellen vaak aan een gebrek aan fysische interpreteerbaarheid en een slechte generalisatie wanneer ze worden geconfronteerd met schaarse, ruisgevoelige of out-of-distribution data.

2. Methodologie

De studie stelt een Real-Time Sensing and Visual Information-Guided Physics-Informed Neural Networks (RTS-VG PINNs) framework voor. Deze hybride architectuur integreert real-time sensordata, diepe visuele perceptie en leidende fysische wetten in een verenigd leersysteem. De methodologie verloopt via drie fasen:

A. Experimentele Data-acquisitie

Experimenten werden uitgevoerd met natuurlijke (PDAM) en kunstmatige (op kaolien gebaseerde) watermonsters met variërende initiële condities (pH, temperatuur, geleidbaarheid, zeta-potentiaal). De doseringen van de coagulant (Polyaluminiumchloride - PAC) werden systematisch gevarieerd van 12 tot 120 mg/L.

• Sensoren: Real-time troebelheid, pH en elektrische geleidbaarheid werden gemonitord.
• Visueel Systeem: Een hogeresolutiecamera (Canon 250D, 60 fps) legde de temporele evolutie van de floc-structuren vast tijdens de fasen van snelle menging, langzame menging en bezinking.
• Dataset: Beeldsequenties werden gecategoriseerd in vier stadia van floc-evolutie (dispersie, initiële aggregatie, groei/verdichting en bezinking) om deep learning-modellen te trainen.

B. Visuele Kenmerkextractie (De "Visuele Gids")

Twee complementaire Convolutional Neural Network (CNN) architecturen werden ingezet om kenmerken uit de beeldsequenties te extraheren:

1. ResNet-50: Een twee-fasen detector gebruikt voor hooggevoelige kenmerkextractie om subtiele variaties in de morfologie en dichtheid van de flocs te vangen.
2. YOLOv8: Een één-fasen detector gebruikt voor real-time detectie en tracking van de floc-evolutie.
   Deze modellen classificeren de floc-dichtheid en mappen visuele kenmerken naar een tijdsafhankelijke effectieve sedimentatiesnelheid, $v_0(t)$. Deze snelheid dient als een dynamische parameter die de rauwe visuele observaties overbrugt met het fysische model.

C. Physics-Informed Neural Network (PINN) Architectuur

De kern van het framework bestaat uit twee gekoppelde problemen:

1. Direct Probleem (Forward Modeling):

   • Het model lost de Kynch sedimentatie partiële differentiaalvergelijking (PDE) op om de spatiotemporele floc-dichtheidsdistributie, $\phi(t, z)$, te reconstrueren.
   • De tijdsafhankelijke snelheid $v_0(t)$, afgeleid van de CNN visuele kenmerken, moduleert de PDE.
   • De loss-functie ($\mathcal{L}_{Total}$) combineert data-getrouwheid (overeenstemming met experimentele observaties), fysische restricties (minimaliseren van PDE-residuen), beginvoorwaarden en randvoorwaarden (geen-flux aan het oppervlak).

2. Inverse Probleem (Dosering Optimalisatie):

   • Het model schat de optimale coagulant-dosering ($D$) door de inverse relatie te leren tussen operationele variabelen (pH, temperatuur, initiële troebelheid, etc.) en procesuitkomsten.
   • Fysische restricties worden ingebed via Langmuir-adsorptiekinetiek (het modelleren van de evolutie van de zeta-potentiaal) en Smoluchowski-coagulatiekinetiek (het modelleren van de troebelheidsevolutie via aggregatie- en breukmechanismen).
   • Het framework lost op voor de dosering die een balans vindt tussen aggregatie- en breukmechanismen.

3. Belangrijkste Bijdragen

• Integratie van Visuele Perceptie met Fysica: Het artikel introduceert een nieuw mechanisme waarbij diep geleerde visuele kenmerken (floc-dichtheid/structuur) dynamisch de parameters van een fysisch sedimentatiemodel ($v_0(t)$) informeren, waardoor visie effectief wordt gebruikt als een leading indicator om sensorlag te overwinnen.
• Hybride Leersarchitectuur: Het RTS-VG PINNs framework slaagt erin om hoogdimensionale visuele data te verenigen met eerste-principes fysische wetten (Kynch sedimentatie, Langmuir-Smoluchowski kinetiek), wat resulteert in een fysisch consistente leersarchitectuur.
• Inverse Voorspelling onder Onzekerheid: De studie demonstreert het vermogen van de inverse PINN om de optimale coagulant-dosering niet alleen deterministisch te schatten, maar ook met onzekerheidskwantificering middels Monte Carlo dropout, wat de robuustheid tegen ruisgevoelige industriële data verhoogt.
• Reconstructie van Latente Toestanden: Het framework maakt de reconstructie van interne systeemtoestanden (floc-dichtheidsdistributie $\phi(t, z)$) mogelijk die niet direct meetbaar zijn, wat een dieper begrip van de procesdynamiek biedt.

4. Experimentele Resultaten

• Visuele Classificatie: Zowel ResNet-50 als YOLOv8 vertoonden een hoge nauwkeurigheid bij het classificeren van de stadia van floc-evolutie. De visuele modellen identificeerden de aankomsttijd van de interface ($t_s$) en de overgangen in floc-dichtheid eerder dan de troebelheidssensoren de helderheid konden detecteren.
• Prestaties van de Directe Oplossing: De PINN slaagde erin de spatiotemporele floc-dichtheidsverdeling te reconstrueren met lage PDE-residuen (in de orde van $10^{-3}$), wat bevestigt dat het model voldoet aan behoud van massa en sedimentatiedynamiek. De voorspelde interne concentratievelden vertoonden fysisch consistente stratificatiepatronen.
• Prestaties van de Inverse Oplossing: Bij het schatten van de optimale coagulant-dosering presteerde het RTS-VG PINNs framework beter dan conventionele machine learning-modellen (Random Forest, Gradient Boosting, SVM en MLP).
  • De PINN bereikte een determinatiecoëfficiënt ($R^2$) van 0,498, waarmee het Random Forest (0,484), Gradient Boosting (0,434), SVM (0,285) en MLP (0,063) overtrof.
  • Het model legde effectief niet-lineaire trends vast, zoals de initiële afname van de troebelheid gevolgd door een toename door overdosing (charge reversal), wat datagedreven modellen vaak niet accuraat konden weergeven.
• Robuustheid: De inclusie van Monte Carlo dropout maakte het mogelijk voor het model om onzekerheid-bewuste voorspellingen te doen, waarbij de fysische consistentie behouden bleef, zelfs wanneer getraind op beperkte of ruisgevoelige data.

5. Betekenis en Claims

De auteurs stellen dat het RTS-VG PINNs framework een significante vooruitgang vormt in intelligente waterzuivering door het kritieke probleem van meetvertraging aan te pakken. Door visuele informatie te gebruiken als een proxy voor de vroege stadia van de floc-dynamiek, maakt het framework proactieve in plaats van reactieve controlesystemen mogelijk.

De studie benadrukt dat het inbedden van fysische wetten (sturende vergelijkingen) in het leerproces de interpreteerbaarheid en generalisatie van het model aanzienlijk verbetert, met name in scenario's met schaarse of ruisgevoelige data. Het framework wordt gepresenteerd als een robuust instrument voor real-time optimalisatie van de coagulant-dosering, in staat om interne processtaten af te leiden en fysisch betekenisvolle voorspellingen te doen die puur datagedreven benaderingen niet kunnen bereiken.

De auteurs hanteren een bescheiden standpunt met betrekking tot de huidige reikwijdte, waarbij zij erkennen dat de studie beperkt is tot laboratoriumomstandigheden en een vereenvoudigde eendimensionale Kynch PDE. Zij merken op dat toekomstig werk vereist zal zijn om het framework uit te breiden naar pilot-schaal industriële dikkers en om complexere fysische modellen (bijv. CFD) te integreren om multidimensionale hydrodynamica te vatten.