Процесс коагуляции-флокуляции остается очень важной частью цепи очистки воды. Он включает в себя как физические, так и химические явления и, следовательно, подвержен высокому проценту ошибок из-за человеческого фактора. Чтобы уменьшить эту процентную ошибку и получить оптимальную эффективность лечения, было предложено интеллектуальное дозирование коагулянта на основе искусственной нейронной сети (ИНС). Разработка дозировки коагулянта с использованием обработанных семян в качестве коагулянта была достигнута с помощью ИНС, которая помогает прогнозировать качество воды и мягко измерять. Была предпринята попытка предложить советы по оптимизации в виде инструментов искусственного интеллекта, которые можно использовать для оптимизации процесса коагуляции. Такое ИНС на основе дозирования коагулянта будет полезным методом устранения большинства ошибок, распространенных при очистке воды, вызванных человеческим фактором. Результаты экспериментов с смоделированными и реальными данными показывают, что недавно разработанная система способна точно прогнозировать дозировку коагулянта, необходимую для очистки воды в небольшой сельской местности. Корреляция между фактической оценкой и ИНС модели дозирования коагулянта составляет 0,97 из 1,00. Этот высокий коэффициент корреляции указывает на то, что модель ИНС идеально подходит.

Введение

Вода необходима для жизни. Водоснабжение и канализация являются основными потребностями, необходимыми для решения проблем выживания. Однако в развивающихся странах от болезней, передающихся через воду, по-прежнему ежедневно умирают в среднем 25 000 человек, в то время как миллионы людей страдают от изнурительных последствий этих болезней. Основная физиологическая потребность человека в воде составляет около 2,5 литров в день. Питьевую воду получают из разных источников, таких как колодец, река и т. д. Эта питьевая вода не должна содержать химических и других примесей, поскольку существует вероятность загрязнения уровень передачи болезней через воду очень высок. Например, человек, больной холерой, ежедневно выделяет около 1013 бактерий. В этих водах могут присутствовать различные примеси: от ветвей деревьев, отходов жизнедеятельности человека и животных до невидимых микроорганизмов, что делает воду безопасной. для питья его надо лечить как имущество. Традиционная установка по очистке питьевой воды показана на рисунке. Традиционные методы коагуляции, флокуляции и осаждения являются важной предварительной очисткой для многих систем очистки воды. Эти процессы агломерируют взвешенные твердые частицы в более крупные частицы, так что процессы физической фильтрации позволяют легко их удалить. Удаление частиц этими методами делает последующие процессы фильтрации более эффективными. В исходную воду добавляется коагулянт для облегчения связывания частиц.

Коагулянты действуют, создавая химическую реакцию и устраняя отрицательные заряды, которые заставляют частицы отталкивать друг друга. Затем смесь воды и коагулянта медленно перемешивают в процессе, известном как флокуляция. Вспенивание воды заставляет частицы сталкиваться и слипаться в более крупные и легко удаляемые сгустки, или «хлопья». Этот процесс требует химических знаний о характеристиках исходной воды, чтобы гарантировать использование эффективной смеси коагулянтов. Неподходящие коагулянты делают эти методы лечения неэффективными. Наиболее широко используемым коагулянтом является сульфат алюминия, который обычно называют квасцами. Определенная опасность для здоровья связана с присутствием остатков алюминия после его использования при очистке воды. В последнее время исследователи обращаются к коагулянтам, не содержащим химикатов, например, к использованию семян. Природные коагулянты обычно считаются безопасными для здоровья человека. Исследования показали, что семена Moringa oleifera нетоксичны, и рекомендовали использовать их в качестве коагулянта при очистке воды в развивающихся странах В данной статье в качестве коагулянта используется моринга масличная.

Дозирование природных коагулянтов

Химия коагуляции/флокуляции состоит из трех процессов: мгновенного смешивания, коагуляции и флокуляции. Каждый из этих процессов показан на рисунке ниже. Основной целью процесса коагуляции/флокуляции является удаление мутности из воды. Мутность – это мутность воды, вызванная взвешенными в ней мелкими частицами. Вода с небольшой мутностью или без нее будет прозрачной. На современных водоочистных станциях для определения дозировки коагулянта используется баночный тест. Банковый тест — это лабораторный метод, при котором образцы воды, подлежащей очистке, наливают в несколько стеклянных стаканов и в них добавляют различные дозы коагулянта. Это эмпирический процесс, который включает в себя ручной расчет взаимосвязи между заданным параметром и выбором. Благодаря использованию ИНС вводятся критерии выбора, и оптимизация осуществляется очень быстро и эффективно, устраняя неопределенность до того, как вода будет поставляться населению. В данной статье будет разработана только модель дозирования коагуляции для небольших сельских общинных систем водоснабжения.

Водохозяйственная отрасль в настоящее время сталкивается с растущей необходимостью производить очищенную воду более высокого качества по более низкой цене. Эффективность процесса очистки тесно связана с конструкцией и работой установки. Большая часть проектирования и эксплуатации по-прежнему осуществляется специалистами-людьми. Однако принятие решений становится очень трудным, поскольку люди-эксперты, которым приходится принимать решения, с трудом могут обрабатывать огромные объемы данных. Для улучшения операционных показателей и процесса принятия решений необходим инструмент искусственного интеллекта.

В недавних работах искусственный интеллект в нейронной сети использовался для разработки процесса очистки воды. Благодаря присущим ИНС характеристикам, таким как способность к обучению и адаптации, отображение и классификация шаблонов, а также способность обобщать, не только воспроизводить ранее увиденные данные, но и обеспечивать правильные прогнозы в аналогичных ситуациях, дает обученным сетям возможность делать выводы. Это предлагает удобный способ сократить объем данных, а также сформировать неявную модель без необходимости формирования традиционной физической модели основного явления. Исследователи использовали ИНС при работе водоочистных сооружений в режиме реального времени, что использовалось для изучения нелинейных зависимостей производительности на основе исторических данных установки. При этом сеть обратного распространения ошибки используется для определения дозировок квасцов и полимеров, чтобы обеспечить оперативное руководство для операторов завода.

Исследователи использовали ANN для разработки модели для прогнозирования и прогнозирования ежедневной биохимической потребности в кислороде (БПК), необходимой на входе в установку биохимической очистки сточных вод. Аналогично, нейронная сеть была адаптивно использована для моделирования управления непрерывным процессом очистки сточных вод. Алгоритм обратного распространения был применен для определения pH, который оказался одним из факторов, влияющих на состояние коагуляции взвешенных частиц в процессе обработки. Аналогичным образом  использовали нейронные сети для оценки производительности очистных сооружений, поскольку на поведение станции влияет широкий спектр входящих возмущений, NN использовалась для объединения генератора входящих возмущений. с механистическим процессом очистки сточных вод для моделирования временных рядов приходящих сточных вод. Недавно использовалась автоассоциативная нейронная сеть (AANN) для обнаружения неисправностей и проверки данных датчиков на водоочистных станциях. Аналогичным образом сообщили о применении искусственной нейронной сети с прямой связью для создания сетевой модели с целью прогнозирования дозировки коагулянта в водной установке.

Методы и материалы

Нейронная сеть (ИНС) возникла как мощный инструмент вычислительной модели на основе биологических нейронных сетей. В большинстве случаев ИНС представляет собой адаптивную систему, которая меняет свою структуру на основе внешней или внутренней информации, проходящей через сеть на этапе обучения. На рисунке показана архитектура модели Feedforward NN, используемой для прогнозирования дозировки коагулянта. Входной слой имеет три входные переменные нейрона (pH, мутность и скорость потока), которые оказывают наибольшее влияние на дозировку коагулянта. Он имеет один выход на выходном слое, который представляет собой количество моринги масличной, необходимой для очистки воды при заданных параметрах.

Прогнозирование дозировки Moringa Oleifera

Корреляция между характеристиками коагулянта и сырой воды является нелинейной. Поэтому интеллектуальное дозирование коагуляции осуществляется в два этапа. Первый этап включает определение параметров, влияющих на прогноз оптимальной дозировки семян моринги в качестве коагулянта. Эти параметры затем рассматриваются как входные переменные для нейронной сети для обучения определению количества коагулянта, необходимого для очистки воды. Используемыми параметрами являются уровень мутности: низкий, средний и высокий. Определение категории мутности имеет решающее значение в системе дозирования, поскольку оно служит входными данными для следующего этапа NN. Конечными параметрами являются уровни мутности, скорость потока, значение pH и скорость коагулянта (пассивный параметр). Для каждого уровня мутности использовали по 200 проб.

Функция обучения и активации ИНС

Сеть состоит из набора узлов/нейронов и соединений, расположенных по слоям. Каждый нейрон получает сигнал от нейронов предыдущего слоя, и каждый из этих сигналов умножается на отдельное весовое значение. Взвешенные входные данные суммируются и передаются через функцию активации, которая масштабирует выходные данные до фиксированного диапазона значений. Для обучения использовался алгоритм обратного распространения ошибки (BP). Алгоритм BP используется либо в последовательном, либо в пакетном обучении, которое состоит из следующих четырех основных этапов: 1. Инициализация: установите все веса и пороговый уровень в случайное число, равномерно распределенное в небольшом диапазоне. 2. Активация: активируйте прямая фаза алгоритма BP путем применения входных данных и желаемого выходного сигнала. 3. Обучение весов: обновление весов на обратной фазе путем распространения ошибки назад. 4. Итерация: увеличивает номер итерации p на единицу и повторяет цикл с шага 2 до достижения общего значения ошибки. падает ниже некоторого заранее определенного порога.

Результаты и обсуждение

Предполагается, что для небольшой сельской общины с населением около 2000 человек потребление воды в день на человека составляет около 150 литров. Следовательно, для всего населения поселка потребуется расход 30000 литров в день. Шестьсот параметров мутности для низкой, высокой и средней были сгенерированы случайным образом (по 200 для каждого уровня). 40% наборов данных использовались для обучения, последующие 40% — для тестирования и 20% — для проверки. ИНС обучалась с использованием 500 итераций. Этот процесс занял около 2 мунитов для завершения итераций. На рисунке 4 показано обучение сети на 500 итерациях с ошибкой 0,0001. В таблице были показаны статистические параметры, указывающие на то, что ANN произвела надежную оценку дозировок Moringa oleifera на основе входной мутности, pH и скорости потока. Коэффициент эффективности превысил 0,97, что указывало на то, что оценка модели очень близка к наблюдаемому значению. Коэффициент корреляции показывает связь между прогнозом NN и фактическим значением. Коэффициент корреляции 1 указывал на полное соответствие модели. Между тем средняя абсолютная ошибка 0,0071 означает, что ошибка весьма незначительна, что означает, что модель обеспечивает очень высокую точность.

На рисунке показан график проверки прогнозируемого и фактического дозирования. Модель NN точно определяет дозировку, необходимую для различной мутности. Видно, что при низкой входной мутности (20-80NTU) прогнозируемая дозировка моринги масличной составляет 0,0580 мг/л, тогда как фактическая составляет 0,0500 мг/л. Мутность среды для прогнозируемой модели ANN была зафиксирована на уровне 0,1019 мг/л, тогда как фактическая дозировка аналога составляет 0,1000 мг/л. Дозировка коагулянта NN для ввода высокой мутности составила 0,188 мг/л, тогда как фактическая составляет 0,2000 мг/л. Это подтверждает точность оценки дозировки коагулянта с помощью модели NN. После определения правильной дозировки каждого уровня мутности модель использовалась для оценки количества коагулянта, необходимого при применении расхода и скорости мутности.

На рисунке показано соотношение фактического и расчетного количества коагулянта (в кг), необходимого для суточной очистки воды на очистных сооружениях с расходом 30000 литров различной мутности. Гистограмма показывает, что при низкой входной мутности фактические и расчетные значения очень близки. Требуется 1,5 кг Моринги масличной. В то время как ANN оценивается в 1,7 кг для очистки 300 000 литров воды. Для ввода средней мутности в 300 000 литров ANN оценивает 3,1 кг коагулянта, тогда как фактическое значение составляет 3,0 кг. Это очень интересный результат, поскольку разница составляет всего около 3%, что является незначительной величиной. Важно отметить, что для входного сигнала высокой мутности ANN оценила 5,7 кг коагулянта, тогда как фактическое значение составляет 6,0 кг. Это указывало на то, что модель ANN работает лучше по снижению передозировки, она лучше на 5%.

Из рисунка можно сделать вывод, что расчетное количество коагулянта и фактическое количество коагулянта, необходимого для очистки воды, тесно связаны между собой. Это означает, что без проведения ежедневных испытаний в банках модель ИНС можно использовать для прогнозирования количества коагулянта, необходимого для очистки воды. Ее также можно использовать в качестве автоматизированной системы дозирования без вмешательства человека для реальной работы системы в режиме онлайн. При оценке высокой мутности значение значительно снижается, это показывает, что в процессе очистки снижается передозировка, что подразумевает снижение затрат.

Выводы

Прогнозирующая модель ANN для дозирования коагулянта может сделать работу водоочистных сооружений более эффективной и точной. Меньшая ошибка, допущенная моделью ИНС, указывает на эффективное использование ресурсов. Корреляция между фактической и прогнозируемой моделью составляет 0,97 из 1,00. Высокий коэффициент корреляции указывает на то, что модель NN идеально подходит. Также уместно отметить, что при высокой мутности количество требуемого коагулянта снижается, что подразумевает снижение затрат и избыточную дозировку. Одним из преимуществ модели дозирования ANN является отсутствие необходимости повторного тестирования банки, а также снижение эксплуатационных затрат, уменьшение ошибок при дозировании и обеспечение качества процесса обработки.