Hidrológiai Közlöny 2011 (91. évfolyam)
1. szám - Koncsos Tamás–Melicz Zoltán: Eleveniszapos szennyvíztisztító rendszerek elfolyó vízminőségének előrejelzése neurális hálóval
15 Eleveniszapos szennyvíztisztító rendszerek elfolyó vízminőségének előrejelzése neurális hálóval Koncsos Tamás 1 és Melicz Zoltán 2 'GeneralCom Mérnöki Kft. 2040. Budaörs, Farkasréti út 1 . bonsalty(gjgmail.com 2Budapesti Műszaki és Gazdaságtudományi Egyetem, Vízi Közmű és Környezetmérnöki Tanszék, 1111. Budapest, Műegyetem rkp.3. U. ép. melicz(5)vkkt.bme.hu Kivonat: A szennyvíztisztítás modellezésének fontos szerepe van a környezetmérnöki gyakorlatban. Különböző folyamat-szimulátorok képesek az eleveniszapos rendszerek működésének elemzésére és a kezelt vízminőség meghatározására. A személyi számítógépek gyors fejlődésének ellenére hosszú a szimulációs idő, a bonyolult kialakítású szennyvíztisztító rendszerek (nagyszámú bioreaktor) modellezésének esetében. Egy új módszer segítségével szennyvíztisztító telepek elfolyó vízminőségét lehet előrejelezni. Ennek előnye, hogy sebessége a dinamikus modellekhez képest nagyságrendekkel nagyobb. A kidolgozott módszer a mesterséges intelligencia alkalmazására, nevezetesen az előrecsatolt neurális hálóra, az ún. MLP-re (Multilayer Perceptron) épül. A neurális hálók univerzális fíiggvényapproximátorok, amelyben neuronok és paraméterek száma a feladatnak megfelelően méretezhető és a modell egyetlen fíiggvényleképezben valósul meg. A neurális hálók- a posteriori - ismeretek alapján képesek tanulni. Az MLP neurális hálót egy eleveniszapos renszerről elfolyó szennyvíz szerves anyag (KOI) és Kjeldahl-nitrogén tartalmának rövid távú előrejelzéséhez használtuk fel, egy elő-denitrifikációs kialakítású rendszernél. A szennyvíz összetételét Biowin 3 szennyvíztisztítási szimulátorral számítottuk. Az elfolyó szennyvíz KOI koncentrációjának görbéjét 97 %-os pontossággal közelítettük, úgy, hogy a számítás sebessége öt nagyságrenddel volt nagyobb a dinamikus modellhez képest. A kapott eredmények alapján megállapítottuk, hogy a mesterséges neurális háló alkalmas eszköz a tisztított szennyvíz minőségének előrejelzésére. A számítás pontosságajavítható a telep dekompoziciójával, azaz a bioreaktorban lejátszódó folyamatok elemi vizsgálatával, eleveniszap, neurális hálók, előrejelzés. Kulcsszavak: Bevezetés A XX. század második felétől, a számítógépek megjelenésével új távlatok nyíltak a numerikus modellezésben. A modellezés fogalma új értelmet nyert: korábban nagyszámú megalapozó mérési adatra volt szükség a tervezéshez, melyet hosszadalmas adatkiértékelés és költséges félüzemi kísérletek elvégzése követett. A szennyvíz-tisztítás területén is több évtizeden keresztül empirikus modellekkel igyekeztek leírni a bonyolult mechanikai állapotokat és folyamatokat leíró matematikai egyenleteket. A nyolcvanas évektől a matematikai modellezés szerepe megnőtt. Az eleveniszapos szennyvíztisztítási modellek folyamatos - bár nem túlságosan gyors - fejlődésében lendületet adott az 1987. évi szervesanyag és nitrogén eltávolítás folyamatait leíró alapmodell, az ASM No.l. (Henze et al., 1987). A modell fejlesztése során a későbbiekben a viszonylag egyszerűen kezelhető alapmodell paramétereinek száma nagymértékben növekedett a szennyvíz-összetétel részletesebb megismerése (több frakció megjelenése) és a kinetikai folyamatok bővülése miatt. A No.3 változatban már óriási mértékben kellett a modellparaméterek számát ahhoz növelni, hogy a pontosabb (valósághoz közeli) működést biztosítani tudják (Henze et al., 1995; Gujer et al., 1999). A szennyvíztisztító telepek üzemi folyamatainak szimulációjánál az említett modelleket felhasználták a következő szoftvereknél: ASIM, BioWin32, EFOR, GPS-X, SIMBA, STOAT, WEST. Az ismert modellek hátránya, hogy a modellparaméterek nagy száma miatt a szimulációhoz szükséges futási idő drasztikusan megnő. A modellek alkalmazása például a szennyvíztisztító telepek tervezése során különösen hosszadalmas lehet: a szennyvíztisztító telepek tervezésénél számos alternatívát kell megvizsgálni ahhoz, hogy az optimális reaktor kombinációkat meg tudjuk határozni és ehhez a befolyó, illetve elfolyó szennyvíz frakciók számított idősorát lehet felhasználni az elemezéshez. Az elemzéshez szükséges reaktor kombinációk vizsgált száma akár több száz is lehet. Felmerül a kérdés, hogy szennyvíz-tisztító telep modellezése milyen más matematikai módszerekkel helyettesíthető úgy, hogy az új módszerrel számított eredmények ne térjenek el jelentősen az eredeti modell által számítotthoz képest. A szennyvíztisztító telepek elfolyó vízminőségének előrejelzéséhez felhasználhatók a neurális hálók adta lehetőségek. A neurális hálózatok működésűket tekintve információ feldolgozó eszközöknek tekinthetők, amelyek párhuzamos, elosztott működésre képesek, lokális feldolgozást végző neuronokból állnak (Horváth, 1998). Képesek tanulni, azaz „a posteriori" tapasztalatok alapján építik fel az ismereteket, melyet bemeneti adatok és elvárt eredmények formájában kapnak meg. A neurális hálókat leggyakrabban osztályozási képességeik miatt alkalmazzák, elsősorban képfeldolgozási technikáknál. A neurális hálók azon képességeit kihasználva, hogy egyben univerzális fíiggvényapproximátorok (Lopez, 2008), lehetővé teszik akár egy dinamikus modell egyetlen függvénynyel történő leképezését és a lineáris-nemlineáris kapcsolatok feltérképezését. A neurális hálók új problémamegoldó eszközöknek bizonyulnak az építőmérnöki tudományokban. Különböző területeken alkalmazhatók, több tanulmányban számolnak be felhasználási lehetőségéről úgy, mint légszennyezés előrejelzésénél (Pérez et al, 2001), vízminőség meghatározásánál folyók esetében (Höre et al, 2008) vagy akár szél keltette sekélyvízi áramlás vizsgálatánál (Józsa et al, 1998). Célkitűzés A tanulmány kitűzött célja, annak vizsgálata, hogy a determinisztikus és dinamikus szennyvíz modell milyen feltételekkel helyettesíthető-e neurális hálóval. Alap modellnek a BioWin 3 eleveniszapos szennyvíztisztítási szimulátort választottuk. A modellezett és a neurális hálóval számolt adatok korrelációjának az értékelését végezzük el a jelen tanulmányban. Módszerek A mesterséges neurális hálókat több szempont alapján lehet csoportosítani. Beszélhetünk felügyelt tanítású, nem felügyelt tanításról és architektúrájukat tekintve jel előre terjedéses és visszacsatolásos hálózatokat különböztetünk meg. A munkánk során felhasznált rendszer.
