Wykorzystanie modelowania matematycznego do poprawy sedymentacji osadu czynnego i jakości ścieków na odpływie z oczyszczalni ścieków – studium przypadku

Istotną cechą osadu czynnego jest formowanie kłaczków, które w osadniku wtórnym oddzielane są od ścieków w procesie sedymentacji. Istotnym składnikiem kłaczków są bakterie nitkowate, które stanowią swego rodzaju szkielet, na którym rozwijają się bakterie, a wytwarzane przez nie pozakomórkowe biopolimery nadają kłaczkom odpowiednią spoistość. Jednakże, nadmierny rozwój bakterii nitkowatych prowadzi do pogorszenia zdolności sedymentacyjnych osadu czynnego, a co za tym idzie również jakości ścieków na odpływie z oczyszczalni [Alsina i inni 2009]. Aby uniknąć powyższych problemów na oczyszczalniach ścieków wdrażane są modele matematyczne pozwalające na prognozowanie i odpowiednie działania zmierzające do poprawy zdolności osadu do sedymentacji.

1.            Wprowadzenie

Mimo tego, że opracowane modele charakteryzują się zadowalającymi zdolnościami predykcyjnymi oraz mogą być wykorzystane do korekty parametrów reaktora w celu poprawy opadalności osadu, to jednak w ograniczonym stopniu uwzględniają pozostałe procesy (usuwanie związków organicznych, azotu, fosforu), jakie zachodzą na oczyszczalni ścieków. W praktyce inżynierskiej jest to bardzo istotne, z uwagi na to, że sama analiza zdolności sedymentacyjnych osadu nie jest bezpośrednią miarą efektywności funkcjonowania oczyszczalni. Konieczna jest kontrola i utrzymanie w odpowiednim zakresie parametrów technologicznych (m.in. obciążenie substratowe i wiek osadu) determinujących przebieg procesów usuwania związków organicznych oraz azotu, co jest uregulowane w odpowiednich aktach prawnych i wytycznych branżowych. W tym celu konieczne jest zintegrowanie modeli matematycznych do modelowania równocześnie zarówno sedymentacji osadu czynnego jak i wskaźników jakości ścieków, co pozwoli na poprawę efektywności procesów zachodzących w obiektach i optymalizację kosztów.

Do modelowania jakości ścieków na odpływie z oczyszczalni stosowane są modele fizykalne typu ASM, opierające się o układy równań różniczkowych opisujących przemiany biochemiczne zachodzące w osadzie czynnym i poszczególnych obiektach oczyszczalni ścieków. Jednakże z uwagi na to, że wymagają identyfikacji wielu współczynników, ich kalibracja jest złożona. Do tego celu stosowane są metody optymalizacji, a otrzymane przy ich pomocy wyniki symulacji nie zawsze są zadowalające.

Dlatego, do prognozowania działania oczyszczalni, tj. efektywności redukcji związków organicznych, azotu i fosforu, jak również modelowania opadalności osadu czynnego, stosuje się modele typu czarnej skrzynki, w których na etapie uczenia generowana jest struktura modelu stanowiąca podstawę prognoz. Do modeli tych można zaliczyć metody sztucznych sieci neuronowych, uczenia maszynowego, drzew regresyjnych, logiki rozmytej itp.

Do modelowania sedymentacji osadu można również stosować modele klasyfikacyjne, w których nie jest prognozowana wartość dyskretna, ale zmienna o charakterze lingwistycznym stanowiąca podstawę oceny przynależności do odpowiedniej klasy. Do tego celu wykorzystuje się również metody czarnej skrzynki, ale zastosowanie znajdują także modele typu logitowy, probitowy, Gompertza, liniowy model dyskryminacyjny, uogólniony log–log itp., które szerokie zastosowanie znajdują przede wszystkim w ekonomii i medycynie. Zaletą tych modeli jest fakt, iż stanowią proste zależności regresyjne i z uwagi na to, że są zaimplementowane w pakietach statystycznych, są wykorzystywane przez szerokie grono użytkowników. Interpretacja uzyskanych wyników nie jest skomplikowana i nie wymaga wykonywania dodatkowych obliczeń w celu ustalenia zależności między zmienną objaśnianą a zmiennymi objaśniającymi, co dodatkowo skłania do ich zastosowania.

Ponadto na uwagę zasługuje fakt, że w wielu przypadkach w celu objaśnienia zjawiska do ustalenia odpowiedniej przynależności do klasy wymagają znacznie mniej zmiennych objaśniających aniżeli modele regresyjne, co stanowi istotną zaletę modeli klasyfikacyjnych. W wielu przypadkach poprawne zidentyfikowanie parametrów operacyjnych działania reaktora stanowi istotną informację dla technologa i pozwala na podjęcie właściwych decyzji technologicznych.

Z wykonanego przeglądu literatury wynika, że opisany wyżej problem (kontrola efektywności oczyszczania ścieków w zależności od sedymentacji osadu) jest złożony. Opracowaniem modelu do równoczesnej kontroli jakości ścieków na odpływie i sedymentacji osadu zajęli się Alsina i wsp. [2009], którzy do identyfikacji opadalności wykorzystali model opracowany przy pomocy teorii zbiorów rozmytych, a do modelowania jakości ścieków na odpływie wykorzystali model BSM2 szczegółowo opisany w pracy Cortesa i wsp. [2006], w którym przebieg redukcji związków biogennych symulowano modelem ASM1 [Henze i wsp. 2002].

Mimo tego, że uzyskany model charakteryzował się zadowalającymi zdolnościami predykcyjnymi, to jednak jego praktyczna implementacja jest złożona, bowiem wymaga specjalistycznej wiedzy z zakresu zarówno teorii zbiorów rozmytych, modeli fizykalnych osadu czynnego, jak i wykonania wielu kosztownych badań, które nawet okresowo nie są wykonywane w oczyszczalniach ścieków.

Mając na względzie powyższe uwagi, celowe jest opracowanie zintegrowanego modelu matematycznego do identyfikacji i korekty zdolności sedymentacyjnych osadu czynnego i równocześnie prognozy wybranych wskaźników jakości ścieków na odpływie z oczyszczalni ścieków. W niniejszej pracy do prognozy sedymentacji osadu czynnego rozważono wykorzystanie modelu logitowego, probitowego i Gompertza, stanowiących przykłady jawnych zależności regresyjnych, co pozwala na szybką identyfikację opadalności osadu. Dodatkowo na uwagę zasługuje, że model ten jest zaimplementowany w wielu pakietach statystycznych, przez co technolog obiektu będzie mieć możliwość korekty opracowanego modelu na etapie eksploatacji obiektu.

W niniejszym artykule do prognozy sedymentacji osadu czynnego wykorzystano wyniki pomiarów ilości, jakości ścieków i parametrów operacyjnych reaktora biologicznego. Ponadto opracowano modele przy pomocy sztucznych sieci neuronowych typu perceptron wielowarstwowy do prognozy wybranych wskaźników jakości ścieków na odpływie z oczyszczalni ścieków. Równocześnie w artykule przewidziano możliwość kontroli zarówno obciążenia substratowego, jak i wieku osadu, co ma istotne znaczenie dla przebiegu procesu oczyszczania ścieków. Integracja modelu do symulacji opadalności osadu i jakości ścieków ułatwi sterowanie procesem technologicznym, a tym samym wpłynie na poprawę efektywności działania oczyszczalni.

2.            Obiekt badań

Do analiz wykorzystano dane pochodzące z komunalnej oczyszczalni ścieków o przepustowości 72 000 m³/d i obciążeniu ładunkiem równoważnym 275 000 RLM. Do oczyszczalni trafiają ścieki z miasta Kielce oraz gminy Sitkówka–Nowiny i części gminy Masłów. Oczyszczanie ścieków na rozpatrywanym obiekcie w pierwszej kolejności odbywa się mechanicznie (kraty schodkowe, piaskownik napowietrzany z wydzielonym usuwaniem tłuszczów), a następnie biologicznie w oparciu o 5-stopniowy system Bardenpho. Oczyszczone ścieki odpływają do osadnika wtórnego, z którego po oddzieleniu od osadu czynnego trafiają do odbiornika – rzeki Bobrzy.

W ramach prowadzonego monitoringu na oczyszczalni ścieków prowadzone są pomiary jakości ścieków (biologiczne i chemiczne zapotrzebowanie na tlen, azot amonowy, azot ogólny, zawiesina, fosfor ogólny) nie mniej niż 5 razy w miesiącu na dopływie i odpływie z oczyszczalni. Równocześnie prowadzone pomiary on–line ilości ścieków dopływających oraz parametrów działania reaktora biologicznego (pH, temperatura osadu, stężenie tlenu, stężenie osadu czynnego, stopień recyrkulacji, ilość odprowadzanych osadów nadmiernych, ilość dawkowanego PIX).

3.            Metodyka badań

W niniejszej pracy przedstawiono metodę modelowania i kontrolowania: przebiegu procesu oczyszczania ścieków (usuwania związków azotu ogólnego, amonowego i fosforu ogólnego), parametrów reaktora biologicznego (MLSS, WAS, RAS, DO, PIX) w zależności od zdolności sedymentacyjnych osadu czynnego w komorach. Do prognozowania wartości wskaźników jakości ścieków na odpływie z oczyszczalni ścieków i parametrów operacyjnych reaktora wykorzystano 3-warstwowe (wejście, wyjście, warstwa ukryta) sieci neuronowe typu perceptron wielowarstwowy (MLP) i z gaussowskimi funkcjami aktywacji (RBF).

W sieciach tych sygnały wejściowe są mnożone przez wartości wag i przekazywane do neuronów warstwy ukrytej, gdzie w neuronach odbywa się sumowanie. Wyznaczone sumy są poddawane transformacji przy pomocy liniowej lub nieliniowej funkcji aktywacji i następnie przekazywane do neuronów wyjściowych.

W pracy rozważano także możliwość wykorzystania do modelowania działania reaktora biologicznego kaskadowych (CNN) i uogólniających sieci neuronowych (GRNN). Metody te stanowią modyfikacje sieci MLP, w pierwszym przypadku, tj. CNN, wprowadzono dodatkowe (rys. 1) połączenia między kolejnymi warstwami sieci neuronowej, co jak wykazały analizy, może prowadzić do poprawy zdolności predykcyjnych modelu.

Sieć neuronowa realizująca uogólnioną regresję w odróżnieniu do wymienionych wyżej ANN składa się z 4 warstw (wejściowej, wyjściowej i dwóch ukrytych). Pierwsza warstwa ukryta, tzw. wzorów, ma budowę podobną do warstwy ukrytej w sieciach RBF. Kolejna warstwa (podsumowująca) zbudowana jest z neuronów dwóch typów – H i D. Zadaniem neuronów typu H jest wyznaczenie ważonej sumy wartości wyjściowych wchodzących w skład zbioru uczącego, a neuron typu D odpowiedzialny jest za wyznaczenie sumy wag.

Na uwagę zasługuje fakt, iż metody te (CNN, GRNN) dotychczas nie były stosowane do prognozowania TN, N-NH₄ i TP na odpływie z oczyszczalni, dlatego też potencjalnie mogą one być wykorzystywane do prognozy działania oczyszczalni ścieków zamiast skomplikowanych modeli hybrydowych opracowanych przez Han i wsp. [2013].

Do opracowania modeli wykorzystano 175 wyników pomiarów, obejmujących równocześnie ilość, jakość ścieków i parametry działania komór osadu czynnego. W przypadku sieci neuronowych MLP, z uwagi na brak wytycznych do opracowywania modeli do prognozy azotu amonowego, ogólnego i parametrów operacyjnych reaktora dla przyjętej liczby neuronów w warstwie ukrytej (5÷30) i założonych funkcji aktywacji (tangens hiperboliczny, ekspotencjalna, logistyczna, sigmoidalna, liniowa) opracowywano modele matematyczne przy pomocy programu MATLAB.

W przypadku kaskadowych sieci neuronowych rozważano od 1 do 3 połączeń między kolejnymi warstwami sieci neuronowej, a liczba rozpatrywanych w nich neuronów była identyczna, jak w przypadku sieci MLP. Za optymalną strukturę modelu uznano, gdy obliczona wartość średniego błędu względnego (MAPE) i bezwzględnego (MAE) była najmniejsza spośród rozpatrywanych modeli.

Dla sieci RBF zmieniano wyłącznie liczbę neuronów w warstwie ukrytej, a zasady doboru struktury optymalnej były identyczne jak poprzednio. W celu uzyskania modelu o zadawalających zdolnościach predykcyjnych, zbiór danych podzielono na uczący (75%) i testowy (25%). W pracy rozpatrzono także zbiór walidacyjny, obejmujący 5 pomiarów równocześnie ilości, jakości ścieków (dopływ i odpływ) i parametrów działania komór osadu czynnego, w czasie których miało miejsce pogorszenie jakości ścieków na odpływie z oczyszczalni w analizowanym okresie (2015–2017).

Do prognozy sedymentacji osadu czynnego przeanalizowano możliwość wykorzystania modeli klasyfikacyjnych powszechnie stosowanych w naukach społecznych i ekonomicznych oraz w mikrobiologii do symulacji kinetyki rozwoju mikroorganizmów, o postaci:

Gompertza:

regresja logistyczna:

probitowy:

gdzie:

X – wektor opisujący kombinację liniową zmiennych objaśniających opisany wzorem:

α₀, α_i – współczynniki empiryczne.

W badaniach podstawę oceny zdolności sedymentacyjnych osadu stanowiła wartość objętościowego indeksu osadu czynnego, co jest powszechną praktyką. W obliczeniach jako podstawę identyfikacji opadalności osadu przyjęto wartość SVI_lim = 150 ml/g, która jest charakterystyczna dla oczyszczalni ścieków komunalnych z usuwaniem związków węgla, azotu i fosforu [Bayo i wsp. 2006; Łomotowski i Szpindor 2003]. Do oceny zdolności predykcyjnych modelu wykorzystano wartości tzw. czułości (SENS), specyficzności (SPEC) i błędu. Schemat obliczeniowy modelu matematycznego do kontroli sedymentacji, jakości ścieków na odpływie i parametrów operacyjnych komór osadu czynnego jest pokazany na rys. 1. W oparciu o przedstawiony algorytm realizowano korektę parametrów działania reaktora biologicznego na niezależnych danych obejmujących 10 punktów pomiarowych, dla których wartości SVI > 150 ml/g.

W pierwszym kroku dla przyjętych wstępnie parametrów komór osadu czynnego wykonywano obliczenia wartości wskaźników jakości ścieków na dopływie i stężenia osadu. W następnej kolejności określano obciążenie substratowe F/M = Q · BOD_5,in· (V_k · MLSS)-1 i wiek osadu

WO = WAS · (V_k · MLSS)^-1 w celu oceny poprawności realizacji procesu usuwania związków azotu ze ścieków. Następnie identyfikowano zdolności sedymentacyjne osadu przy pomocy opracowanego modelu logitowego. Gdy obliczona wartość p wskazywała na puchnięcie osadu (tj. p > 0,5), korygowano stężenie osadu czynnego poprzez zmianę parametrów reaktora (WAS, RAS, PIX, mmeth) w taki sposób, aby wieku osadu nie był krótszy niż 10 dób [Łomotowski i Szpindor 2003] oraz obciążenie substratowe nie było za wysokie ani nie za niskie, co by mogło prowadzić do problemów z usuwaniem związków azotu, ale równocześnie przyczynić się do pogorszenia sedymentacji osadu czynnego.

4.            Wyniki

Na podstawie danych pomiarowych zgromadzonych na oczyszczalni ścieków przeanalizowano ich zmienność (tab. 1) i równocześnie sprawdzono wpływ sedymentacji osadu czynnego na wartości fosforu ogólnego, azotu ogólnego i amonowego na odpływie z oczyszczalni w oparciu o wyniki obliczeń korelacji Persona. W oparciu o dane zamieszczone w tab. 1 stwierdzono, że wartości wskaźników jakości ścieków zmieniały się w szerokim zakresie, co wpływało na działanie reaktora biologicznego, co prowadziło do znacznej zmienności parametrów operacyjnych. Ponadto, z danych w tab. 1 wynika, że w analizowanym okresie występowały problemy z sedymentacją osadu, co potwierdzają pomierzone wartości objętościowego indeksu osadu. Równocześnie, analizując jakość ścieków na odpływie, można stwierdzić, że spośród analizowanych wskaźników jakości znaczną zmienność wykazywał azot ogólny, azot amonowy, a także fosfor ogólny.

Wykonane obliczenia współczynników korelacji potwierdziły statystycznie istotny wpływ wartości SVI na wielkości TP_eff (R = 0,32) oraz TN_eff (R = 0,56) i N-NH_4,eff (R = 0,52). Mając na względzie powyższe uwagi, można uznać, że rozpatrywany obiekt będzie stanowić odpowiedni przykład, w jaki sposób integracja modelu do prognozy jakości ścieków w zależności od sedymentacji osadu czynnego wpływa na poprawę efektywności funkcjonowania obiektu.

W oparciu o wyniki pomiarów ilości, jakości ścieków i parametrów technologicznych reaktora opracowano modele klasyfikacyjne do prognozy opadalności osadu czynnego, stanowiące liniową kombinację następujących zmiennych:

Wartości wyznaczonych współczynników α_i w równaniu 5, odpowiednio dla modelu regresji logistycznej, Gompertza i probitowego, zamieszczono w tab. 2.

Na podstawie danych zamieszczonych w tab. 2 można stwierdzić, że najlepszymi zdolnościami predykcyjnymi opadalności osadu czynnego charakteryzuje się model regresji logistycznej. Na rozpatrywane 80 zdarzeń, gdy SVI < 150 cm³/g, model poprawnie zaklasyfikował 76 zdarzeń, a na 120 zdarzeń, gdy SVI < 150 cm³/g, model odpowiednio zidentyfikował 103 przypadki. Uzyskane zależności p = f(x_i) znajdują potwierdzenie w wynikach obliczeń otrzymanych przez Lou i Zhao [2012] oraz Alsina i wsp. [2009] dla komunalnych oczyszczalni ścieków. Fakt ten wskazuje na możliwość wykorzystania uzyskanej zależności w dalszych rozważaniach.

W następnej kolejności opracowano modele matematyczne do prognozowania wskaźników jakości ścieków metodami sieci neuronowych typu perceptron wielowarstwowy z gaussowskimi funkcjami aktywacji, kaskadowymi i uogólnionej regresji. Wyniki obliczeń zamieszczono na rys. 2–3.

Ponadto, na rys. 4–6 przedstawiono przykładowe wyniki symulacji wybranych wskaźników jakości ścieków (TP, TN, N-NH4) metodami CNN, MLP, RBF i GRNN.

Na podstawie wykonanych obliczeń można stwierdzić, że najmniejsze wartości błędów prognozy wartości MLSS, TP_eff, TN_eff, N-NH_4,eff w obrębie rozpatrywanych metod otrzymano modelami opracowanymi przy pomocy kaskadowych sieci neuronowych, a największe wartości błędów predykcji analizowanych zmiennych uzyskano metodą sieci neuronowych uogólnionej regresji.

Z przeprowadzonych obliczeń wynika, że najmniejsze wartości błędów prognozy wskaźników jakości i parametrów działania reaktora otrzymano modelami CNN z jedną warstwą ukrytą, w której jest 12÷14 neuronów (funkcję aktywacji w 3 na 4 przypadkach stanowi tangens – hiperboliczny) i dwoma dodatkowymi połączeniami. Nieznacznie większe błędy symulacji MLSS, TP_eff, TN_eff, N-NH_4,eff niż metodą CNN uzyskano przy pomocy MLP i RBF, co potwierdzają otrzymane wyniki obliczeń. Różnice między średnimi wartościami błędów wyznaczonych modelami MLP i RBF (błąd bezwzględny i względny są najmniejsze w obrębie metody) dla rozpatrywanych zmiennych niezależnych nie przekraczają w większości przypadków 5% dla wielkości MAE i MAPE.

Na podstawie danych zamieszczonych na rys. 4, 5 można stwierdzić, że maksymalne odnotowane wartości wskaźników jakości (TN, TP) z zadowalającą dokładnością udało się zamodelować metodą CNN, znacznie gorsze wyniki symulacji uzyskuje się metodami RBF i MLP. Największe błędy prognozy wartości maksymalnych pomierzonych wskaźników jakości otrzymano metodą GRNN. Zarówno z punktu widzenia technologicznego, jak i wymogów prawnych, istotna jest precyzyjna identyfikacja stanów anormalnych objawiających się zaburzeniem procesu oczyszczania ścieków, na co wskazują wskaźniki jakości ścieków na odpływie z oczyszczalni. Równocześnie wykonane analizy potwierdzają istotny wpływ SVI na wartości TN_eff, N-NH_4,eff.

W następnej kolejności uzyskane modele matematyczne do prognozy MLSS, TN_eff, N-NH_4,eff, TP_eff porównano z wynikami analiz otrzymanych przez innych badaczy. Wartości prognozy N-NH_4,eff uzyskane metodą CNN (R = 0,970) są praktycznie identyczne jak otrzymane przez Huang i wsp. [2009] (R = 0,990) oraz Raduy i wsp. [2007] (R = 0,975), którzy jako zmienne objaśniające wykorzystali parametry modeli ASM, takie jak stężenie w fazie ciekłej substancji inertnych, łatwobiodegradowalnych, azotu organicznego, amoniaku, azotu amonowego w zawiesinie organicznych substancji inertnych i łatwobiodegradowalnych. Znacznie mniej zmiennych objaśniających (TP, TSS, DO, T, ORP) do obliczenia N-NH4 wykorzystali Han i wsp. [2016], którzy stosując model hybrydowy (modyfikacja ANFIS i modelu klasyfikacyjnego c-średnich) uzyskali R = 0,999. Mimo tego, że wartości współczynnika korelacji R uzyskane przez Huang i wsp. [2009] oraz Raduly i wsp. [2007] są minimalnie większe od wyznaczonych w pracy, to należy podkreślić, że zmienne objaśniające w modelu opracowanym metodą CNN są obecnie mierzone w systemie on‑line w wielu oczyszczalniach komunalnych, a parametry modeli ASM nie są badane nawet okresowo i wymagają wykonania czasochłonnych badań laboratoryjnych.

W przypadku TN_eff minimalnie lepsze dopasowanie wyników obliczeń do obserwacji niż otrzymane w pracy (R = 0,956) uzyskali Huang i wsp. [2009] (R = 0,990) oraz Raduly [2007] (R = 0,958), którzy w tym przypadków jako zmienne objaśniające przede wszystkim wykorzystali parametry modeli ASM. Wyniki tych obliczeń znajdują również potwierdzenie w badaniach innych badaczy [Clara 2008] analizujących komunalne oczyszczalnie ścieków.

Porównywalne wyniki analiz (R = 0,920) uzyskali także Lee i wsp. [2009], którzy dodatkowo uwzględnili ładunek COD, TP i parametry reaktora takie jak MLSS i SVI. Ciekawą metodę prognozy TN_eff i TP_eff przedstawili Hongbin i wsp. [2013], którzy w modelu ANFIS optymalizowali wagi za pomocą algorytmu genetycznego. Otrzymane przez nich wartości R wynosiły zaledwie R = 0,577 i R = 0,284; jednakże w modelu tym nie uwzględniono parametrów reaktora biologicznego, co istotnie wpłynęło na dokładność predykcji. Opracowany w artykule metodą CNN model do symulacji TP_eff charakteryzuje się lepszymi zdolnościami prognozy niż model uzyskany przez Lee i wsp. [2009] (R = 0,936) i Bloom [1996] (R = 0,946) dla komunalnych oczyszczalni ścieków, którzy do opisu wskaźnika jakości wykorzystali wyniki pomiarów ilości, jakości ścieków i parametrów działania reaktora biologicznego.

Porównując otrzymane w pracy wartości R = 0,946 dla modelu do prognozy MLSS stwierdzono, że gorsze dopasowanie wyników obliczeń do pomiarów otrzymali Guclu i Dursun [2010] (R = 0,880) dla komunalnej oczyszczalni ścieków, którzy zastosowali metodę MLP, a zmienne objaśniające stanowił ładunek COD, TSS i TKN oraz parametry reaktora, takie jak stężenie tlenu w komorach nitryfikacji.

Nieznacznie większe wartości R niż Guclu i Dursun [2010] uzyskali Hong i Bhamadimiri [2003], którzy zaimplementowali do obliczeń metodę programowania genetycznego, a zmienne objaśniające stanowiły wartości RAS, MLSS(t - 1), Q, P_c. Mniejsze błędy prognozy MLSS niż wyznaczone w pracy uzyskali Lee i wsp. [2006] (R = 0,975), którzy modelowali działanie oczyszczalni ścieków przemysłowych.

5.            Literatura

[1] Bayo J., Angosto J.M., Serrano-Aniorte J.: Evaluation of physicochemical parameters influencing bulking episodes in a municipal wastewater treatment plant. Water Pollution VIII: Modelling, Monitoring and Management 95:531–542, 2006.
[2] Bloom H.A.: Indirect measurement of key water quality parameters in sewage treatment plants. J. Chemometr. 10, 697-706, 1996.
[3] Clara Narcis: Neural Networks complemented with Genetic Algorithms and Fuzzy Systems for Predicting Nitrogenous Effluent Variables in Wastewater Treatment Plants. WSEAS Transactions on Systems, Issue 6, Volume 7, June 2008.
[4] Cortés U., Martínez J., Comas M., Sànchez-Marrèa M., Rodríguez I.: A conceptual model to facilitate knowledge sharing for bulking solving in wastewater treatment plant. AI Communications 16, 279–289, 2006.
[5] Flores-Alsina X.J., Comas J., Rodriguez-Roda I., Gernaey K.V., Rosen Ch.: Including the effects of filamentous bulking sludge during the simulation of wastewater treatment plants using a risk assessment model. Water Research 43(18), 4527–4538, 2009.
[6] Güçlü Ş. Dursun: Artificial neural network modelling of a large-scale wastewater treatment plant operation. Bioproc Biosyst Eng, 33, 1051–1058, 2010.
[7] Han H.G., Qiao J.F.: Hierarchical neural network modelling approach to predict Sludge Volume Index of wastewater treatment process. Control Systems Technology, IEEE Transactions 21:2423–2431, 2013.
[8] Han Hong-gui, Chen Zhi-yuan, Qiao Jun-fei, Zhang Hui-qing: Soft-sensor method for effluent ammonia nitrogen based on interval type-2 fuzzy neural networks, 2016.
[9] Henze M., P. Harremoes, E. Arvin, J. Lacour: Wastewater Treatment. Biological and Chemical Processes, Springer–Verlag, Berlin, 2002.
[10] Hongbin Liu, Mingzhi Huang, Chang Kyoo Yoo: A fuzzy neural network-based soft sensor for modeling nutrient removal mechanism in a full-scale wastewater treatment system. Desalination and Water Treatment, 51, 6184–6193, 2013.
[11] Hong Y.S.T, R. Bhamidimarri: Evolutionary self–organising modelling of a municipal wastewater treatment plant. Water Res., 37, 1199–1212, 2003.
[12] Huang Z., J. Luo, X. Li: Prediction of effluent parameters of wastewater treatment plant based on improved least square support vector machine with PSO. The 1st International Conference on Information Science and Engineering (ICISE2009), 2009.
[13] Lee D. S., M. W. Lee, S. H. Woo, Y.J. Kim, J. M. Park: Nonlinear dynamic partial least squares modeling of a full-scale biological wastewater treatment plant. Process Biochemistry 41, 2050–2057, 2006.
[14] Lee H.W., Lee M.W., Park J.M.: Multi-scale extension of PLS algorithm for advanced on-line process monitoring. Chemometr. Intell. Lab. 98, 201-212, 2009.
[15] Lou I., Zhao Y.: Sludge bulking prediction using principle component regression and artificial neural network. Mathematical Problems in Engineering, 1–17, 2012.
[16] Łomotowski J., J. Szpindor: Nowoczesne systemy oczyszczania ścieków. Wydawnictwo Arkady. Warszawa, 2003.
[17] Raduly B., K.V. Gernaey, A.G. Capodaglio, P.S. Mikkelsen M. Henze: Artificial neural networks for rapid WWTP performance evaluation: Methodology and case study. Environmental Modelling & Software 22, 1208–1216, 2007.
[18] Szeląg B, Studziński J.: Modelling mixed liquor suspended solid and substrate load on the basis of the wastequality indices and operational parameters of the bioreactor: data mining approach. 15th International Industrial Simulation Conference (Edited: J.Kasprzyk, J.W. Owsinski), 69-76, 2017.
[19] Szeląg B., P. Siwicki. In: B. Kaźmierczak, M. Kutyłowska, K. Piekarska, A. Trusz–Zdybek: Application of the selected classification models to the analysis of the settling capacity of the activated sludge – case study. E3S Web of Conferences 2017, Boduszów-Gorce, 1–7, 2017.

Jan Studziński, Instytut Badań Systemowych Polskiej Akademii Nauk

Bartosz Szeląg, Politechnika Świętokrzyska w Kielcach

Aleksandra Leśniańska, EkoWodrol Sp. z o.o., Koszalin

źródło: Forum Eksploatatora 6/2018