Kunstig intelligens brukt for å kontrollere overløp i avløpsnett

Av Berit Hauger Lindstad

Illustrasjon
IllustrasjonFoto: Illustrasjon

Hovedmålet med Duo Zhang sin doktorgradsavhandling er å bruke kunstig intelligens, hydraulisk modell og internet of things for å undersøke bruken av sanntidsovervåking for å redusere overløp.

Økt urbanisering og ekstreme nedbørsmengder skaper hyppigere forekomst av overløp i kloakkrør, noe som fører til forurensing av vann-ressurser, og skaper negative helse, miljø, og økonomiske konsekvenser. Samtidig blir kapasiteten til renseanleggene kraftig påvirket.

Hovedmålet med denne Ph.D. avhandlingen er å bruke internet of things og forskjellige modelleringsteknikker for å undersøke bruken av sanntidsovervåking på eksisterende kloakkrørsystemer for å redusere overløp. Internet of things oppgave er å kontinuerlig overvåke og sanntidskontrollere kloakksystemet. Dataene samlet inn fra internet of things er også nyttig i bruk til å utvikle modeller og kalibrering. Modellene er nyttige i varierende formål for sanntidskontroll, de kan brukes til simulering av hendelser, eller for å predikere hendelser. Modeller til bruk for simulering av hendelser, som beskriver de viktige fenomenene i et system på en deterministisk måte, er nyttige for å utvikle og analysere de forskjellige strategiene for kontroll. Modeller tilpasset for å predikere er vanligvis satt til å forutse fremtidige stadier av systemet, og må ha en høy beregnings hastighet og bruke målinger og informasjon gitt av systemet.

For å demonstrere hvordan sanntidskontroll kan brukes for å forbedre driften av kloakksystemet ble det gjennomført en casestudie for denne avhandlingen i Drammen, Norge. I denne studien ble det brukt en hydraulisk modell til simulering, for å teste gjennomføringsgraden av forskjellige kontrollstrategier. De nylige fremskrittene innenfor kunstig intelligens kombinert med store datamengder samlet via internet of things, viste i studien at det ville være mulig å ytterligere utforske mulighetene til å benytte kunstig intelligens som en modell for prediksjon.

Et sammendrag av resultatet fra dette arbeidet er presentert via fem artikler. Artikkel I demonstrerer at en mainstream kunstig intelligens teknikk, long short-term memory, presist kan forutse tidsseriedata fra internet of things. Internet of things og long short-term memory kan være kraftfulle verktøy for operatører eller ingeniører av kloakksystemet, som kan dra fordeler av sanntidsdata og prediksjon for å forbedre beslutningsevnen.   

I artikkel II er en hydraulisk modell og kunstig intelligens benyttet for å detektere en optimal in-line lagerkontroll strategi som bruker det temporære lagervolumet i rør for å redusere overløp. Simuleringsresultater fra den hydrauliske modellen som indikerte voldsomt regnfall viste at renseanleggets responsatferd varierer med hensyn til lokasjon. Overløp på et renseanlegg under forskjellige kontrollscenarier ble simulert og sammenlignet. Resultatene fra den hydrauliske modellen viser at overløp ble redusert dramatisk med forsettlig bevisst kontroll av rør med in-line lagringskapasitet. For å bestemme tilgjengelig lagringskapasitet på anlegget ble det benyttet recurrent neural networks for å forutsi den kommende strømmen som kommer inn i rørene som skulle kontrolleres.

Artikkel III og IV beskriver en ny løsning for avløpsvannoverføring. Metoden tar sikte på å omfordele blandet kloakkstrøm ved å overføre avløpsvann fra et anlegg til et nærliggende oppsamlingssted. I artikkel III, blir kloakksystemets hydrauliske atferd under forskjellige kontrollscenarier vurdert ved bruk av den hydrauliske modellen. Som antydet av de simuleringene, kan omfordeling av avløpsvann effektivt redusere det totale overløpet fra et kloakksystem og renseanlegg. Kunstig intelligens ble brukt til å forutsi tilsig til renseanlegget for å forbedre avløpsvannfordelingsfunksjonen. Resultatene fra artikkel IV indikerer at avløpsvannfordeling kan bli en byrde for en pumpestasjon. For å forbedre driften av pumpestasjonen ble det benyttet long short-term memory, som kunne gi predikasjoner om vannstand i flere trinn fremover.

Artikkel V foreslår en DeepCSO modell basert på sensorer med høy oppløsning og multi-task learning teknikker. Eksperimenter demonstrerte at multi-task learning tilnærmingen generelt er bedre enn single-task tilnærmingen. Videre, er gated recurrent unit og long short-term memory baserte multi-task learning modeller spesielt egnet for å fange opp den tidsmessige og romlige utviklingen av kombinerte kloakkoverløpshendelser og er overlegne andre metoder. DeepCSO-modellen kan være til hjelp i sanntidsdriften av et kloakksystem på et bynivå.

Publisert - Oppdatert

Del på