Sviluppo e applicazione di un modello di sensore soft di regressione casuale delle foreste per il trattamento delle acque reflue domestiche in un reattore batch di sequenziamento

Rapporti scientifici volume 13, numero articolo: 9149 (2023) Citare questo articolo

17 Accessi

Dettagli sulle metriche

Le apparecchiature per il trattamento dell'acqua distribuito su piccola scala come il reattore batch di sequenziamento (SBR) sono ampiamente utilizzate nel campo del trattamento delle acque reflue domestiche rurali a causa dei vantaggi di installazione e costruzione rapide, bassi costi operativi e forte adattabilità. Tuttavia, a causa delle caratteristiche di non linearità e isteresi del processo SBR, è difficile costruire il modello di simulazione del trattamento delle acque reflue. In questo studio è stata sviluppata una metodologia che utilizza l’intelligenza artificiale e un sistema di controllo automatico in grado di risparmiare energia corrispondente a ridurre le emissioni di carbonio. La metodologia sfrutta il modello forestale casuale per determinare un sensore morbido adatto per la previsione delle tendenze del COD. Questo studio utilizza sensori di pH e temperatura come premesse per i sensori COD. Nel metodo proposto, i dati sono stati pre-elaborati in 12 variabili di input e le prime 7 variabili sono state selezionate come variabili del modello ottimizzato. Ciclo terminato dall'intelligenza artificiale e dal sistema di controllo automatico invece che dal controllo del tempo fisso che era uno scenario incontrollato. In 12 casi di test, la percentuale di rimozione del COD è stata di circa il 91,075%, mentre il 24,25% di tempo o energia è stato risparmiato da una prospettiva media. Questa metodologia di selezione dei sensori morbidi proposta può essere applicata nel campo del trattamento delle acque reflue domestiche rurali con vantaggi in termini di risparmio di tempo ed energia. Il risparmio di tempo si traduce in un aumento della capacità di trattamento e il risparmio energetico rappresenta una tecnologia a basse emissioni di carbonio. La metodologia proposta fornisce un quadro per studiare modi per ridurre i costi associati alla raccolta dei dati sostituendo sensori costosi e inaffidabili con alternative convenienti e affidabili. Adottando questo approccio, è possibile mantenere il risparmio energetico rispettando gli standard sulle emissioni.

Le acque reflue domestiche rurali sono caratterizzate da qualità e quantità di acqua instabili, scarichi dispersi e bassa concentrazione di inquinanti1. Per affrontare queste sfide, le apparecchiature per il trattamento dell’acqua distribuito su piccola scala sono diventate ampiamente utilizzate nel campo del trattamento delle acque reflue domestiche rurali grazie alla loro rapida installazione e costruzione, ai bassi costi operativi e alla forte adattabilità2. Negli ultimi anni, il processo del reattore batch di sequenziamento (SBR) è emerso come un’opzione promettente per il trattamento delle acque reflue domestiche rurali. Rispetto ad altri processi, l'SBR può resistere efficacemente agli impatti del carico organico, ha modalità operative flessibili, produce buoni effetti di effluente e ottiene migliori effetti di rimozione di azoto e fosforo3,4,5,6.

Tuttavia, la costruzione di modelli di simulazione accurati per il trattamento delle acque reflue domestiche rurali può essere difficile a causa delle caratteristiche di non linearità e isteresi esibite dal processo SBR7,8. I problemi non lineari nel trattamento delle acque reflue si riferiscono alle relazioni complesse, diverse e non lineari che derivano dalle interazioni di varie reazioni chimiche, reazioni biologiche ed effetti fisici durante il trattamento delle acque reflue.

L’intelligenza artificiale, compreso l’apprendimento automatico, è stata applicata ai processi di trattamento delle acque reflue per risolvere efficacemente problemi non lineari. L’apprendimento automatico comprende una serie di metodi, come le reti neurali e la regressione vettoriale di supporto, che possono essere utilizzati per analizzare e modellare i dati complessi generati durante il trattamento delle acque reflue. Ciò ha effettivamente migliorato l’efficienza e la qualità del trattamento delle acque reflue, riducendo al contempo i costi di trattamento.

La rete neurale artificiale (ANN) è un modello matematico che simula il comportamento delle reti neurali animali ed esegue l'elaborazione delle informazioni distribuita e parallela. L'ANN è diventata ampiamente utilizzata nella previsione dello scarico delle acque reflue, poiché può regolare le interconnessioni tra un gran numero di nodi interni per elaborare informazioni complesse all'interno del sistema9,10,11,12,13.

Oltre a utilizzare metodi di rete neurale artificiale (ANN), altre tecniche come la regressione lineare (LR), la regressione vettoriale di supporto (SVR) e i metodi di rete neuro-fuzzy sono stati utilizzati anche nella tecnologia di rimozione degli inquinanti per prevedere i cambiamenti nelle concentrazioni degli inquinanti o altri parametri di processo14,15,16,17,18,19. Questi metodi (come mostrato nella Tabella 1) si sono dimostrati efficaci nel modellare le complesse relazioni tra vari fattori e nel prevedere le concentrazioni di inquinanti, il che aiuta a ottimizzare le prestazioni del processo di trattamento.