Optimización del Tratamiento de Aguas Residuales a Través del Control de Supervisión y Adquisición de Datos Mejorado por Aprendizaje Automático: Un Estudio de Caso sobre la Estabilidad del Proceso de Lodo Granular y Control Predictivo
Autores: Gulshin, Igor; Kuzina, Olga
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Procesos industriales
Subcategoría
Automatización industrial
Palabras clave
Sistema de control automatizado
Modelos de aprendizaje automático
Marco SCADA
Reactor de lodo granular aerobio
Demanda biológica de oxígeno
Modelo N-BEATS
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Este estudio presenta un sistema de control automatizado para el tratamiento de aguas residuales, desarrollado utilizando modelos de aprendizaje automático (ML) integrados en un marco de Control de Supervisión y Adquisición de Datos (SCADA). El montaje experimental se centró en un reactor de Lodo Granular Aeróbico (AGS) a escala de laboratorio, que utilizó aguas residuales sintéticas para modelar condiciones del mundo real. Los modelos de aprendizaje automático, específicamente N-BEATS y Transformadores de Fusión Temporal (TFTs), fueron entrenados para predecir los valores de Demanda Biológica de Oxígeno (DBO) utilizando datos históricos y concentraciones de contaminantes en tiempo real obtenidas de sensores en línea. Este enfoque predictivo resultó esencial debido a la ausencia de mediciones directas de DBO en línea y a una relación inconsistente entre DBO y Demanda Química de Oxígeno (DQO), con una correlación de aproximadamente 0.4. Los resultados de la evaluación mostraron que el modelo N-BEATS demostró la mayor precisión, logrando un Error Absoluto Medio (EAM) de 0.988 y un R de 0.901. La integración del modelo N-BEATS en el sistema SCADA permitió ajustes precisos en tiempo real a los parámetros del reactor, incluyendo la dosis de lodo y la intensidad de aireación, lo que llevó a mejoras significativas en la estabilidad de granulación. El sistema redujo efectivamente la desviación estándar de las fluctuaciones de carga orgánica en 2.6 veces, de 0.024 a 0.006, estabilizando así el proceso de granulación dentro del reactor AGS. El análisis residual sugirió un sesgo menor, probablemente debido al número limitado de características en el modelo, lo que indica mejoras potenciales a través de entradas de datos adicionales. Esta investigación demuestra el valor del control predictivo impulsado por aprendizaje automático para el tratamiento de aguas residuales, ofreciendo una solución resiliente para entornos dinámicos. Al facilitar la gestión proactiva, este enfoque apoya la escalabilidad de las tecnologías de tratamiento de aguas residuales mientras mejora la eficiencia del tratamiento y la sostenibilidad operativa.
Descripción
Este estudio presenta un sistema de control automatizado para el tratamiento de aguas residuales, desarrollado utilizando modelos de aprendizaje automático (ML) integrados en un marco de Control de Supervisión y Adquisición de Datos (SCADA). El montaje experimental se centró en un reactor de Lodo Granular Aeróbico (AGS) a escala de laboratorio, que utilizó aguas residuales sintéticas para modelar condiciones del mundo real. Los modelos de aprendizaje automático, específicamente N-BEATS y Transformadores de Fusión Temporal (TFTs), fueron entrenados para predecir los valores de Demanda Biológica de Oxígeno (DBO) utilizando datos históricos y concentraciones de contaminantes en tiempo real obtenidas de sensores en línea. Este enfoque predictivo resultó esencial debido a la ausencia de mediciones directas de DBO en línea y a una relación inconsistente entre DBO y Demanda Química de Oxígeno (DQO), con una correlación de aproximadamente 0.4. Los resultados de la evaluación mostraron que el modelo N-BEATS demostró la mayor precisión, logrando un Error Absoluto Medio (EAM) de 0.988 y un R de 0.901. La integración del modelo N-BEATS en el sistema SCADA permitió ajustes precisos en tiempo real a los parámetros del reactor, incluyendo la dosis de lodo y la intensidad de aireación, lo que llevó a mejoras significativas en la estabilidad de granulación. El sistema redujo efectivamente la desviación estándar de las fluctuaciones de carga orgánica en 2.6 veces, de 0.024 a 0.006, estabilizando así el proceso de granulación dentro del reactor AGS. El análisis residual sugirió un sesgo menor, probablemente debido al número limitado de características en el modelo, lo que indica mejoras potenciales a través de entradas de datos adicionales. Esta investigación demuestra el valor del control predictivo impulsado por aprendizaje automático para el tratamiento de aguas residuales, ofreciendo una solución resiliente para entornos dinámicos. Al facilitar la gestión proactiva, este enfoque apoya la escalabilidad de las tecnologías de tratamiento de aguas residuales mientras mejora la eficiencia del tratamiento y la sostenibilidad operativa.