JP2018158284A - データベースの製造方法、及び水処理又は汚泥処理システム - Google Patents
データベースの製造方法、及び水処理又は汚泥処理システム Download PDFInfo
- Publication number
- JP2018158284A JP2018158284A JP2017056064A JP2017056064A JP2018158284A JP 2018158284 A JP2018158284 A JP 2018158284A JP 2017056064 A JP2017056064 A JP 2017056064A JP 2017056064 A JP2017056064 A JP 2017056064A JP 2018158284 A JP2018158284 A JP 2018158284A
- Authority
- JP
- Japan
- Prior art keywords
- database
- actual
- data
- model
- sludge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 97
- 239000010802 sludge Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 description 45
- 239000007924 injection Substances 0.000 description 45
- 238000013473 artificial intelligence Methods 0.000 description 26
- 238000010276 construction Methods 0.000 description 23
- 238000000746 purification Methods 0.000 description 16
- 239000004094 surface-active agent Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 239000010801 sewage sludge Substances 0.000 description 11
- 239000000701 coagulant Substances 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000002156 mixing Methods 0.000 description 7
- 230000029087 digestion Effects 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000005054 agglomeration Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 239000010815 organic waste Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Treatment Of Sludge (AREA)
Abstract
Description
特許文献1では、浄水場における凝集剤の注入率を決定するために、原水を分岐して凝集分析装置に導入して、装置内でジャーテストを行い、凝集剤注入率と集塊化開始時間の相関を求めている。この発明では、出力変数:凝集剤注入率に対する入力変数は、集塊化開始時間の一つのみであり、このような単回帰の場合は、少ないデータ数で回帰式を作成することが可能である。その一方で、凝集に大きな影響を与える原水pHや原水アルカリ度等の影響を考慮することはできないというデメリットがある。また、この発明は、背景技術(その段落「0011」)に記載される通り、大量のデータを有するデータベースの作成を必要としない方法を提供することを目的とされており、機械学習/人工知能の適用を考えた発明ではない。
即ち、本発明では、実際の原水や汚泥を用いた回分試験、あるいは、実際のプラントの近傍等に設置されて実際の原水や汚泥を用いて運転するパイロットプラントによるパイロット試験により、事前にデータベース構築用のデータを取得する。
ここで上記予測値を取得しようとする予測対象には、プロセスにおいて重要なパラメータを選ぶことができる。水処理システムであれば、凝集剤の注入率、汚泥処理プロセスであれば、メタンガスの発生量等である。予測対象は、プロセスにおいて予め知ることに価値のあるパラメータであれば何でもよく、対象プロセスあるいは予測目的等に応じて、その都度自由に設定することができる。
本発明を用いれば、回分試験やパイロット試験によって、多くの設定を試行することができ、且つ、実プラントでデータを蓄積することに比べ、短時間で、且つ、大量にデータを取得することができる。
また、回分試験やパイロット試験によってデータベースを作成するので、特に回分試験では一度に多くの条件を振ることができ、また実プラントではないので処理性能への影響を気にすることなく、幅広い条件を設定することができる。
即ち、データセット数が十分ではない状況において、十分なデータセット数を持ったデータベースを製造することができる。
ここでデータセットとは、目的変数と説明変数群の一対の組を言い、データセットの集合がデータベースとなる。各種データはデータセットを構成する要素となる。
これによって、学習データの外挿範囲を低減することが可能となり、より多くの状況において精度の高い出力を返すモデルの構築が可能となる。
即ち、機械学習/人工知能が有する原理的な課題に、外挿データの予測がほぼ不可能というものがある。外挿データとは学習データの範囲を超えるデータのことで、例えば、あるパラメータの学習データとして採用した範囲が、0から10だった場合、−1や11は学習データ範囲外となって外挿データとなる。あるいは、学習データの範囲が0から10だったとしても、5から7の範囲にデータが無い場合は、やはり5から7は外挿データとなる。実プラントで得たデータのみで、モデル構築用学習データのデータベースを構築しようとすると、外挿データが発生し易くなり、これまでにデータが得られたことの無い状況に実原水や実汚泥がなった場合、信頼度に劣る出力がなされることとなる。近年は、ゲリラ豪雨に代表される天候の急変が良くあり、通常時の制御に加え、突発的に生じる異常時においても、良好な制御ができるように備えることが時代の必然である。本発明を用いれば、上述のようにその可能性を高めることができる。
実プラントで得られるデータも、このデータベースに加えることにより、さらに精度を高めることが可能になる。
回分試験又はパイロット試験によって取得する学習データと、実プラントの運転から得られるデータが一致し、両者を合わせてより有効なデータベースとすることができる。
〔第1実施形態〕
図1は本発明の第1実施形態にかかる学習データ用データベースの製造方法を示す図であり、回分試験によるモデル構築用学習データのデータベース作成手順を示す図である。具体的には、浄水場における最適な凝集剤注入率を予測するためのモデルを構築する際に用いる学習用データベースの作成手順の一例を示している。
浄水場における最適な凝集剤注入率を決定するために、最適凝集剤注入率を出力するモデルを構築し、制御に用いることを試みた。
図5は本発明の第2実施形態にかかる学習データ用データベースの製造方法を示す図であり、回分試験によるモデル構築用学習データのデータベース作成手順を示す図である。具体的には、消化槽設備における最適な界面活性剤注入率を決定するために利用するモデルを構築する際に用いる学習用データベースの作成手順の一例を示している。
複数の有機性廃棄物を混合消化する消化槽設備で、ガス発生量を予測するモデル構築を試みた。混合消化する実汚泥等として、下水汚泥とコーヒー粕を用いた。下水汚泥とコーヒー粕の割合を、1:9、2:8、3:7、4:6、5:5、6:4、7:3、8:2、9:1に設定し、それぞれに対して複数の界面活性剤注入率を設定して、バイアルによるメタンガス発生試験を実施した。コーヒー粕と下水汚泥は、試験前に粉砕した。試験開始後30日にガス発生量を測定した。
図6は本発明の第3実施形態にかかる学習データ用データベースの製造方法を示す図であり、パイロットプラントによるモデル構築用学習データのデータベース作成手順を示す図である。具体的には、浄水場における最適な凝集剤注入率を予測するためのモデルを構築する際に用いる学習用データベースの作成手順の一例を示している。
11 着水井
13 混和槽
15 フロック形成槽
17 沈澱池
19 ろ過池
21 浄水池
23A 濁度センサ
23B M−アルカリ度センサ
23C pHセンサ
25 制御部
27 凝集剤注入ポンプ
1−2 消化槽設備(汚泥処理システム)
31 下水汚泥貯槽
33 コーヒー粕貯槽
35 混合・粉砕設備
37 消化槽
41 供給量センサ
43 濃度センサ
45 供給量センサ
49 制御部
51 界面活性剤注入ポンプ
53 発生量センサ
55 濃度センサ
Claims (4)
- 機械学習アルゴリズムを用いて、水処理又は汚泥処理における任意の予測値を取得するためのモデルを構築する際に用いる学習データ用のデータベースの製造方法であって、
実原水あるいは実汚泥を用いた回分試験又はパイロット試験によって、学習データを取得することを特徴とするデータベースの製造方法。 - 請求項1に記載のデータベースの製造方法であって、
前記実原水又は前記実汚泥を処理する実プラントの運転から得られたデータも、前記データベースに加えることを特徴とするデータベースの製造方法。 - 請求項1又は2に記載のデータベースの製造方法であって、
前記回分試験又は前記パイロット試験で測定又は条件として設定する項目は、実プラントに設置されるセンサで測定できる項目であることを特徴とするデータベースの製造方法。 - 請求項1乃至3の内の何れかに記載のデータベースの製造方法で製造されたデータベースを用いて構築したモデルを制御に使用する制御部を有することを特徴とする水処理又は汚泥処理システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017056064A JP6693902B2 (ja) | 2017-03-22 | 2017-03-22 | データベースの製造方法、及び水処理又は汚泥処理システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017056064A JP6693902B2 (ja) | 2017-03-22 | 2017-03-22 | データベースの製造方法、及び水処理又は汚泥処理システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018158284A true JP2018158284A (ja) | 2018-10-11 |
JP6693902B2 JP6693902B2 (ja) | 2020-05-13 |
Family
ID=63795355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017056064A Active JP6693902B2 (ja) | 2017-03-22 | 2017-03-22 | データベースの製造方法、及び水処理又は汚泥処理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6693902B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019147106A (ja) * | 2018-02-27 | 2019-09-05 | 三菱重工業株式会社 | バイオガス品質評価装置、バイオガス品質評価方法、およびプログラム |
JP2020114570A (ja) * | 2019-01-17 | 2020-07-30 | 株式会社明電舎 | 操作値算出装置 |
JP2021038914A (ja) * | 2019-08-30 | 2021-03-11 | 水ing株式会社 | 乾燥システム |
JP2021098175A (ja) * | 2019-12-23 | 2021-07-01 | 株式会社クボタ | モデル生成装置、推定装置、モデル生成方法および推定方法 |
JP2021137747A (ja) * | 2020-03-06 | 2021-09-16 | 株式会社明電舎 | 水処理施設の操作量導出装置 |
TWI746059B (zh) * | 2020-07-15 | 2021-11-11 | 方達科技股份有限公司 | 用於優化污水處理設施效能之人工智慧輔助操作系統以及使用它之污水水質人工智慧優化方法 |
CN113845205A (zh) * | 2021-10-18 | 2021-12-28 | 江苏科易达环保科技有限公司 | 一种高盐高氮污水智能一体化除盐脱氮控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000218263A (ja) * | 1999-02-01 | 2000-08-08 | Meidensha Corp | 水質制御方法及びその装置 |
JP2002126721A (ja) * | 2000-10-20 | 2002-05-08 | Meidensha Corp | 薬品注入率制御方法及びその装置 |
JP2015171678A (ja) * | 2014-03-11 | 2015-10-01 | 株式会社東芝 | 凝集剤注入率設定支援システム、凝集剤注入率設定支援方法、凝集剤注入率設定支援装置、および凝集剤注入率設定支援プログラム |
-
2017
- 2017-03-22 JP JP2017056064A patent/JP6693902B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000218263A (ja) * | 1999-02-01 | 2000-08-08 | Meidensha Corp | 水質制御方法及びその装置 |
JP2002126721A (ja) * | 2000-10-20 | 2002-05-08 | Meidensha Corp | 薬品注入率制御方法及びその装置 |
JP2015171678A (ja) * | 2014-03-11 | 2015-10-01 | 株式会社東芝 | 凝集剤注入率設定支援システム、凝集剤注入率設定支援方法、凝集剤注入率設定支援装置、および凝集剤注入率設定支援プログラム |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019147106A (ja) * | 2018-02-27 | 2019-09-05 | 三菱重工業株式会社 | バイオガス品質評価装置、バイオガス品質評価方法、およびプログラム |
WO2019167743A1 (ja) * | 2018-02-27 | 2019-09-06 | 三菱重工業株式会社 | バイオガス品質評価装置、バイオガス品質評価方法、およびプログラム |
JP7213018B2 (ja) | 2018-02-27 | 2023-01-26 | 三菱重工業株式会社 | 情報出力装置、情報出力方法、およびプログラム |
JP2020114570A (ja) * | 2019-01-17 | 2020-07-30 | 株式会社明電舎 | 操作値算出装置 |
JP2021038914A (ja) * | 2019-08-30 | 2021-03-11 | 水ing株式会社 | 乾燥システム |
JP7436305B2 (ja) | 2019-08-30 | 2024-02-21 | 水ing株式会社 | 乾燥システム |
JP2021098175A (ja) * | 2019-12-23 | 2021-07-01 | 株式会社クボタ | モデル生成装置、推定装置、モデル生成方法および推定方法 |
JP7303101B2 (ja) | 2019-12-23 | 2023-07-04 | 株式会社クボタ | モデル生成装置、推定装置、モデル生成方法および推定方法 |
JP2021137747A (ja) * | 2020-03-06 | 2021-09-16 | 株式会社明電舎 | 水処理施設の操作量導出装置 |
JP7400553B2 (ja) | 2020-03-06 | 2023-12-19 | 株式会社明電舎 | 水処理施設の操作量導出装置 |
TWI746059B (zh) * | 2020-07-15 | 2021-11-11 | 方達科技股份有限公司 | 用於優化污水處理設施效能之人工智慧輔助操作系統以及使用它之污水水質人工智慧優化方法 |
CN113845205A (zh) * | 2021-10-18 | 2021-12-28 | 江苏科易达环保科技有限公司 | 一种高盐高氮污水智能一体化除盐脱氮控制系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6693902B2 (ja) | 2020-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6693902B2 (ja) | データベースの製造方法、及び水処理又は汚泥処理システム | |
Farhi et al. | Prediction of wastewater treatment quality using LSTM neural network | |
JP2019215743A (ja) | データベースの製造方法、及び水処理または汚泥処理システム | |
Shi et al. | Novel performance prediction model of a biofilm system treating domestic wastewater based on stacked denoising auto-encoders deep learning network | |
Bagheri et al. | Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach | |
Aragonés-Beltrán et al. | Application of multicriteria decision analysis to jar-test results for chemicals selection in the physical–chemical treatment of textile wastewater | |
Valente et al. | Artificial neural network prediction of chemical oxygen demand in dairy industry effluent treated by electrocoagulation | |
Wang et al. | Model construction and application for effluent prediction in wastewater treatment plant: Data processing method optimization and process parameters integration | |
Zhang et al. | Turbidity prediction of lake-type raw water using random forest model based on meteorological data: A case study of Tai lake, China | |
CN109002888A (zh) | 一种赤潮预警方法 | |
Wang et al. | Predicting flocculant dosage in the drinking water treatment process using Elman neural network | |
Han et al. | An intelligent detecting system for permeability prediction of MBR | |
JP7032485B2 (ja) | 水処理又は汚泥処理システムの運転制御方法 | |
Klanderman et al. | Case studies in real-time fault isolation in a decentralized wastewater treatment facility | |
Wu et al. | Coupling process-based modeling with machine learning for long-term simulation of wastewater treatment plant operations | |
CN104345636A (zh) | 一种基于改进差分算法的溶解氧控制方法 | |
Del Moro et al. | Gross parameters prediction of a granular-attached biomass reactor by means of multi-objective genetic-designed artificial neural networks: touristic pressure management case | |
Han et al. | Dynamic–static model for monitoring wastewater treatment processes | |
Cámara et al. | Neural network modelling and prediction of an Anaerobic Filter Membrane Bioreactor | |
CN103942600B (zh) | 基于尖峰自组织径向基神经网络的污泥膨胀预测方法 | |
Razif | BOD, COD, and TSS Predictions from DO measurement results for the Surabaya River, Indonesia | |
CN105527398A (zh) | 一种凡纳滨对虾养殖池塘水质的评价方法 | |
Kern et al. | COD and NH 4-N estimation in the inflow of Wastewater Treatment Plants using Machine Learning Techniques | |
Bhattacharjee et al. | A Type‐2 Fuzzy Logic Approach for Forecasting of Effluent Quality Parameters of Wastewater Treatment | |
Aguado et al. | Using machine learning techniques to predict ammonium concentration in membrane contactors for nitrogen recovery as a valuable resource |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190313 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190903 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190909 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191225 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200107 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200305 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200414 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200416 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6693902 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |