JP7460267B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

情報処理装置、情報処理方法、及びプログラム Download PDF

Info

Publication number
JP7460267B2
JP7460267B2 JP2019206525A JP2019206525A JP7460267B2 JP 7460267 B2 JP7460267 B2 JP 7460267B2 JP 2019206525 A JP2019206525 A JP 2019206525A JP 2019206525 A JP2019206525 A JP 2019206525A JP 7460267 B2 JP7460267 B2 JP 7460267B2
Authority
JP
Japan
Prior art keywords
concentration
time
information
mib
geosmin
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.)
Active
Application number
JP2019206525A
Other languages
English (en)
Other versions
JP2021079310A (ja
Inventor
寛 山村
崇晃 石井
雄一 根本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chuo University
Maezawa Industries Inc
Original Assignee
Chuo University
Maezawa Industries Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chuo University, Maezawa Industries Inc filed Critical Chuo University
Priority to JP2019206525A priority Critical patent/JP7460267B2/ja
Priority to CN202011268577.2A priority patent/CN112801263A/zh
Publication of JP2021079310A publication Critical patent/JP2021079310A/ja
Priority to JP2024010006A priority patent/JP2024032866A/ja
Application granted granted Critical
Publication of JP7460267B2 publication Critical patent/JP7460267B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Water Treatment By Sorption (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Description

本発明は上水処理に用いられる情報処理装置、情報処理方法、及びプログラムに関する。
従来より、河川水やダム水又は湖沼水等の原水（以下、単に「原水」という。）を飲料水等にするための上水処理が知られている（例えば、特許文献１参照。）。特許文献１の上水処理は、原水に含まれる砂等の異物を沈降除去する沈砂池と、原水に凝集剤を添加して原水の濁質が凝集したフロックを形成するフロック形成池と、形成されたフロックを沈殿させる沈澱池と、フロックが沈殿した後の上水を濾過する濾過池と、濾過された上水を消毒する消毒槽とを備える上水処理システムで実行される。
原水には、例えば、フォルミディウム、オシラトリア、及びアナベナ等の藍藻類及び放線菌類が生息し、これらは２－ＭＩＢ（Methylisoborneol）やジェオスミンを生成する。２－ＭＩＢやジェオスミンが飲料水等の上水処理が施された原水（以下、「処理済水」という。）に一定量以上含まれるとき、例えば、処理済水を飲む者はカビの臭いであるカビ臭を感じる。したがって、水道法は処理済水に含まれる２－ＭＩＢ又はジェオスミンの濃度が１０ng/L以下であることを規定し、処理済水を飲む者がカビ臭を感じるのを防止している。
上水処理の管理者は処理済水に含まれる２－ＭＩＢ又はジェオスミンの濃度を１０ng/L以下に制御するために、例えば、主に粒径２０μｍ以下の活性炭で構成される粉末活性炭を有する粉末活性炭槽を、フロック形成池の前に設置する。したがって、上水処理システムに導水された原水は、まず、粉末活性炭槽において粉末活性炭に接触するので、原水に含まれる２－ＭＩＢ及びジェオスミンは粉末活性炭に吸着される。
特開平０７－１８５５７３号公報
しかしながら、水道法は処理済水に含まれる２－ＭＩＢ又はジェオスミンの濃度が１０ng/L以下であることを規定しているが、原水に含まれる２－ＭＩＢ又はジェオスミンの濃度について規定していない。また、原水に含まれる２－ＭＩＢ又はジェオスミンの濃度の変動は大きい。そのため、原水に含まれる２－ＭＩＢ又はジェオスミンの濃度は測定されていない。したがって、上水処理の管理者は原水に含まれる２－ＭＩＢ及びジェオスミンの濃度を測定し、測定されたこれらの濃度に基づいて粉末活性炭槽への粉末活性炭の添加量を決定することができない。
これに対応して、上水処理の管理者は処理済水に含まれる２－ＭＩＢ又はジェオスミンの濃度を確実に１０ng/L以下に制御するために、粉末活性炭槽に過剰な粉末活性炭を添加している。その結果、無駄な粉末活性炭の添加に基づく経済的負担が増大するだけでなく、２－ＭＩＢ又はジェオスミンが吸着した大量の粉末活性炭が汚泥を生成するため、大量の活性炭汚泥の処分に困るという問題が生じる。
すなわち、処理済水に含まれる２－ＭＩＢ又はジェオスミン等のカビ臭原因物質の濃度を確実に１０ng/L以下に制御するために、適切な量の粉末活性炭を適切なタイミングに添加することができないという問題がある。
本発明の目的は、適切な量の粉末活性炭を適切なタイミングに添加することができる情報処理装置、情報処理方法、及びプログラムを提供することにある。
上記目的を達成するために、請求項１記載の情報処理装置は、上水処理が施される原水に含まれるカビ臭原因物質の濃度を推定する情報処理装置であって、前記原水に含まれる異物を沈降除去する沈砂池の導電率、前記沈砂池の塩素要求量、及び前記沈砂池の水温を含む情報であって、必要であれば更に前記沈砂池のアルカリ度及び河川水位を含む情報を入力する入力手段と、前記入力された情報及び前記入力された情報の重要性を示す重みに基づいて前記原水に含まれるカビ臭原因物質の濃度を出力する出力手段と、を備え、前記カビ臭原因物質の濃度を順伝播型ニューラルネットワーク(ＦＦＮＮ)を用いて推定することを特徴とする。
上記目的を達成するために、本発明の情報処理装置は、第１の時刻から第２の時刻までの上水処理が施される原水に含まれる物質の濃度及び前記第１の時刻から前記第２の時刻までの前記物質の濃度以外の少なくとも１つの情報を入力する入力手段と、前記入力手段によって入力された物質の濃度、前記入力手段によって入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力手段と、を備えることを特徴とする。
上記目的を達成するために、請求項４記載の情報処理方法は、上水処理が施される原水に含まれるカビ臭原因物質の濃度を推定する情報処理方法であって、前記原水に含まれる異物を沈降除去する沈砂池の導電率、前記沈砂池の塩素要求量、及び前記沈砂池の水温を含む情報であって、必要であれば更に前記沈砂池のアルカリ度及び河川水位を含む情報を入力する入力ステップと、前記入力された情報及び前記入力された情報の重要性を示す重みに基づいて前記原水に含まれるカビ臭原因物質の濃度を出力する出力ステップと、を有し、前記カビ臭原因物質の濃度を順伝播型ニューラルネットワーク(ＦＦＮＮ)を用いて推定することを特徴とする。
上記目的を達成するために、本発明の情報処理方法は、第１の時刻から第２の時刻までの上水処理が施される原水に含まれる物質の濃度及び前記第１の時刻から前記第２の時刻までの前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、前記入力された物質の濃度、前記入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力ステップと、を有することを特徴とする。
上記目的を達成するために、請求項５記載のプログラムは、上水処理が施される原水に含まれるカビ臭原因物質の濃度を推定する情報処理方法をコンピュータに実行させるプログラムであって、前記情報処理方法は、前記原水に含まれる異物を沈降除去する沈砂池の導電率、前記沈砂池の塩素要求量、及び前記沈砂池の水温を含む情報であって、必要であれば更に前記沈砂池のアルカリ度及び河川水位を含む情報を入力する入力ステップと、前記入力された情報及び前記入力された情報の重要性を示す重みに基づいて前記原水に含まれるカビ臭原因物質の濃度を出力する出力ステップと、を有し、前記プログラムが順伝播型ニューラルネットワーク(ＦＦＮＮ)であることを特徴とする。
上記目的を達成するために、本発明のプログラムは、情報処理方法をコンピュータに実行させるプログラムであって、前記情報処理方法は、第１の時刻から第２の時刻までの上水処理が施される原水に含まれる物質の濃度及び前記第１の時刻から前記第２の時刻までの前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、前記入力された物質の濃度、前記入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力ステップと、を有することを特徴とする。
本発明によれば、適切な量の粉末活性炭を適切なタイミングに添加することができる。
本発明の実施の形態に係る情報処理装置の内部構成を概略的に示すブロック図である。 図１におけるＣＰＵによって実行される順伝播型ニューラルネットワークを概略的に示す概念図であり、図２（ａ）は順伝播型ニューラルネットワークの一例を説明するために用いられる概念図であり、図２（ｂ）は図２（ａ）の順伝播型ニューラルネットワークの変形例を説明するために用いられる概念図である。 図２（ａ）の順伝播型ニューラルネットワークを用いてＦＦＮＮ入力情報及びＦＦＮＮ正解データの関係を学習する第１の学習処理の手順を示すフローチャートである。 図３の第１の学習処理が正しく実行されたか否かを検証する第１の検証処理の手順を示すフローチャートである。 図１におけるＣＰＵによって実行される長短期記憶を概略的に示す概念図である。 図５の長短期記憶を用いてＬＳＴＭ入力情報及びＬＳＴＭ正解データの関係を学習する第２の学習処理の手順を示すフローチャートである。 図６の第２の学習処理が正しく実行されたか否かを検証する第２の検証処理の手順を示すフローチャートである。
以下、本発明の実施の形態について図面を参照しながら詳述する。
図１は、本発明の実施の形態に係る情報処理装置１０の内部構成を概略的に示すブロック図である。
図１の情報処理装置１０は、ＣＰＵ１１、ＲＡＭ１２、ＲＯＭ１３、及びＨＤＤ１４を備え、これらは内部バス１５を介して互いに接続されている。ＣＰＵ１１は、ＲＯＭ１３又はＨＤＤ１４に格納されたプログラム、例えば、深層学習に関するプログラムをＣＰＵ１１のワークメモリであるＲＡＭ１２に展開して実行する。深層学習に関するプログラムには、例えば、順伝播型ニューラルネットワークＦＦＮＮ（Feed Forward Neural Network）及び長短期記憶ＬＳＴＭ（Long Short Term Memory）等があり、「深層学習」（機械学習プロフェッショナルシリーズ 岡谷貴之 著）に詳細が記載されている。
ＨＤＤ１４は、各種プログラムの他に後述の第１の学習処理（図３）で用いられるＦＦＮＮ入力情報（表１）及びＦＦＮＮ正解データ（表２）、並びに、後述の第１の検証処理（図４）で用いられるＦＦＮＮテストデータ（表３）及びＦＦＮＮ検証用正解データ（表４）を格納する。また、ＨＤＤ１４は、後述の第２の学習処理（図６）で用いられるＬＳＴＭ入力情報（表５）及びＬＳＴＭ正解データ（表６）、並びに、後述の第２の検証処理（図７）で用いられるＬＳＴＭテストデータ（表７）及びＬＳＴＭ検証用正解データ（表８）を格納する。
Figure 0007460267000001
Figure 0007460267000002
Figure 0007460267000003
Figure 0007460267000004
Figure 0007460267000005
Figure 0007460267000006
Figure 0007460267000007
Figure 0007460267000008
表１のＦＦＮＮ入力情報は、時刻、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報（カビ臭原因物質の濃度以外の情報）から構成されている。ＦＦＮＮ入力情報において、時刻は原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、原水濁度は上水処理システムに流入する原水（以下、「流入原水」という。）の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。
表２のＦＦＮＮ正解データは、時刻、２－ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ＦＦＮＮ正解データにおいて、時刻は２－ＭＩＢ濃度及びジェオスミン濃度を測定した時刻を示し、２－ＭＩＢ濃度は流入原水に含まれるカビ臭原因物質としての２－ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるカビ臭原因物質としてのジェオスミンの濃度を示す。
表３のＦＦＮＮテストデータは、時刻、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報から構成されている。ＦＦＮＮテストデータにおいて、時刻は原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、原水濁度は流入原水の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。
表４のＦＦＮＮ検証用正解データは時刻、２－ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ＦＦＮＮ検証用正解データにおいて、時刻は２－ＭＩＢ濃度及びジェオスミン濃度を測定した時刻を示し、２－ＭＩＢ濃度は流入原水に含まれる２－ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるジェオスミンの濃度を示す。
本実施の形態において、ＦＦＮＮ入力情報、ＦＦＮＮ正解データ、ＦＦＮＮテストデータ又はＦＦＮＮ検証用正解データである原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、河川水位、２－ＭＩＢ濃度及びジェオスミン濃度の測定は定性的な測定であればよいため、上水処理の分野で通常使用されている濁度計、ｐＨ計、アルカリ度計、導電率計、塩素要求量計、水温計、河川水位計、及び濃度計などの測定機器を用いて行うことができる。これらの各情報又は各データの測定機器はそれぞれ所定の位置に固定して使用される。流入原水の濁度又は流入原水に含まれる２－ＭＩＢ濃度若しくはジェオスミン濃度は、例えば、沈砂池に流入する前の原水又は沈砂池に流入した直後の原水に対し濁度計又は濃度計を設置して測定することができる。また、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温の測定は、砂等の異物の沈降物を含まない原水に対して行うのであれば沈砂池のいずれの場所で測定してもよい。
本実施の形態において、約１２５００のＦＦＮＮ入力情報及び約１２５００のＦＦＮＮ正解データ、並びに、約３１００のＦＦＮＮテストデータ及び約３１００のＦＦＮＮ検証用正解データがＨＤＤ１４に格納されている。なお、所定の時刻に測定された各情報がＦＦＮＮ入力情報及びＦＦＮＮ正解データ、又は、ＦＦＮＮテストデータ及びＦＦＮＮ検証用正解データに分類されるか否かはＣＰＵ１１によって不規則に決定されている。
表５のＬＳＴＭ入力情報は、時刻、２－ＭＩＢ濃度、ジェオスミン濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報から構成されている。ＬＳＴＭ入力情報において、時刻は２－ＭＩＢ濃度、ジェオスミン濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、２－ＭＩＢ濃度は流入原水に含まれる２－ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるジェオスミンの濃度を示し、原水濁度は流入原水の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。
表６のＬＳＴＭ正解データは予測時刻、２－ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ところで、本実施の形態において、長短期記憶ＬＳＴＭは第１の時刻ｔｍから第２の時刻ｔｎ（ｔｎ＞ｔｍ）の間に測定された時系列データに基づいて時刻ｔｎから一定の時間が経過した時刻の流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を出力することを前提とし、時刻ｔｎから一定の時間が経過した時刻を予測時刻ｔｔとしている。したがって、ＬＳＴＭ正解データにおいて、予測時刻は２－ＭＩＢ濃度及びジェオスミン濃度を測定した予測時刻ｔｔを示し、２－ＭＩＢ濃度は予測時刻ｔｔの流入原水に含まれる２－ＭＩＢの濃度を示し、ジェオスミン濃度は予測時刻ｔｔの流入原水に含まれるジェオスミンの濃度を示す。
表７のＬＳＴＭテストデータは、時刻、２－ＭＩＢの濃度、ジェオスミンの濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報から構成されている。ＬＳＴＭテストデータにおいて、時刻は原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、２－ＭＩＢ濃度は流入原水に含まれる２－ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるジェオスミンの濃度を示し、原水濁度は流入原水の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。
表８のＬＳＴＭ検証用正解データは予測時刻、２－ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ところで、本実施の形態において、長短期記憶ＬＳＴＭは、第３の時刻ｔｘから第４の時刻ｔｙ（ｔｙ＞ｔｘ）又は第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１（ｔｙ＋１＞ｔｘ＋１）の間に測定された時系列データ（ｔｙ＋１＞ｔｘ＋１＞ｔｙ＞ｔｘ）からなるＬＳＴＭテストデータに基づいて時刻ｔｙ，ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ１，ｔｔ２の流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を出力することを前提としている。したがって、ＬＳＴＭ検証用正解データにおいて、予測時刻は予測時刻ｔｔ１，ｔｔ２を示し、２－ＭＩＢ濃度は予測時刻ｔｔ１，ｔｔ２の流入原水に含まれる２－ＭＩＢの濃度を示し、ジェオスミン濃度は予測時刻ｔｔ１，ｔｔ２の流入原水に含まれるジェオスミンの濃度を示す。
本実施の形態において、ＬＳＴＭ入力情報、ＬＳＴＭ正解データ、ＬＳＴＭテストデータ又はＬＳＴＭ検証用正解データである原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、河川水位、２－ＭＩＢ濃度及びジェオスミン濃度の測定は定性的な測定であればよいため、上水処理の分野で通常使用されている濁度計、ｐＨ計、アルカリ度計、導電率計、塩素要求量計、水温計、河川水位計、及び濃度計などの測定機器を用いて行うことができる。これらの各情報又は各データの測定機器はそれぞれ所定の位置に固定して使用される。流入原水の濁度又は流入原水に含まれる２－ＭＩＢ濃度若しくはジェオスミン濃度は、例えば、沈砂池に流入する前の原水又は沈砂池に流入した直後の原水に対し濁度計又は濃度計を設置して測定することができる。また、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温の測定は、砂等の異物の沈降物を含まない原水に対して行うのであれば沈砂池のいずれの場所で測定してもよい。
本実施の形態において、約１２５００のＬＳＴＭ入力情報及び約１２５００のＬＳＴＭ正解データ、並びに、約３１００のＬＳＴＭテストデータ及び約３１００のＬＳＴＭ検証用正解データがＨＤＤ１４に格納されている。なお、所定の時刻に測定された各情報がＬＳＴＭ入力情報及びＬＳＴＭ正解データ、又は、ＬＳＴＭテストデータ及びＬＳＴＭ検証用正解データに分類されるか否かはＣＰＵ１１によって不規則に決定されている。
さらに、ＨＤＤ１４は、後述の第１の検証処理において用いられる誤差閾値及び決定係数閾値を格納する。また、ＨＤＤ１４は予測時刻ｔｔ，ｔｔ１，ｔｔ２を決定するための基準である後述の時間差ｔｄ、並びに、後述のタイムステップ情報を格納する。
図２は、図１におけるＣＰＵ１１によって実行される順伝播型ニューラルネットワークＦＦＮＮを概略的に示す概念図であり、図２（ａ）は順伝播型ニューラルネットワークＦＦＮＮの一例を説明するために用いられる概念図であり、図２（ｂ）は図２（ａ）の順伝播型ニューラルネットワークＦＦＮＮの変形例を説明するために用いられる概念図である。
図２（ａ）において、順伝播型ニューラルネットワークＦＦＮＮは入力層２１、隠れ層２２、及び出力層２３から構成され、入力層２１は複数の入力層ノード２１ａ及び入力層バイアス２１ｂを備え、隠れ層２２は複数の隠れ層ノード２２ａ及び隠れ層バイアス２２ｂを備え、出力層２３は出力層ノード２３ａを備える。各入力層ノード２１ａ及び入力層バイアス２１ｂは各隠れ層ノード２２ａに接続され、各隠れ層ノード２２ａ及び隠れ層バイアス２２ｂは出力層ノード２３ａに接続されている。
入力層２１にはＦＦＮＮ入力情報又はＦＦＮＮテストデータの情報が入力され、各入力層ノード２１ａは入力されたＦＦＮＮ入力情報又はＦＦＮＮテストデータの情報を有する。各隠れ層ノード２２ａは、各入力層ノード２１ａが有する情報、各入力層ノード２１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算によって得られる情報を有する。出力層ノード２３ａは、各隠れ層ノード２２ａが有する情報、各隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、隠れ層バイアス２２ｂ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを用いた活性化関数の演算によって得られる情報を有する。本実施の形態において用いられた活性化関数はシグモイド関数又はソフトマックス関数等の非線形関数である。
図２（ａ）の順伝播型ニューラルネットワークＦＦＮＮは、入力層２１、１層の隠れ層２２、及び出力層２３から構成されているが、隠れ層２２は複数の層、例えば、２～８層から構成されてもよい（図２（ｂ））。
図２（ｂ）において、順伝播型ニューラルネットワークＦＦＮＮが入力層２１、２層の隠れ層２２，２９、及び出力層２３から構成され、２層の隠れ層が入力層２１側に位置する第１の隠れ層２２、出力層２３側に位置する第２の隠れ層２９から構成されるとき、第１の隠れ層２２は複数の第１の隠れ層ノード２２ａ及び第１の隠れ層バイアス２２ｂを有し、第２の隠れ層２９は複数の第２の隠れ層ノード２９ａ及び第２の隠れ層バイアス２９ｂを有する。
各入力層ノード２１ａは入力されたＦＦＮＮ入力情報又はＦＦＮＮテストデータの情報を有する。第１の隠れ層ノード２２ａの各々は、各入力層ノード２１ａが有する情報、各入力層ノード２１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算によって得られる情報を有する。第２の隠れ層ノード２９ａの各々は、第１の隠れ層ノード２２ａの各々が有する情報、第１の隠れ層ノード２２ａの各々が有する情報の重要性を示す重みＷｈ１、第１の隠れ層バイアス２２ｂ、及び第１の隠れ層バイアス２２ｂの重要性を示す重みＷｈｂ１を用いた活性化関数の演算によって得られる情報を有する。
出力層ノード２３ａは、第２の隠れ層ノード２９ａの各々が有する情報、第２の隠れ層ノード２９ａの各々が有する情報の重要性を示す重みＷｈ２、第２の隠れ層バイアス２９ｂ、及び第２の隠れ層バイアス２９ｂの重要性を示す重みＷｈｂ２を用いた活性化関数の演算によって得られる情報を有する。
図３は、図２（ａ）の順伝播型ニューラルネットワークＦＦＮＮを用いてＦＦＮＮ入力情報及びＦＦＮＮ正解データの関係を学習する第１の学習処理の手順を示すフローチャートである。
図３において、まず、ＣＰＵ１１は全てのＦＦＮＮ入力情報及びＦＦＮＮ正解データを分割して複数のミニバッチに格納する（Ｓ３１）。本実施の形態では、全てのＦＦＮＮ入力情報及びＦＦＮＮ正解データは９８のミニバッチに分割され、各ミニバッチは１２８のＦＦＮＮ入力情報及びＦＦＮＮ正解データを格納する。このとき、同一のミニバッチに格納されている各ＦＦＮＮ入力情報が示す時刻及び各ＦＦＮＮ正解データが示す時刻は一致する。例えば、２０１９年１月１日１０：００の時刻を示すＦＦＮＮ入力情報がミニバッチに格納されているとき、２０１９年１月１日１０：００の時刻を示すＦＦＮＮ正解データが同一のミニバッチに格納されている。
次いで、ＣＰＵ１１はミニバッチ毎にＦＦＮＮ入力情報及びＦＦＮＮ正解データの関係を学習する。具体的に、一のミニバッチに格納されている全てのＦＦＮＮ入力情報及びＦＦＮＮ正解データが順伝播型ニューラルネットワークＦＦＮＮに入力され（Ｓ３２）、入力されたＦＦＮＮ入力情報毎に各入力層ノード２１ａが形成される（Ｓ３３）。以下のＳ３４～Ｓ３６の各ステップの処理は、順伝播型ニューラルネットワークＦＦＮＮに入力されたＦＦＮＮ入力情報の１つに基づいて複数の入力層ノード２１ａが形成された場合を説明する。
続くＳ３４において、順伝播型ニューラルネットワークＦＦＮＮは各入力層ノード２１ａ、各入力層ノード２１ａの重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算をし、複数の隠れ層ノード２２ａを形成する。さらに、順伝播型ニューラルネットワークＦＦＮＮは各隠れ層ノード２２ａが有する情報、各隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、隠れ層バイアス２２ｂ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを用いた活性化関数の演算をし、出力層ノード２３ａを形成する（Ｓ３５）。
本実施の形態において、順伝播型ニューラルネットワークＦＦＮＮは特定の時刻が示されているＦＦＮＮ入力情報が入力層２１に入力されたとき、その特定の時刻の流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、特定の時刻が示されているＦＦＮＮ入力情報に基づいて形成された出力層ノード２３ａは、ＦＦＮＮ入力情報が示す特定の時刻と、当該時刻の流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度の推定値とから構成される情報を有する。
その後、ＣＰＵ１１は、出力層ノード２３ａが有する情報と、その出力層ノード２３ａが示す時刻と同一の時刻を示すＦＦＮＮ正解データとを比較し、それぞれから２－ＭＩＢの濃度に関する誤差及びジェオスミンの濃度に関する誤差を式１によって平均二乗誤差MSE（Mean Square Error）(ng/L)2として算出する。
Figure 0007460267000009
続いて、ＣＰＵ１１は、算出された２－ＭＩＢの濃度に関する誤差及びジェオスミンの濃度に関する誤差を出力層２３から隠れ層２２、入力層２１へ順次伝播し（誤差逆伝播法）、それぞれの誤差が小さくなるように入力層ノード２１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス２１ｂの重要性を示す重みＷｉｂ、隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを更新する（Ｓ３６）。
Ｓ３２～Ｓ３６の各ステップの処理が一のミニバッチに格納されている全てのＦＦＮＮ入力情報について実行されたとき、一のミニバッチの学習が終了するが、続くＳ３７において、ＣＰＵ１１は全てのミニバッチの学習が終了したか否かを判別する。Ｓ３７の判別の結果、全てのミニバッチの学習が終了していないとき、本処理はＳ３２に戻って他のミニバッチを学習し、全てのミニバッチの学習が終了したとき、本処理は終了する。本実施の形態では、図３の第１の学習処理を１０００回（１０００エポック）繰り返した。
ところで、図３の第１の学習処理が正しく実行されたか否かについて検証する必要がある。図３の第１の学習処理が正しく実行されたか否かは、ＦＦＮＮテストデータを順伝播型ニューラルネットワークＦＦＮＮに入力して出力された情報及びＦＦＮＮ検証用正解データを比較することによって検証する。
図４は、図３の第１の学習処理が正しく実行されたか否かを検証する第１の検証処理の手順を示すフローチャートである。
図４において、まず、ＣＰＵ１１は全てのＦＦＮＮテストデータを分割して複数のミニバッチに格納する（Ｓ４１）。本実施の形態では、全てのＦＦＮＮテストデータは２４のミニバッチに分割され、各ミニバッチは１２８のＦＦＮＮテストデータを格納する。次いで、一のミニバッチに格納されている全てのＦＦＮＮテストデータが順伝播型ニューラルネットワークＦＦＮＮに入力され（Ｓ４２）、入力されたＦＦＮＮテストデータ毎に複数の入力層ノード２１ａが形成される（Ｓ４３）。以下のＳ４４～Ｓ４７の各ステップの処理は、順伝播型ニューラルネットワークＦＦＮＮに入力されたＦＦＮＮテストデータの１つに基づいて複数の入力層ノード２１ａが形成された場合を説明する。
続くＳ４４において、順伝播型ニューラルネットワークＦＦＮＮは各入力層ノード２１ａ、各入力層ノード２１ａの重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算をし、複数の隠れ層ノード２２ａを形成する。さらに、順伝播型ニューラルネットワークＦＦＮＮは各隠れ層ノード２２ａが有する情報、各隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、隠れ層バイアス２２ｂ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを用いた活性化関数の演算をし、出力層ノード２３ａを形成する（Ｓ４５）。
本実施の形態において、順伝播型ニューラルネットワークＦＦＮＮは特定の時刻が示されているＦＦＮＮテストデータが入力層２１に入力されたとき、その特定の時刻の流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、特定の時刻が示されているＦＦＮＮテストデータに基づいて形成された出力層ノード２３ａは、ＦＦＮＮテストデータが示す特定の時刻と、当該時刻の流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度の推定値とから構成される情報を有する。
その後、ＣＰＵ１１は、各ＦＦＮＮテストデータに基づいて形成された出力層ノード２３ａが有する情報と、ＨＤＤ１４に格納されているＦＦＮＮ検証用正解データを参照した上でその出力層ノード２３ａが示す時刻と同一の時刻を示すＦＦＮＮ検証用正解データとを比較し、それぞれから２－ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差を式１によって算出するとともに（Ｓ４６）、２－ＭＩＢの濃度に関する決定係数Ｒ２（相関係数Ｒの２乗値）及びジェオスミンの濃度に関する決定係数Ｒ２を式２によって算出する（Ｓ４７）。
Figure 0007460267000010
ここで決定係数Ｒ２とは、順伝播型ニューラルネットワークＦＦＮＮにより出力された２－ＭＩＢの濃度又はジェオスミンの濃度の推定値が、ＦＦＮＮ検証用正解データである２－ＭＩＢの濃度又はジェオスミンの濃度の実測値とどの程度一致しているかを示す指標である。決定係数Ｒ２は通常０～１の範囲の値をとり、決定係数Ｒ２の値が大きい程、順伝播型ニューラルネットワークＦＦＮＮが２－ＭＩＢの濃度又はジェオスミンの濃度を正しく出力できていることを意味する。
Ｓ４４～Ｓ４７の各ステップの処理が一のミニバッチに格納されている全てのＦＦＮＮテストデータについて実行されたとき、ＣＰＵ１１は全てのミニバッチについて２－ＭＩＢの濃度の誤差、ジェオスミンの濃度の誤差、２－ＭＩＢの濃度に関する決定係数、及びジェオスミンの濃度に関する決定係数を算出したか否かを判別する（Ｓ４８）。Ｓ４８の判別の結果、全てのミニバッチについて２－ＭＩＢの濃度の誤差、ジェオスミンの濃度の誤差、２－ＭＩＢの濃度に関する決定係数、及びジェオスミンの濃度に関する決定係数が算出されていないとき、本処理はＳ４２に戻り、全てのミニバッチについて２－ＭＩＢの濃度の誤差、ジェオスミンの濃度の誤差、２－ＭＩＢの濃度に関する決定係数、及びジェオスミンの濃度に関する決定係数が算出されているとき、本処理はＳ４９に進む。
続くＳ４９において、ＣＰＵ１１はＳ４６において算出された２－ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差が所定の閾値（以下、当該閾値を「誤差閾値」という。）以下であり且つＳ４７において算出された２－ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数が所定の閾値（以下、当該閾値を「決定係数閾値」という。）以上であるか否かを判別する（Ｓ４９）。
Ｓ４９の判別の結果、Ｓ４６において算出された２－ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差が誤差閾値以下であり且つＳ４７において算出された２－ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数が決定係数閾値以上であるとき、ＣＰＵ１１は第１の学習処理が正しく実行され、その結果、順伝播型ニューラルネットワークＦＦＮＮが所定の時刻に測定された原水濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位の情報から当該所定の時刻における流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を正しく出力することを認定し（Ｓ４１０）、本処理は終了する。
一方、Ｓ４９の判別の結果、Ｓ４６において算出された２－ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差のいずれかが誤差閾値よりも大きく、又は、Ｓ４７において算出された２－ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数のいずれかが決定係数閾値よりも小さいとき、ＣＰＵ１１は第１の学習処理が正しく実行されず、その結果、順伝播型ニューラルネットワークＦＦＮＮが所定の時刻に測定された原水濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位の情報から当該所定の時刻における流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を正しく出力しないことを認定し（Ｓ４１１）、本処理は終了する。
本実施の形態において、第１の学習処理が正しく実行されているか否かは、誤差閾値及び決定係数閾値に基づいて判別される。２－ＭＩＢ及びジェオスミンは藍藻類及び放線菌類によって生成され、２－ＭＩＢの濃度及びジェオスミンの濃度は藍藻類及び放線菌類の生息量や生息環境によって変動するが、通常、上水処理が施される原水が河川水の場合、当該河川水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度はそれぞれ４ng/L以下である。上水処理の管理者は流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度がそれぞれ４ng/L以上であるか否かについて関心があり、また、流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度がそれぞれ４ng/L以上のときを確実に把握できればよい。したがって、本実施の形態では、上水処理が施される原水が河川であることを前提とし、誤差閾値は１(ng/L)2に設定されるとともに、決定係数閾値は０．８５に設定されている。さらに、２－ＭＩＢ濃度の誤差閾値を０．６(ng/L)2、又はジェオスミンの濃度の誤差閾値を０．０８(ng/L)2に設定することができ、２－ＭＩＢ濃度の決定係数閾値を０．９２、又はジェオスミンの濃度の決定係数閾値を０．８９に設定することができる。

順伝播型ニューラルネットワークＦＦＮＮが２－ＭＩＢの濃度及びジェオスミンの濃度を出力する精度は、Ｓ４６において算出された２－ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差が小さいほどよく、また、Ｓ４７において算出された２－ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数は大きいほどよい。
これに対応して、順伝播型ニューラルネットワークＦＦＮＮが２－ＭＩＢの濃度及びジェオスミンの濃度を精度よく出力するための最適な隠れ層２２の層数及び各隠れ層２２のノード数が検討された。その結果、２－ＭＩＢの濃度は、隠れ層２２の層数を６に設定するとともに、各隠れ層２２のノード数を６４に設定したとき、２－ＭＩＢの濃度の誤差が０．４１(ng/L)2であり且つ２－ＭＩＢの濃度に関する決定係数が０．９３の精度で出力され、ジェオスミンの濃度は、隠れ層２２の層数を５に設定するとともに、各隠れ層２２のノード数を６４に設定したとき、ジェオスミンの濃度の誤差が０．０７(ng/L)2であり且つジェオスミンの濃度に関する決定係数が０．９０の精度で出力された。これにより、２－ＭＩＢの濃度及びジェオスミンの濃度が正しく出力されることがわかった。
また、本実施の形態では、所定の時刻に測定された流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位がＦＦＮＮ入力情報として入力層２１に入力されているが、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位をＦＦＮＮ入力情報から削除したとき、２－ＭＩＢの濃度の誤差は増大するとともに、２－ＭＩＢの濃度に関する決定係数は減少し、沈砂池の導電率、沈砂池の塩素要求量、及び沈砂池の水温をＦＦＮＮ入力情報から削除したとき、ジェオスミンの濃度の誤差は増大するとともに、ジェオスミンの濃度に関する決定係数は減少した。
これにより、順伝播型ニューラルネットワークＦＦＮＮが２－ＭＩＢの濃度を正しく出力するために、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位は必要な情報であり、ジェオスミンの濃度を正しく出力するために、沈砂池の導電率、沈砂池の塩素要求量、及び沈砂池の水温は必要な情報であることがわかった。
図３及び図４の処理によれば、所定の時刻に測定された流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位と、これらの情報が測定された同時刻の２－ＭＩＢの濃度及びジェオスミンの濃度との関係を学習した順伝播型ニューラルネットワークＦＦＮＮは、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位、並びに、これらの情報を測定した時刻から構成される新しい情報に基づいてその時刻における２－ＭＩＢの濃度及びジェオスミンの濃度を出力する。
これにより、上水処理の管理者は流入原水に含まれる２－ＭＩＢ及びジェオスミンの濃度を測定しなくても、流入原水に含まれる２－ＭＩＢ及びジェオスミンの濃度を把握することができる。その結果、上水処理の管理者は把握した流入原水に含まれる２－ＭＩＢ及びジェオスミンの濃度に応じて粉末活性炭槽に適切な量の粉末活性炭の添加することができ、もって、過剰な粉末活性炭が粉末活性炭槽に添加されることを回避することができる。
図５は、図１におけるＣＰＵ１１によって実行される長短期記憶ＬＳＴＭを概略的に示す概念図である。長短期記憶ＬＳＴＭは、時間の経過に従って測定された時系列データが入力されると、その時系列データに基づいて将来の情報を出力する。本実施の形態では、第１の時刻ｔｍから第２の時刻ｔｎの間に測定された複数の時系列データ、又は、第３の時刻ｔｘから第４の時刻ｔｙの間に測定された複数の時系列データ若しくは第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１の間に測定された複数の時系列データが長短期記憶ＬＳＴＭに入力されたとき、長短期記憶ＬＳＴＭは時刻ｔｎ，ｔｙ，ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ，ｔｔ１，ｔｔ２の２－ＭＩＢの濃度及びジェオスミンの濃度を出力する。
図５において、長短期記憶ＬＳＴＭは入力層５１，５４，５７、隠れ層５２，５５，５８、及び出力層５３，５６，５９から構成され、入力層５１，５４，５７は複数の入力層ノード５１ａ，５４ａ，５７ａ及び入力層バイアス５１ｂ，５４ｂ，５７ｂを備え、隠れ層５２，５５，５８は複数の隠れ層ノード５２ａ，５５ａ，５８ａを備え、出力層５３，５６，５９は出力層ノード５３ａ，５６ａ，５９ａを備える。各入力層ノード５１ａ，５４ａ，５７ａ及び入力層バイアス５１ｂ，５４ｂ，５７ｂは各隠れ層ノード５２ａ，５５ａ，５８ａに接続されている。各隠れ層ノード５２ａは出力層ノード５３ａ及び各隠れ層ノード５５ａに接続され、各隠れ層ノード５５ａは出力層ノード５６ａ及び各隠れ層ノード５８ａに接続され、各隠れ層ノード５８ａは出力層ノード５９ａに接続されている。
例えば、時刻ｔ１，ｔ２，ｔ３（ｔ３＞ｔ２＞ｔ１）に流入原水に含まれる２－ＭＩＢ濃度及びジェオスミン濃度、並びに、原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位が測定され、これらに基づいてＬＳＴＭ入力情報が作成されているとき、まず、時刻ｔ１のＬＳＴＭ入力情報が入力層５１に入力され、時刻ｔ１のＬＳＴＭ入力情報を有する複数の入力層ノード５１ａが形成される。
各隠れ層ノード５２ａは、各入力層ノード５１ａが有する情報、各入力層ノード５１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５１ｂ、及び入力層バイアス５１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算によって得られる情報を有する。出力層ノード５３ａは、各隠れ層ノード５２ａが有する情報及び隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。本実施の形態において用いられた活性化関数はシグモイド関数又はソフトマックス関数等の非線形関数である。
次いで、時刻ｔ２のＬＳＴＭ入力情報が入力層５４に入力され、時刻ｔ２のＬＳＴＭ入力情報を有する複数の入力層ノード５４ａが形成される。各隠れ層ノード５５ａは、各入力層ノード５４ａが有する情報、各入力層ノード５４ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５４ｂ、入力層バイアス５４ｂの重要性を示す重みＷｉｂ、各隠れ層ノード５２ａが有する情報、及び各隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。出力層ノード５６ａは、各隠れ層ノード５５ａが有する情報及び各隠れ層ノード５５ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。
続いて、時刻ｔ３のＬＳＴＭ入力情報が入力層５７に入力され、時刻ｔ３のＬＳＴＭ入力情報を有する複数の入力層ノード５７ａが形成される。各隠れ層ノード５８ａは、各入力層ノード５７ａが有する情報、各入力層ノード５７ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５７ｂ、入力層バイアス５７ｂの重要性を示す重みＷｉｂ、各隠れ層ノード５５ａが有する情報、及び各隠れ層ノード５５ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。出力層ノード５９ａは、各隠れ層ノード５８ａが有する情報及び各隠れ層ノード５８ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。
時刻ｔ１，ｔ２，ｔ３の各ＬＳＴＭ入力情報が入力層５１，５４，５７に入力されたとき、長短期記憶ＬＳＴＭは少なくとも時刻ｔ３から一定の時間が経過した予測時刻ｔｔの流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、時刻ｔ３のＬＳＴＭ入力情報に基づいて得られる出力層ノード５９ａはＬＳＴＭ入力情報に示される時刻から一定の時間が経過した予測時刻ｔｔと、当該予測時刻ｔｔの流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度の予測値とから構成される情報を有する。
図６は、図５の長短期記憶ＬＳＴＭを用いてＬＳＴＭ入力情報及びＬＳＴＭ正解データの関係を学習する第２の学習処理の手順を示すフローチャートである。
長短期記憶ＬＳＴＭは、図６の第２の学習処理が終了したとき、例えば、第１の時刻ｔｍから第２の時刻ｔｎの間に測定された複数の時系列データに基づいて、時刻ｔｎから一定の時間が経過した予測時刻ｔｔの２－ＭＩＢの濃度及びジェオスミンの濃度を予測する。ここで、ＨＤＤ１４は予測時刻ｔｔを決定するための基準、すなわち、予測時刻ｔｔ及び時刻ｔｎの時間差ｔｄを格納する。これにより、ＣＰＵ１１は時刻ｔｎ及び時間差ｔｄに基づいて予測時刻ｔｔを決定する。例えば、時刻ｔｎが２０１９年１月２日９：００であるとともに、時間差ｔｄが２４時間のとき、予測時刻ｔｔは２０１９年１月３日９：００である。
また、ＨＤＤ１４は予測時刻ｔｔの２－ＭＩＢの濃度及びジェオスミンの濃度を予測するために用いられる時系列データの数をタイムステップ情報として格納する。例えば、２０１９年１月１日１０：００から１時間毎に時系列データが測定されている場合において、ＨＤＤ１４に格納されているタイムステップ情報が２４のとき、２０１９年１月１日１０：００（第１の時刻ｔｍ）から２０１９年１月２日９：００（第２の時刻ｔｎ）までの１時間毎に測定された２４の時系列データが予測時刻ｔｔの２－ＭＩＢの濃度及びジェオスミンの濃度を予測するために用いられることを示し、ＨＤＤ１４に格納されているタイムステップ情報が３００のとき、２０１９年１月１日１０：００（第１の時刻ｔｍ）から２０１９年１月１３日２１：００（第２の時刻ｔｎ）までの１時間毎に測定された３００の時系列データが予測時刻ｔｔの２－ＭＩＢの濃度及びジェオスミンの濃度を予測するために用いられることを示す。タイムステップ情報としては、例えば、１０～５００時系列データを用いることができる。
図６において、まず、ＣＰＵ１１はＨＤＤ１４に格納されている時間差ｔｄ及びタイムステップ情報を参照し、ＬＳＴＭ入力情報の各々に関連付けるＬＳＴＭ正解データを作成し（Ｓ６１）、作成したＬＳＴＭ正解データをＬＳＴＭ入力情報の各々に関連付ける。例えば、２０１９年１月１日１０：００から２０１９年１月１３日２１：００までの１時間毎の２－ＭＩＢ濃度、ジェオスミン濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報（以下、「３００のタイムステップ情報」という。）と、２０１９年１月１４日２１：００の２－ＭＩＢ濃度及びジェオスミン濃度とがあり、ＨＤＤ１４に格納されている時間差ｔｄが２４を示すとともに、タイムステップ情報が３００を示すとき、ＣＰＵ１１は、予測時刻ｔｔとして２０１９年１月１４日２１：００を示すとともに、２０１９年１月１４日２１：００に測定された２－ＭＩＢ濃度及びジェオスミン濃度を示すＬＳＴＭ正解データを作成し、作成したＬＳＴＭ正解データを３００のタイムステップ情報に関連付ける。
次いで、ＣＰＵ１１は全てのＬＳＴＭ入力情報及び各ＬＳＴＭ入力情報に関連付けられたＬＳＴＭ正解データを分割して複数のミニバッチに格納する（Ｓ６２）。本実施の形態では、全てのＬＳＴＭ入力情報は９８のミニバッチに分割され、各ミニバッチは１２８のＬＳＴＭ入力情報及びＬＳＴＭ正解データを格納する。
続いて、ＣＰＵ１１はミニバッチ毎にＬＳＴＭ入力情報及びＬＳＴＭ正解データの関係を学習する。具体的に、一のミニバッチに格納されている全てのＬＳＴＭ入力情報及びＬＳＴＭ正解データが長短期記憶ＬＳＴＭに入力され（Ｓ６３）、入力されたＬＳＴＭ入力情報毎に入力層ノード５１ａ，５４ａ，５７ａが形成される（Ｓ６４）。以下のＳ６５～Ｓ６９の各ステップの処理は、長短期記憶ＬＳＴＭに入力されたＬＳＴＭ入力情報、例えば、時刻ｔｐを示すＬＳＴＭ入力情報及び時刻ｔｑ（ｔｍ＞ｔｑ＞ｔｐ＞ｔｎ）を示すＬＳＴＭ入力情報の２つを用い、時刻ｔｐを示すＬＳＴＭ入力情報に基づいて複数の入力層ノード５１ａが形成され、時刻ｔｑを示すＬＳＴＭ入力情報に基づいて複数の入力層ノード５４ａが形成された場合について説明する。
続くＳ６５において、長短期記憶ＬＳＴＭは各入力層ノード５１ａ、各入力層ノード５１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５１ｂ、入力層バイアス５１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算をし、複数の隠れ層ノード５２ａを形成する。さらに、長短期記憶ＬＳＴＭは各隠れ層ノード５２ａが有する情報及び各隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算をし、出力層ノード５３ａを形成する（Ｓ６６）。
次いで、長短期記憶ＬＳＴＭは各入力層ノード５４ａ、各入力層ノード５４ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５４ｂ、入力層バイアス５４ｂの重要性を示す重みＷｉｂ，隠れ層ノード５２ａが有する情報、及び隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算をし、複数の隠れ層ノード５５ａを形成する（Ｓ６７）。さらに、長短期記憶ＬＳＴＭは各隠れ層ノード５５ａが有する情報及び隠れ層ノード５５ａが有する情報の重要性を示す重みＷｈを用いた活性化関数を演算し、出力層ノード５６ａを形成する（Ｓ６８）。
本実施の形態において、長短期記憶ＬＳＴＭは第１の時刻ｔｍから第２の時刻ｔｎの間に測定された時系列データによって構成されるＬＳＴＭ入力情報に基づいて、時刻ｔｎから一定の時間が経過した予測時刻ｔｔの流入原水に含まれる２－ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、出力層ノード５３ａ，５６ａは、各ＬＳＴＭ入力情報が示す時刻ｔｐから一定の時間が経過した予測時刻ｔｔ（以下、当該予測時刻ｔｔを「予測時刻ｔｔｐ」という。）の流入原水に含まれる２－ＭＩＢの濃度、及び予測時刻ｔｔｐの流入原水に含まれるジェオスミンの濃度、並びに、各ＬＳＴＭ入力情報が示す時刻ｔｑから一定の時間が経過した予測時刻ｔｔ（以下、当該予測時刻ｔｔを「予測時刻ｔｔｑ」という。）、予測時刻ｔｔｑの流入原水に含まれる２－ＭＩＢの濃度、及び予測時刻ｔｔｑの流入原水に含まれるジェオスミンの濃度から構成される情報を有する。
その後、ＣＰＵ１１は、出力層ノード５３ａ，５６ａが有する情報と、その出力層ノード５３ａ，５６ａが示す予測時刻ｔｔｐ，ｔｔｑと同一の時刻を示すＬＳＴＭ正解データとを比較し、それぞれから予測時刻ｔｔｐ，ｔｔｑにおける２－ＭＩＢの濃度に関する誤差及び予測時刻ｔｔｐ，ｔｔｑにおけるジェオスミンの濃度に関する誤差を式１によって算出する。続いて、ＣＰＵ１１は、算出された予測時刻ｔｔｐ，ｔｔｑにおける２－ＭＩＢの濃度に関する誤差及び予測時刻ｔｔｐ，ｔｔｑにおけるジェオスミンの濃度に関する誤差を出力層５３，５６から隠れ層５２，５５、入力層５１，５４へ順次伝播し、それぞれの誤差が小さくなるように各入力層ノード５１ａ，５４ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５１ｂ，５４ｂの重要性を示す重みＷｉｂ、及び各隠れ層ノード５２ａ，５５ａが有する情報の重要性を示す重みＷｈを更新する（Ｓ６９）。
Ｓ６５～Ｓ６９の各ステップの処理が一のミニバッチに格納されている全てのＬＳＴＭ入力情報について実行されたとき、一のミニバッチの学習が終了するが、続くＳ６１０において、ＣＰＵ１１は全てのミニバッチの学習が終了したか否かを判別する。Ｓ６１０の判別の結果、全てのミニバッチの学習が終了していないとき、本処理はＳ６３に戻って他のミニバッチを学習し、全てのミニバッチの学習が終了したとき、本処理は終了する。本実施の形態では、図６の第２の学習処理を１００回繰り返した（１００エポック）。
ところで、図６の第２の学習処理が正しく実行されたか否かについて検証する必要がある。図６の第２の学習処理が正しく実行されたか否かは、ＬＳＴＭテストデータを長短期記憶ＬＳＴＭに入力し、出力された情報及びＬＳＴＭ検証用正解データを比較することによって検証する。
図７は、図６の第２の学習処理が正しく実行されたか否かを検証する第２の検証処理の手順を示すフローチャートである。
図７の処理において、長短期記憶ＬＳＴＭは第３の時刻ｔｘから第４の時刻ｔｙの間の１時間毎に測定された複数のＬＳＴＭテストデータに基づいて時刻ｔｙから一定の時間が経過した予測時刻ｔｔ１の２－ＭＩＢの濃度及びジェオスミンの濃度と、第３の時刻ｔｘの１時間後を示す第５の時刻ｔｘ＋１から第４の時刻ｔｙの１時間後を示す第６の時刻ｔｙ＋１の間の１時間毎に測定された複数のＬＳＴＭテストデータ（ｔｙ＋１＞ｔｘ＋１＞ｔｙ＞ｔｘ）に基づいて時刻ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ２の２－ＭＩＢの濃度及びジェオスミンの濃度とを用いて説明する。
まず、第３の時刻ｔｘから第４の時刻ｔｙの間に測定された複数のＬＳＴＭテストデータが順次長短期記憶ＬＳＴＭに入力され、長短期記憶ＬＳＴＭは第４の時刻ｔｙから一定の時間が経過した予測時刻ｔｔ１の２－ＭＩＢの濃度及びジェオスミンの濃度を出力する（Ｓ７１）。次いで、第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１の間に測定された複数のＬＳＴＭテストデータが順次長短期記憶ＬＳＴＭに入力され、長短期記憶ＬＳＴＭは第６の時刻ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ２の２－ＭＩＢの濃度及びジェオスミンの濃度を出力する（Ｓ７２）。
続いて、ＣＰＵ１１はＳ７２で出力された予測時刻ｔｔ２の２－ＭＩＢの濃度からＳ７１で出力された予測時刻ｔｔ１の２－ＭＩＢの濃度を差し引く。これにより、予測時刻ｔｔ１から予測時刻ｔｔ２への時刻の変化に応じて２－ＭＩＢの濃度の変化量が算出される。同様に、ＣＰＵ１１はＳ７２で出力された予測時刻ｔｔ２のジェオスミンの濃度からＳ７１で出力された予測時刻ｔｔ１のジェオスミンの濃度を差し引く。これにより、予測時刻ｔｔ１から予測時刻ｔｔ２への時刻の変化に応じてジェオスミンの濃度の変化量が算出される（Ｓ７３）。
ＣＰＵ１１はＳ７３で算出された２－ＭＩＢの濃度の変化量及びジェオスミンの濃度の変化量が０以上であるか否かを判別する（Ｓ７４）。Ｓ７４の判別の結果、ＣＰＵ１１は、２－ＭＩＢの濃度の変化量及びジェオスミンの濃度の変化量が０以上のとき、図６の第２の学習処理が正しく実行されたことを認定して（Ｓ７５）本処理を終了する。また、上水処理の管理者は処理済水に含まれる２－ＭＩＢ又はジェオスミン等のカビ臭原因物質の濃度を確実に１０ng/L以下に制御する必要があるため、実際には２－ＭＩＢ又はジェオスミンの濃度が増加しているにも関わらず、２－ＭＩＢ又はジェオスミンの濃度が低下すると予測するような出力を避ける必要がある。したがって、２－ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０よりも小さいとき、予測時刻ｔｔ１及び予測時刻ｔｔ２を示すＬＳＴＭ検証用正解データを参照する（Ｓ７６）。
次いで、ＣＰＵ１１は予測時刻ｔｔ２を示すＬＳＴＭ検証用正解データの２－ＭＩＢの濃度から予測時刻ｔｔ１を示すＬＳＴＭ検証用正解データの２－ＭＩＢの濃度を差し引くとともに、予測時刻ｔｔ２を示すＬＳＴＭ検証用正解データのジェオスミンの濃度から予測時刻ｔｔ１を示すＬＳＴＭ検証用正解データのジェオスミンの濃度を差し引き、ＬＳＴＭ検証用正解データに基づく２－ＭＩＢの濃度の変化量及びジェオスミンの濃度の変化量を算出する（Ｓ７７）。
その後、ＣＰＵ１１はＬＳＴＭ検証用正解データに基づく２－ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０以下であるか否かを判別する（Ｓ７８）。Ｓ７８の判別の結果、ＬＳＴＭ検証用正解データに基づく２－ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０以下のとき、Ｓ７５に進み、ＬＳＴＭ検証用正解データに基づく２－ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０よりも大きいとき、図６の第２の学習処理が正しく実行されていないことを認定して（Ｓ７９）本処理を終了する。
すなわち、図７の第２の検証処理は予測時刻ｔｔ１から予測時刻ｔｔ２への時刻の変化に応じて、実際には２－ＭＩＢ又はジェオスミンの濃度が増加しているにも関わらず、２－ＭＩＢ又はジェオスミンの濃度が低下すると予測した長短期記憶ＬＳＴＭを識別し（Ｓ７４でＮＯ、Ｓ７８でＮＯ）、この場合、第２の学習処理が正しく実行されていないことを認定している。一方、図７の第２の検証処理は、その他の場合、第２の学習処理が正しく実行されていることを認定している。
図６及び図７の処理によれば、第２の学習処理が正しく実行された長短期記憶ＬＳＴＭ、すなわち、第１の時刻ｔｍから第２の時刻ｔｎの間に測定された２－ＭＩＢの濃度、ジェオスミンの濃度、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位と、第２の時刻ｔｎから一定時間が経過した予測時刻ｔｔの２－ＭＩＢの濃度及びジェオスミンの濃度との関係を学習した長短期記憶ＬＳＴＭは、異なる時刻間、例えば、第３の時刻ｔｘから第４の時刻ｔｙの間に新たに測定された２－ＭＩＢの濃度、ジェオスミンの濃度、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位に基づいて第４の時刻ｔｙから一定時間が経過した予測時刻ｔｔ１の２－ＭＩＢの濃度及びジェオスミンの濃度を出力するとともに、第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１の間に新たに測定された２－ＭＩＢの濃度、ジェオスミンの濃度、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位に基づいて第６の時刻ｔｙ＋１から一定時間が経過した予測時刻ｔｔ２の２－ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、上水処理の管理者は予測時刻ｔｔ１から予測時刻ｔｔ２の間に２－ＭＩＢの濃度又はジェオスミンの濃度が上昇するタイミングを確実に把握することができる。
このとき、予測時刻ｔｔ１から予測時刻ｔｔ２の間に２－ＭＩＢの濃度又はジェオスミンの濃度が上昇するタイミングは第６の時刻ｔｙ＋１の経過後早期に把握されるので、上水処理の管理者は予め粉末活性炭を添加するための準備時間を確保することができる。
ところで、Ｓ７１，Ｓ７２で出力された予測時刻ｔｔ１，ｔｔ２の２－ＭＩＢの濃度及びジェオスミンの濃度と、予測時刻ｔｔ１，ｔｔ２を示すＬＳＴＭ検証用正解データの２－ＭＩＢの濃度及びジェオスミンの濃度との誤差は小さいのがよく、例えば、式１に準じて算出されたこれらの誤差が１(ng/L)2以下（所定の閾値）であるのがよい。さらに、２－ＭＩＢ濃度の誤差閾値を０．７(ng/L)2、又はジェオスミンの濃度の誤差閾値を０．０７(ng/L)2に設定することができる。本実施の形態において、タイムステップ情報が３００のときに、Ｓ７１，Ｓ７２で出力された予測時刻ｔｔ１，ｔｔ２の２－ＭＩＢの濃度及び予測時刻ｔｔ１，ｔｔ２を示すＬＳＴＭ検証用正解データの２－ＭＩＢの濃度の誤差は０．６３５(ng/L)2であり、Ｓ７１，Ｓ７２で出力された予測時刻ｔｔ１，ｔｔ２のジェオスミンの濃度及び予測時刻ｔｔ１，ｔｔ２を示すＬＳＴＭ検証用正解データのジェオスミンの濃度の誤差は０．０６０(ng/L)2であった。さらに誤差の小さい予測を行うために、タイムステップ情報としては２３０～３７０を用いることができる。
これにより、上水処理の管理者は、予測時刻ｔｔ１から予測時刻ｔｔ２の間に２－ＭＩＢの濃度又はジェオスミンの濃度が上昇するとき、予測時刻ｔｔ２の２－ＭＩＢの濃度又はジェオスミンの濃度を精度よく把握することができ、もって、処理済水に含まれる２－ＭＩＢ又はジェオスミン等のカビ臭原因物質の濃度を確実に１０ng/L以下に制御するために適切な量の粉末活性炭を適切なタイミングに添加することができる。
本実施の形態において、長短期記憶ＬＳＴＭは、例えば、第３の時刻ｔｘから第４の時刻ｔｙの間に測定された２－ＭＩＢの濃度及びジェオスミンの濃度を用いて第４の時刻ｔｙから一定時間が経過した予測時刻ｔｔ１の２－ＭＩＢの濃度及びジェオスミンの濃度を出力しているが、例えば、第３の時刻ｔｘから第４の時刻ｔｙの間の２－ＭＩＢの濃度及びジェオスミンの濃度には、第３の時刻ｔｘから第４の時刻ｔｙの間の各時刻に測定された原水濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位の情報に基づいて順伝播型ニューラルネットワークＦＦＮＮが出力する２－ＭＩＢの濃度及びジェオスミンの濃度が用いられてもよい。これにより、上水処理の管理者が２－ＭＩＢの濃度及びジェオスミンの濃度を測定しなくても、長短期記憶ＬＳＴＭは順伝播型ニューラルネットワークＦＦＮＮによって出力される２－ＭＩＢの濃度及びジェオスミンの濃度を使用し、予測時刻ｔｔ１の２－ＭＩＢの濃度及びジェオスミンの濃度を出力することができる。
本発明は、上述の実施の形態の機能を実現するソフトウェア（プログラム）を、ネットワーク若しくは各種記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータ（ＣＰＵ１１やＭＰＵ等）がプログラムを読み出して実行する処理において、そのプログラム、及び該プログラムを格納するコンピュータ読み取り可能な記憶媒体は本発明を構成し、複数の機器から構成されるシステムに適用してもよく、１つの機器からなる装置に適用してもよい。
以上、本発明の実施の形態について説明したが、本発明はこれらの実施の形態に何ら限定されるものではない。
ＦＦＮＮ 順伝播型ニューラルネットワーク
ＬＳＴＭ 長短期記憶
Ｗｉ，Ｗｉｂ，Ｗｈ，Ｗｈｂ 重み
１０ 情報処理装置
１１ ＣＰＵ
１４ ＨＤＤ

Claims (5)

  1. 上水処理が施される原水に含まれるカビ臭原因物質の濃度を推定する情報処理装置であって、
    前記原水に含まれる異物を沈降除去する沈砂池の導電率、前記沈砂池の塩素要求量、及び前記沈砂池の水温を含む情報であって、必要であれば更に前記沈砂池のアルカリ度及び河川水位を含む情報を入力する入力手段と、
    前記入力された情報及び前記入力された情報の重要性を示す重みに基づいて前記原水に含まれるカビ臭原因物質の濃度を出力する出力手段と、を備え、
    前記カビ臭原因物質の濃度を順伝播型ニューラルネットワーク(ＦＦＮＮ)を用いて推定することを特徴とする情報処理装置。
  2. 前記出力手段が出力するカビ臭原因物質の濃度及び前記カビ臭原因物質の濃度の実測値の間に生じる誤差が誤差閾値以下であるとともに、前記出力手段が出力するカビ臭原因物質の濃度及び前記カビ臭原因物質の濃度の実測値に基づく決定係数が決定係数閾値以上であることを特徴とする請求項１記載の情報処理装置。
  3. 前記カビ臭原因物質が２－ＭＩＢ又はジェオスミンであることを特徴とする請求項１又は２記載の情報処理装置。
  4. 上水処理が施される原水に含まれるカビ臭原因物質の濃度を推定する情報処理方法であって、
    前記原水に含まれる異物を沈降除去する沈砂池の導電率、前記沈砂池の塩素要求量、及び前記沈砂池の水温を含む情報であって、必要であれば更に前記沈砂池のアルカリ度及び河川水位を含む情報を入力する入力ステップと、
    前記入力された情報及び前記入力された情報の重要性を示す重みに基づいて前記原水に含まれるカビ臭原因物質の濃度を出力する出力ステップと、を有し、
    前記カビ臭原因物質の濃度を順伝播型ニューラルネットワーク(ＦＦＮＮ)を用いて推定することを特徴とする情報処理方法。
  5. 上水処理が施される原水に含まれるカビ臭原因物質の濃度を推定する情報処理方法をコンピュータに実行させるプログラムであって、
    前記情報処理方法は、
    前記原水に含まれる異物を沈降除去する沈砂池の導電率、前記沈砂池の塩素要求量、及び前記沈砂池の水温を含む情報であって、必要であれば更に前記沈砂池のアルカリ度及び河川水位を含む情報を入力する入力ステップと、
    前記入力された情報及び前記入力された情報の重要性を示す重みに基づいて前記原水に含まれるカビ臭原因物質の濃度を出力する出力ステップと、を有し、
    前記プログラムが順伝播型ニューラルネットワーク(ＦＦＮＮ)であることを特徴とするプログラム。
JP2019206525A 2019-11-14 2019-11-14 情報処理装置、情報処理方法、及びプログラム Active JP7460267B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019206525A JP7460267B2 (ja) 2019-11-14 2019-11-14 情報処理装置、情報処理方法、及びプログラム
CN202011268577.2A CN112801263A (zh) 2019-11-14 2020-11-13 信息处理装置、信息处理方法和存储介质
JP2024010006A JP2024032866A (ja) 2019-11-14 2024-01-26 情報処理装置、情報処理方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019206525A JP7460267B2 (ja) 2019-11-14 2019-11-14 情報処理装置、情報処理方法、及びプログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2024010006A Division JP2024032866A (ja) 2019-11-14 2024-01-26 情報処理装置、情報処理方法、及びプログラム

Publications (2)

Publication Number Publication Date
JP2021079310A JP2021079310A (ja) 2021-05-27
JP7460267B2 true JP7460267B2 (ja) 2024-04-02

Family

ID=75806229

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019206525A Active JP7460267B2 (ja) 2019-11-14 2019-11-14 情報処理装置、情報処理方法、及びプログラム
JP2024010006A Pending JP2024032866A (ja) 2019-11-14 2024-01-26 情報処理装置、情報処理方法、及びプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2024010006A Pending JP2024032866A (ja) 2019-11-14 2024-01-26 情報処理装置、情報処理方法、及びプログラム

Country Status (2)

Country Link
JP (2) JP7460267B2 (ja)
CN (1) CN112801263A (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001235461A (ja) 2000-02-22 2001-08-31 Meidensha Corp トリハロメタン生成能推定方法及びその装置
JP2003053375A (ja) 2001-08-22 2003-02-25 Toshiba Corp 水質制御装置
JP2005230629A (ja) 2004-02-18 2005-09-02 Yaskawa Electric Corp 粉末活性炭制御装置
JP2015104726A (ja) 2013-12-03 2015-06-08 メタウォーター株式会社 水処理制御装置、水処理制御方法
JP2015157239A (ja) 2014-02-21 2015-09-03 メタウォーター株式会社 水処理プロセスの制御方法及び制御装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2533942B2 (ja) * 1989-03-13 1996-09-11 株式会社日立製作所 知識抽出方法およびプロセス運転支援システム
JPH06304546A (ja) * 1993-04-21 1994-11-01 Hitachi Ltd 上水道プラントの運用制御装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001235461A (ja) 2000-02-22 2001-08-31 Meidensha Corp トリハロメタン生成能推定方法及びその装置
JP2003053375A (ja) 2001-08-22 2003-02-25 Toshiba Corp 水質制御装置
JP2005230629A (ja) 2004-02-18 2005-09-02 Yaskawa Electric Corp 粉末活性炭制御装置
JP2015104726A (ja) 2013-12-03 2015-06-08 メタウォーター株式会社 水処理制御装置、水処理制御方法
JP2015157239A (ja) 2014-02-21 2015-09-03 メタウォーター株式会社 水処理プロセスの制御方法及び制御装置

Also Published As

Publication number Publication date
CN112801263A (zh) 2021-05-14
JP2021079310A (ja) 2021-05-27
JP2024032866A (ja) 2024-03-12

Similar Documents

Publication Publication Date Title
KR101133664B1 (ko) 분리막을 이용한 수처리 시스템에서 유전자 알고리즘/프로그래밍을 이용한 막오염지수 예측모델 기반 완화 세정 방법 및 시스템
Franco et al. Identification of structural systems using an evolutionary strategy
Kuhn Network-level infrastructure management using approximate dynamic programming
Wise Adapting multivariate analysis for monitoring and modeling of dynamic systems
JP7460267B2 (ja) 情報処理装置、情報処理方法、及びプログラム
JP6764486B2 (ja) 水処理プラント
Dash Restructuring dynamic causal systems in equilibrium
Antonov et al. Optimism and pessimism in optimised replay
Kumar Gupta et al. Uncertainty analysis of conventional water treatment plant design for suspended solids removal
JP4146610B2 (ja) 濁度予測システム、濁度制御システムおよび濁度管理システム
Masoumi et al. Water quality–quantity management in river–reservoir system using sustainability‐based simulation‐optimization meta‐model approach
De Clercq et al. Analysis and simulation of the sludge profile dynamics in a full‐scale clarifier
JP7106438B2 (ja) 水質測定システムおよびメンテナンス方法決定方法
CN114186734A (zh) 基于深度学习模型可解释研究策略的河道洪水预测方法
Warwick et al. Determining the likelihood of obtaining a reliable model
Collins et al. Information processing coupled with expert systems for water treatment plants
JP6541913B1 (ja) 水処理プラントおよび水処理プラントの運転方法
Han et al. Efficient economic model predictive control of water treatment process with learning-based Koopman operator
Smits et al. Estimating missing values in time series
Piasecki Optimal wasteload allocation procedure for achieving dissolved oxygen water quality objectives. I: Sensitivity analysis
Boshnakov et al. Evaluation of Key Indicators Based on Automatically Measured Variables and Forecasting the Spread of Pollutants
Ratitch On characteristics of Markov decision processes and reinforcement learning in large domains
JP2022088205A (ja) 情報処理装置、予測方法、水処理システム、および予測プログラム
渡辺樹 Markov Chain Approximation Method in Nonlocal Diffusion Models
Krivec et al. Integrated theoretical and data-driven Gaussian Process NARX Model for the Simulation of Effluent Concentrations in Wastewater Treatment Plant

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200701

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200701

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221107

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230821

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230824

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231017

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231215

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240205

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: 20240319

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240319

R150 Certificate of patent or registration of utility model

Ref document number: 7460267

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150