Інтелектуальна система дозування коагулянтів для очищення води на основі штучної нейронної мережі

А.П. Cафоник, д-р техн. наук, М.В. Матвійчук, аспірант

Національний університет водного господарства та природокористування
Україна, 33028, Рівне, вул. Соборна 11
тел. (0362) 633209, е-mail: a.p.safonyk@nuwm.edu.ua;
е-mail: m.v.matvijchuk@nuwm.edu.ua

Èlektron. model. 2022, 44(6):36-47
https://doi.org/10.15407/emodel.44.06.036

АНОТАЦІЯ

Розроблено штучну нейронну мережу (ШНМ), яка використовується для регулювання процесів очищення води. Визначено особливості, принципи та головні етапи очищення води. Обґрунтовано підхід до використання ШНМ під час дозування суміші для очи­щення води та проаналізовано процес її дозування і пов’язані з ним показники, які є важливими для реалізації процесу. Факторами, які впливають на процес коагуляції, а отже, на структуру нейронної мережі, є каламутність, швидкість потоку та робочі насо­си. Такі параметри як pH, провідність і температура води також впливають на коа­гу­ля­цію, проте не мають критичного значення. Визначення дози коагулянту є необ­хід­ним для мінімізації часу, реалізації безперервного процесу, стабілізації варіацій у спо­стере­женнях оператора та підвищенні якості очищення води. Запропоновано встанов­лення особ­ливого режиму регулювання дози коагулянту, за яким розроблено схему уп­рав­лін­ня, що дозволяє відокремлювати головні процеси, які відбуваються при дозу­ванні коагу­лянту. Запропонована модель ШНМ з некерованим навчанням використовується для оптимізації дозування коагулянту в процесі очищення води.

КЛЮЧОВІ СЛОВА:

штучна нейронна мережа, автоматизоване дозування, коагулянт, очищення води, інтелектуальна інформаційна система.

СПИСОК ЛІТЕРАТУРИ

  1. Зоріна О.В. Гігієнічні проблеми питного водопостачання України та шляхи їх вирішення в умовах євроінтеграції. Дис. …д-ра біол. наук за спеціальністю 14.02.01. Київ, 2019, 416 с. Режим доступу: http://www.health.gov.ua/docs/zorina/dissertatsia_Zorina.pdf
  2. Nidheesh P.V., Jaimy S., Syam Babu D., Suresh Kumar M. An overview on combined electrocoagulation-degradation processes for the effective treatment of water and wastewater // Chemosphere, 2021, Vol. 263, article 127907. Doi: 1016/j.chemosphere.2020.127907
  3. Guohua Chen. Electrochemical technologies in wastewater treatment // Separation and Purification Technology, 2004, Vol. 38, pp. 11- Doi: 10.1016/j.seppur.2003.10.006
  4. Cao W., Yang Q. Online sequential extreme learning machine based adaptive control for wastewater treatment plant // Neurocomputing, 2020, Vol. 408, pp. 169- Doi:10.1016/ j.neucom.2019.05.109
  5. Jun‐Qiao, Guang Han, Hong‐gui Han. Neural Network On-Line Modeling and Controlling Method for Multi-Variable Control of Wastewater Treatment Processes // Asian Journal of Control, 2013, Vol. 4, pp. 1213- Doi: 10.1002/asjc.758
  6. Rahman M.S., Islam M.R. Sustainability of Current Water Purification Technologies // Sustainable Water Purification, 2020, pp. 59- Doi: 10.1002/9781119651123.ch3
  7. F.da Silva, Barbosa, A.D., Heber P.M., Romualdo L.R., Andrade L.S. Treatment of paint manufacturing wastewater by coagulation/electrochemical methods: Proposals for disposal and/or reuse of treated water // Water Research, 2016, Vol. 101, pp. 467-475. Doi: 10.1016/j.watres.2016.05.006
  8. Wang G, Jia, Q.-S., MengChu Z., Bi J., Qiao, J. Soft-sensing of Wastewater Treatment Process via Deep Belief Network with Event-triggered Learning // Neurocomputing, 2021, Vol. 436, 103-113. Doi: 10.1016/j.neucom.2020.12.108
  9. Min Lee, Jongho W., Sehyun C., Seonghwan K., Simon S. Rapid detection of ionic contents in water through sensor fusion and convolutional neural network // Chemosphere, 2022, Vol. 294, article 133746. Doi: 10.1016/j.chemosphere.2022.133746
  10. Safonyk A., Tarhonii I., Hrytsiuk I. et al. Dynamic optimization of the technological water treatment process automatic control system // 2021 11th International Conference on Advanced Computer Information Technologies (ACIT), 2021, pp. 13-18. Doi: 1109/ 2021.9548486
  11. Safonyk, A., Mishchanchuk, M., Hrytsiuk, I. Spectrophotometric method for coagulant determining in a stream based on an artificial neural network // ISDMCI 2021: Lecture Notes in Computational Intelligence and Decision Making, 2021, pp. 589–601. Doi: 10.1007/978-3-030-82014-5_40
  12. Safonyk, A., Mishchanchuk, M., Lytvynenko, V. Intelligent information system for the determination of iron in coagulants based on a neural network // Conference Paper 11th International Conference on Advanced Computer information Technologies (ACIT2021), Deggendorf, Germany, 2021, pp. 13-18. Режим доступу: https://ceur-ws.org/Vol-2853/ short13.pdf

САФОНИК Андрій Петрович, д-р техн. наук, професор кафедри автоматизації, електротехнічних та комп’ютерно-інтегрованих технологій навчально-наукового Інституту автоматики, кібернетики та обчислюваної техніки Національного університету водного господарства та природокористування. В 2004 р. закінчив Рівненський державний гуманітарний університет. Область наукових досліджень — моделювання та автоматизація природніх, технологічних і техногенних процесів та систем.

МАТВІЙЧУК Мирослав Вікторович, аспірант кафедри автоматизації, електротехнічних та комп’ютерно-інтегрованих технологій навчально-наукового Інституту автоматики, кібернетики та обчислюваної техніки Національного університету водного господарства та природокористування, який закінчив у 2021 р. Область наукових досліджень — моделювання та автоматизація технологічних процесів та систем.

Повний текст: PDF