Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Διδακτορικής Διατριβής κ. Γυπαράκη Στυλιανού - Σχολή ΧΗΜΗΠΕΡ

  • Συντάχθηκε 10-03-2025 14:07 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος: Κ2 - Κτίριο ΧΗΜΗΠΕΡ, Κ2.Α.7
    Έναρξη: 20/03/2025 14:00
    Λήξη: 20/03/2025 16:00

    Όνοματεπώνυμο Υποψήφιου ΔΙδάκτορα: ΓΥΠΑΡΑΚΗΣ ΣΤΥΛΙΑΝΟΣ
    Α.Μ.: 2017057469
    Ημερομηνία Παρουσίασης: ΠΕΜΠΤΗ 20/03/2025
    Ώρα: 14:00
    Αίθουσα: Αίθουσα συνεδριάσεων Σχολής ΧΗΜΗΠΕΡ Κ2.A7 ή/ και διαδικτυακά


    Θέμα Δ.Δ «ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΤΗΣ ΛΕΙΤΟΥΡΓΙΑΣ ΜΙΑΣ ΕΓΚΑΤΑΣΤΑΣΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΝΕΡΟΥ»

    Title PhD «MODELLING OF A WATER TREATMENT PLANT OPERATION »


    Επιβλέπων: Ομ. Καθ. Ευάγγελος Διαμαντόπουλος, Σχολή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης
    Επταμελής Εξεταστική Επιτροπή:
    1.    Ομ. Καθ. Ευάγγελος Διαμαντόπουλος, Σχολή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης,
    2.    Καθ. Γεώργιος Καρατζάς, Σχολή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης,
    3.    Αναπλ. Καθ. Τρύφων Δάρας, Σχολή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης,
    4.    Αναπλ. Καθ. Γεώργιος Αραμπατζής, Σχολή ΜΠΔ, Πολυτεχνείο Κρήτης,
    5.    Επίκ. Καθ. Εμμανουήλ Βαρουχάκης, Σχολή ΜΗΧΟΠ, Πολυτεχνείο Κρήτης,
    6.    Αναπλ. Καθ. Αθανάσιος Στασινάκης, Τμήμα Περιβάλλοντος, Πανεπιστήμιο Αιγαίου,
    7.    Δρ. Ιωάννης Τριχάκης, Science for Policy Researcher, European Commission, Joint Research Centre, Ispra, Italy

    Περίληψη:
    (Ελληνικά)
    H παρακολούθηση των κύριων λειτουργικών μεταβλητών μιας ΕΕΝ και των μεταβλητών ποιότητας του νερού είναι κρίσιμο ζήτημα για όλους τους λειτουργούς εγκαταστάσεων επεξεργασίας νερού (ΕΕΝ) για την παραγωγή πόσιμου (ανθρώπινης κατανάλωσης) νερού. Οι λειτουργοί των ΕΕΝ αναζητούν συχνά μια γρήγορη, εύχρηστη και αξιόπιστη μέθοδο για την πρόβλεψη των ημερήσιων δόσεων των χρησιμοποιούμενων χημικών επεξεργασίας του νερού, που είναι το κύριο και καθημερινό μέλημά τους.
    Η παρούσα Διδακτορική Διατριβή επικεντρώνεται στη μοντελοποίηση της λειτουργίας μιας ΕΕΝ με χρήση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) και ανάλυσης Πολλαπλής Γραμμικής Παλινδρόμησης (Multiple Linear Regression, MLR), τη συσχέτιση των ποιοτικών χαρακτηριστικών του νερού με τις κύριες λειτουργικές μεταβλητές μιας ΕΕΝ, την αλληλεπίδραση των παραπάνω μεταβλητών μεταξύ τους, και κυρίως την πρόβλεψη των δόσεων των απαραίτητων χημικών επεξεργασίας του νερού. Η σημασία και η καινοτομία αυτής της μελέτης έγκειται στο γεγονός ότι λαμβάνει υπόψη τη μακρόχρονη εμπειρία του λειτουργού μιας ΕΕΝ, πράγμα που σε μεγάλο βαθμό απουσίαζε από την υπάρχουσα βιβλιογραφία.
    Στην παρούσα ΔΔ, η εξεταζόμενη μελέτη περίπτωσης προέρχεται από την ΕΕΝ Αποσελέμη, κατά την οποία πραγματοποιείται μια πρόβλεψη των μεταβλητών εξόδου μοντέλων ΤΝΔ και MLR, αναφορικά με τις απαιτούμενες δόσεις χημικών επεξεργασίας του νερού, με βάση την ποιότητα του νερού που παρατηρήθηκε και άλλες λειτουργικές μεταβλητές. Οι εκτιμώμενες κύριες λειτουργικές μεταβλητές της ΕΕΝ περιλαμβάνουν: τις δόσεις υπολειμματικού όζοντος (O3), ανιονικού πολυηλεκτρολύτη (ANPE), χλωριούχου θειικού πολυ- αργιλίου (PACl) και αερίου χλωρίου (Cl2(g)). Ως παράμετροι εισόδου για το ΤΝΔ χρησιμοποιήθηκαν ημερήσια αποτελέσματα αναλύσεων δειγμάτων νερού και καταγραφές από το Supervisory Control and Data Acquisition System (SCADA) της ΕΕΝ, που καλύπτουν περίοδο 38 μηνών (1.188 τιμές για καθεμία από τις 14 μετρήσιμες μεταβλητές). Συγκεκριμένα, οι παράμετροι εισόδου του ΤΝΔ περιλαμβάνουν: την παροχή ακατέργαστου νερού (Q), τη θολότητα ακατέργαστου νερού (T1), τη θολότητα επεξεργασμένου νερού (T2), το υπολειμματικό ελεύθερο χλώριο επεξεργασμένου νερού (Cl2), τη συγκέντρωση υπολειμματικού αργιλίου επεξεργασμένου νερού (Al), τη θολότητα του νερού στην είσοδο των κλινών διήθησης (T3), την ημερήσια διαφορά ύψους νερού στον ταμιευτήρα του φράγματος Αποσελέμη (ΔH), την τιμή pH ακατέργαστου νερού (pH1), την τιμή pH επεξεργασμένου νερού (pH2) και την ημερήσια κατανάλωση της ηλεκτρικής ενέργειας (El) στην ΕΕΝ Αποσελέμη. Οι παράμετροι εξόδου του ΤΝΔ ήταν: η συγκέντρωση του υπολειμματικού όζοντος (Ο3) μετά τη διεργασία της οζόνωσης, η δόση του ανιονικού πολυηλεκτρολύτη (ANPE), η δόση του χλωριούχου θειικού πολυ- αργιλίου (PACl) και η παροχή αερίου χλωρίου (Cl2(g)).
    Συνολικά δοκιμάστηκαν 304 διαφορετικά μοντέλα ΤΝΔ και με βάση την καλύτερη τιμή του δείκτη της απόδοσης της δοκιμής (test performance, tperf) των ΤΝΔ, επιλέχθηκε τελικά το σενάριο με 100 νευρωνικά δίκτυα, 100 κόμβους, 42 κρυφούς κόμβους, 10 εισόδους και 4 εξόδους. Το συγκεκριμένο μοντέλο ΤΝΔ πέτυχε πολύ καλά αποτελέσματα προσομοίωσης (best tper = 0.008848), γεγονός που υποδηλώνει ότι τα ΤΝΔ είναι δυνητικά χρήσιμα εργαλεία για την πρόβλεψη των κύριων λειτουργικών μεταβλητών μιας ΕΕΝ.
    Επίσης, εξετάστηκαν 4 διαφορετικά σενάρια με Ανάλυση Πολλαπλής Γραμμικής Παλινδρόμησης (MLR) με εξαρτημένες μεταβλητές: το υπολειμματικό όζον (Ο3), τη δόση ανιονικού πολυηλεκτρολύτη (ANPE), τη δόση του θειικού χλωριούχου πολυ-Αργιλίου (PACl) και την παροχή του αερίου χλωρίου (Cl2(g)), καθώς και δέκα (10) ανεξάρτητες μεταβλητές λειτουργίας και ποιότητας νερού. 
    Σύμφωνα με τα αποτελέσματα του R2 (Coefficient of Determination) και R (Pearson Correlation Coefficient), το μοντέλο ΤΝΔ είχε καλύτερη απόδοση σε σύγκριση με το μοντέλο ανάλυσης MLR για την πρόβλεψη των δόσεων των χημικών και των τεσσάρων χημικών επεξεργασίας του νερού. Με βάση το κριτήριο R²> 0,5, η απόδοση του ΤΝΔ ήταν ικανοποιητική στην πρόβλεψη των δόσεων τριών χημικών επεξεργασίας του νερού: ANPE (R2= 0,772), PACl (R2= 0,742) και Cl2(g) (R2= 0,838, +23% σε σύγκριση με αντίστοιχη τιμή του MLR μοντέλου και R= 0,95, +11% σε σύγκριση με αντίστοιχη τιμή του MLR μοντέλου). Αντίστοιχα, η πρόβλεψη του μοντέλου MLR, αξιολογήθηκε ως ικανοποιητική για την πρόβλεψη της δόσης μόνο του Cl2(g) (R2= 0,681, R= 0,82500).
    Σύμφωνα με τα αποτελέσματα του RMSE, το μοντέλο MLR είχε καλύτερη απόδοση για τα τρία (RMSEANPE= 0.05 mg/L, RMSEPACl= 0.08 mg/L και RMSECl2(g)= 0.10 kg/h) από τα τέσσερα χρησιμοποιημένα χημικά επεξεργασίας του νερού, σε σύγκριση με το μοντέλο ΤΝΔ, το οποίο είχε καλύτερη απόδοση μόνο για ένα χημικό επεξεργασίας του νερού (RMSEO3= 0.02 mg/L).
    Γενικά, εάν κάποιος θέλει να χρησιμοποιήσει τα σενάρια και τα μοντέλα πρόβλεψης (ΤΝΔ ή MLR) για να προβλέψει τις δόσεις Cl2(g), τότε είναι προτιμότερο να χρησιμοποιήσει αυτό με το μικρότερο RMSE. Εάν ενδιαφέρεται κάποιος να έχει μια μελλοντική πρόβλεψη δόσεων χημικών επεξεργασίας του νερού με μοντέλο πρόβλεψης με την καλύτερη προσαρμογή, τότε είναι προτιμότερο να χρησιμοποιηθεί αυτό το μοντέλο με την μεγαλύτερη τιμή του R2. Επίσης, η μεταβλητή δόσης του όζοντος (Ο3) παρουσίασε χαμηλές τιμές του R2, σε όλες τις περιπτώσεις, πιθανώς λόγω της μεγάλης διακύμανσης των τιμών του.
    Αυτή η ΔΔ ενισχύει περαιτέρω την άποψη ότι τα ΤΝΔ είναι χρήσιμα εργαλεία υποστήριξης λήψης αποφάσεων για έναν λειτουργό μιας ΕΕΝ πόσιμου νερού, τα οποία δύναται να μιμηθούν με μεγάλη ακρίβεια και επαρκώς τις αποφάσεις σχετικά με τις χρησιμοποιούμενες δόσεις των χημικών επεξεργασίας του νερού, που είναι το κύριο και καθημερινό μέλημα του λειτουργού μια τέτοιου είδους εγκατάστασης.
    Συνιστάται η εκπόνηση αντίστοιχων μελλοντικών ερευνών, για την περαιτέρω αύξηση της γνώσης σχετικά με την πρόβλεψη των χημικών επεξεργασίας του νερού, χρησιμοποιώντας μοντέλα, όπως τα ΤΝΔ, ως ακριβή μοντέλα πρόβλεψης αλλά και μοντέλα ανάλυσης MLR, ως ευέλικτα, γρήγορα και αξιόπιστα μοντέλα πρόβλεψης. Συγκεκριμένα, περαιτέρω έρευνα θα μπορούσε να διεξαχθεί στην πρόβλεψη των χημικών επεξεργασίας του νερού σε μια ΕΕΝ, χρησιμοποιώντας ΤΝΔ με μικρότερο αριθμό μεταβλητών για εξασφάλιση μεγαλύτερης ευελιξίας, χωρίς να μειώνεται, ωστόσο, ουσιαστικά η αξιοπιστία του μοντέλου πρόβλεψης. 
    Επίσης, προτείνεται να καταβληθεί ακόμη μεγαλύτερη προσπάθεια για την καθιέρωση των ΤΝΔ ως μοντέλων πρόβλεψης στον τομέα του νερού και στην καθημερινή λειτουργία των ΕΕΝ. Επιπρόσθετα, οι μελλοντικές έρευνες θα μπορούσαν να περιλαμβάνουν τη διερεύνηση της χρήσης και άλλων κριτηρίων σύγκρισης, όπως το MAE (Mean Absolute Error, μέσο απόλυτο σφάλμα), το MAPE (Mean Absolute Percentage Error, μέσο απόλυτο ποσοστό σφάλματος) ή τον δείκτη απόδοσης NSE (Nash- Sutcliffe). Επιπλέον, προτείνεται η διεξαγωγή αναλύσεων ευαισθησίας και αβεβαιότητας στις μεταβλητές με τη μεγαλύτερη επιρροή, οι οποίες θα μπορούσαν να βελτιώσουν περαιτέρω τη διαδικασία μοντελοποίησης. Τέλος, δεδομένου ότι ο κύριος περιορισμός της τρέχουσας ΔΔ είναι ότι τα μοντέλα έχουν εκπαιδευτεί με δεδομένα από μία μόνο ΕΕΝ, προτείνεται ως μελλοντική εργασία την συμπερίληψη δεδομένων από περισσότερες αντίστοιχες ΕΕΝ, προκειμένου να αυξηθεί η στιβαρότητα των μοντέλων και η καθολική εφαρμογή τους.


    Abstract:
    (Αγγλικά)
    The monitoring of the main operational variables and water quality characteristics of a Water Treatment Plan (WTP) is a critical issue for all WTP operators, for the production of human consumption (drinking) water. WTP operators often seek a quick, reliable and easy-to- use method for predicting the dosages of the water treatment chemicals used, which is their main daily concern.
    This PhD thesis focuses on the modeling of a WTP operation, using ANN and MLR analysis models. Also, examines the water quality characteristics and the main WTP operational variables correlation, their interaction and mainly focuses on the prediction of the necessary water treatment chemicals dosages in a WTP. The innovation of this study lies in the fact that it takes into account the extended experience of a WTP operator.
    In this Thesis, the studied case study comes from the Aposelemis WTP, in which a prediction of the output variables of the ANN and MLR models is made, regarding the required dosages of the water treatment chemicals, based on the observed water quality and other operational variables. The estimated main operational variables of the WTP include: the dosages of residual ozone (O3), anionic polyelectrolyte (ANPE), polyaluminum chloride sulfate (PACl) and chlorine gas (Cl2(g)). Daily water sample analysis results and recordings from the WTP SCADA, covering a period of 38 months (1,188 values for each of the 14 measurable variables), were used as input parameters for the ANN modelling. Specifically, the input parameters of the ANN model include: the raw water flow (Q), the raw water turbidity (T1), the treated water turbidity (T2), the residual free chlorine of the treated water (Cl2), the residual aluminum concentration of the treated water (Al), the water turbidity at the inlet of the filtration beds (T3), the daily water height difference in the reservoir of the Aposelemis dam (ΔH), the raw water pH value (pH1), the treated water pH value (pH2) and the daily electricity consumption (El) at the Aposelemis WTP. The output parameters of the ANN include: the concentration of residual ozone (O3) after the ozonation process, the dosage of anionic polyelectrolyte (ANPE), the dosage of polyaluminum chloride sulfate (PACl) and the supply of chlorine gas (Cl2(g)).
    A total of 304 different ANN models were constructed and based on the best value of the test performance index (tperf) of them, the scenario with 100 neural networks, 100 nodes, 42 hidden nodes, 10 inputs and 4 outputs was finally selected. This ANN model achieved very good simulation results, which suggests that ANNs are potentially useful tools for predicting the main WTP operational variables.
    Also, four (4) different scenarios were examined using Multiple Linear Regression Analysis (MLR) with dependent variables: the residual ozone (O3), anionic polyelectrolyte dosage (ANPE), poly-Aluminum chloride sulfate (PACl) dosage and chlorine gas flow (Cl2(g)), as well as were used ten (10) independent operational and water quality variables.
    According to the results of R2 and R, the ANN model had a better performance compared to the MLR analysis model for predicting the dosages of the used water treatment chemicals. Based on the criterion R²> 0.5, the ANN performance was satisfactory in predicting the dosages of the three water treatment chemicals: ANPE (R2= 0.772), PACl (R2= 0.742) and Cl2(g) (R2= 0.838, +23% compared to the corresponding value of the MLR model and R= 0.95, +11% compared to the corresponding value of the MLR model). Accordingly, the prediction of the MLR model was evaluated as satisfactory for predicting the dosage of Cl2(g) only (R2= 0.681, R= 0.82500).
    According to the RMSE results, the MLR model performed better for three (RMSEANPE= 0.05 mg/L, RMSEPACl= 0.08 mg/L and RMSECl2(g)= 0.10 kg/h) of the four dependant variables (drinking water added chemicals), than the ANN model, which performed better for only one water treatment chemical (RMSEO3= 0.02 mg/L).
    In general, if someone wants to use the scenarios and prediction models (ANN or MLR) to predict Cl2(g) dosages, then it is preferable to use the one with the smallest RMSE. If one is interested in having a future prediction of water treatment chemical dosages with a prediction model with the best fit, then it is preferable to use the model with the largest R2 value. Also, the ozone dosage variable (O3) presented low R2 values, in all cases, probably due to the large variation of its values.
    This study further reinforces the point of view that ANNs are useful decision support tools for a WTP operator, which can simulate with great accuracy and adequacy the decisions regarding the dosages of the water treatment chemicals used, which is the main and daily concern of the operator of such a facility.
    It is recommended future research to be conducted to further increase knowledge on the prediction of water treatment chemicals, using models such as ANNs, as accurate prediction models, and MLR analysis models as flexible, fast and reliable prediction models. In particular, further research could be conducted on the prediction of chemicals used in a WTP, using ANNs with a smaller number of variables to ensure greater flexibility, without, however, substantially reducing the reliability of the prediction model.
    This will enable to establish ANNs as forecasting models in the water sector and in the daily operation of the WTPs. In addition, future research could include investigating the use of other comparison criteria, such as MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error) or the NSE (Nash-Sutcliffe) performance index. Furthermore, it is suggested to conduct sensitivity and uncertainty analyses on the most influential variables, which could further improve the modeling process. Finally, since the main limitation of the current study is that the models have been trained with data from a single WTP, it is suggested as future work to include data from more corresponding WTPs, in order to increase the robustness of the models and their universal applicability.
     



© Πολυτεχνείο Κρήτης 2012