Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Künstliche Neuronale Netze in Flockungsprozessen - Kostenoptimierung durch effizientere Steuerung
Auf Basis vorhandener Daten konnten erfolgreich Künstliche Neuronale Netze (KNN) zur Vorhersage der Trübung im Ablauf der Sedimentationsstufe in Abhängigkeit der Rohwasserqualität und der Flockungsmittelmenge mit einer mittleren Genauigkeit von 0,1 FNU trainiert und im Online-Betrieb validiert werden. Aufbauend auf den Vorhersagen aus der Trübungsmodellierung wurde eine Optimierungsstrategie zur Anpassung der Flockungsmitteldosierung auf Basis einer Kostenfunktion unter Berücksichtigung der Prozesse und Kosten bei der Flockung, Sedimentation und Filtration entwickelt. Aufgrund von vorliegenden Prozessdaten des Wasserwerks wurde das Optimierungspotenzial unter Anwendung des KNN zur Vorhersage der Trübung nach Sedimentation sowie eines Regressionsmodells zur Vorhersage der Filterlaufzeit in Abhängigkeit vom Durchsatz und der prognostizierten Ablauftrübung nach Sedimentation auf etwa 10 % Kosteneinsparung abgeschätzt. Ein solches Optimierungssystem unterstützt die Betreiber von Wasserwerken, Soll- und Grenzwerte bei gleichzeitiger Minimierung der Aufbereitungskosten sicher einzuhalten, da es in der Lage ist, auf veränderte Rohwassersituationen schnell mit der Berechnung neuer Betriebseinstellungen zu reagieren. Aufgrund bestehender Erfahrungen amortisiert sich die Investition ab einer Aufbereitungsmenge von etwa 10 bis 15 Mio m3/a in weniger als 3 Jahren. Die Vorgehensweise bei der Parameterauswahl, des Trainings des KNN und der Betriebsoptimierung bei Minimierung der Kosten ist auf vergleichbare Wasserwerke übertragbar.
Künstliche Neuronale Netze in Flockungsprozessen - Kostenoptimierung durch effizientere Steuerung
Auf Basis vorhandener Daten konnten erfolgreich Künstliche Neuronale Netze (KNN) zur Vorhersage der Trübung im Ablauf der Sedimentationsstufe in Abhängigkeit der Rohwasserqualität und der Flockungsmittelmenge mit einer mittleren Genauigkeit von 0,1 FNU trainiert und im Online-Betrieb validiert werden. Aufbauend auf den Vorhersagen aus der Trübungsmodellierung wurde eine Optimierungsstrategie zur Anpassung der Flockungsmitteldosierung auf Basis einer Kostenfunktion unter Berücksichtigung der Prozesse und Kosten bei der Flockung, Sedimentation und Filtration entwickelt. Aufgrund von vorliegenden Prozessdaten des Wasserwerks wurde das Optimierungspotenzial unter Anwendung des KNN zur Vorhersage der Trübung nach Sedimentation sowie eines Regressionsmodells zur Vorhersage der Filterlaufzeit in Abhängigkeit vom Durchsatz und der prognostizierten Ablauftrübung nach Sedimentation auf etwa 10 % Kosteneinsparung abgeschätzt. Ein solches Optimierungssystem unterstützt die Betreiber von Wasserwerken, Soll- und Grenzwerte bei gleichzeitiger Minimierung der Aufbereitungskosten sicher einzuhalten, da es in der Lage ist, auf veränderte Rohwassersituationen schnell mit der Berechnung neuer Betriebseinstellungen zu reagieren. Aufgrund bestehender Erfahrungen amortisiert sich die Investition ab einer Aufbereitungsmenge von etwa 10 bis 15 Mio m3/a in weniger als 3 Jahren. Die Vorgehensweise bei der Parameterauswahl, des Trainings des KNN und der Betriebsoptimierung bei Minimierung der Kosten ist auf vergleichbare Wasserwerke übertragbar.
Künstliche Neuronale Netze in Flockungsprozessen - Kostenoptimierung durch effizientere Steuerung
Artificial neural networks for cost-optimized flocculation process control
Strugholtz, Silke (Autor:in) / Mälzer, Hans-Joachim (Autor:in) / Gimbel, Rolf (Autor:in) / Gebhardt, Jörg (Autor:in) / Zach, Winfried (Autor:in)
Das Gas- und Wasserfach. Ausgabe Wasser, Abwasser ; 151 ; 286-293
2010
8 Seiten, 6 Bilder, 2 Tabellen, 17 Quellen
Aufsatz (Zeitschrift)
Deutsch