TECNOLOGÍA

VER TODASSeguir leyendo...

16/12/2021

Cómo mejorar el control operacional de las EDARs con técnicas de «machine learning»

Una investigación becada por la Cátedra Aguas de Valencia ha propuesto un sistema de alerta temprana basado en el uso de técnicas de machine learning, que avisa sobre la disrupción del sistema biológico en las EDAR tras el ingreso de vertidos con alta carga de contaminantes y, así, recuperar antes el proceso biológico y mejorar el control operacional de la EDAR.



AUTOR: Cátedra Aguas de Valencia

RUVID IIAMA UPV MACHINE LEARNINGEste es el principal resultado obtenido por Paola Yllanes Fernández en su Trabajo Final de Máster, Aplicación de técnicas de machine learning para el aprovechamiento de los datos de la planta piloto del proyecto LIFE BactiWater, dirigido por el investigador del IIAMA-UPV (Instituto de Ingeniería del Agua y Medio Ambiente de la Universitat Politècnica de València), Daniel Aguado, y por Feliu Sempere, técnico de Global Omnium del departamento de I+D+i de Aguas Residuales.

 

La investigación busca anticiparse a las condiciones transitorias que afectan la operación de las EDAR y, de este modo, alertar cuando haya un ingreso de contaminantes elevado que pueda afectar negativamente al proceso biológico de depuración del agua o interrumpir por completo el proceso, para que se pueda actuar lo antes posible y así minimizar su impacto en la EDAR.

 

“Estos incidentes inesperados pueden ser causados por eventos extremos, accidentes o vertidos no autorizados sobre en el sistema de saneamiento y son más frecuentes de lo que creemos. Solo a nivel local, la Entidad Pública de Saneamiento de Aguas Residuales (EPSAR) identificó 3,503 incidentes en el año 2019, es decir, 9 incidentes al día”, sostiene Paola Yllanes.

 

Por ello, y como parte de los trabajos que se han desarrollado en el proyecto LIFE BACTIWATER, Paola ha aplicado técnicas de machine learning para interpretar y clasificar tanto los resultados de las muestras analizadas en el laboratorio como los datos de sensores de la planta piloto en tiempo real.

 

“De forma complementaria al sistema de alerta temprana, mi estudio buscaba predecir de forma anticipada la concentración de amonio y nitrato en el reactor aerobio de la planta piloto, donde se llevaron a cabo las experiencias del proyecto a escala demostrativa entre los meses de enero y junio del 2019”, expone la estudiante becada por la Cátedra.

 

Trabajo desarrollado y objetivos

 

Concretamente el trabajo realizado por Paola ha consistido en recopilar información bibliográfica y el estado del arte sobre el efecto de vertidos en los procesos biológicos, técnicas de monitorización y de machine learning para la detección de eventos anómalos. Posteriormente, ha evaluado la evolución de los procesos biológicos en la planta piloto de diferentes vertidos.

 

Asimismo, ha aplicado técnicas de aprendizaje automático para agilizar la interpretación de los datos de laboratorio, concretamente la técnica de K-Means Clustering. Paralelamente ha desarrollado modelos de predicción de nitrato (NO3–) y amonio (NH4+) en el efluente, aplicando técnicas de redes neuronales (Multi-Layer Perceptron . MLP) y máquinas de soporte vectorial (Support Vector Machine – SVM).

 

Todo con un objetivo: recuperar con la mayor brevedad y menor coste operativo los sistemas biológicos tras recibir el ingreso de contaminantes en gran concentración.

 

“Las técnicas de machine learning procesan los datos recogidos en tiempo real para extraer información valiosa que permite mejorar la toma de decisiones, basada en los datos actualizados del proceso y además permite anticiparnos al futuro. Con los datos de la planta desarrollamos un sistema de monitorización que nos indica si la planta funciona correctamente o no, y unos algoritmos para conocer su estado en tiempo real y predecir en tiempo futuro la calidad que se espera del afluente en la próximas 4 u 8 horas, pudiendo conocer de manera anticipada la posibilidad de vertidos”, indica Paola Yllanes.

 

De hecho, al analizar una serie de datos históricos y aplicar estos algoritmos de machine learning, se establecen relaciones numéricas que permiten agrupar los parámetros de diferentes muestras, clasificar la información y predecir parámetros de interés.

 

“En definitiva, un mejor control operacional de las EDAR se traduce en una mejor calidad del efluente y, por tanto, una disminución del impacto negativo en el medio ambiente y en la salud pública”, concluye resaltando Paola Yllanes. 


Compartir:
Imprimir Imprimir

VER TODASSeguir leyendo...




Red de Universidades Valencianas para el fomento de la I+D+i (RUVID) - C/ Serpis 29 - Edificio INTRAS - 2ª planta - 46022 - Valencia - España
Teléfono: +34 9616 254 61 - Correo Electrónico: comunicacion @ ruvid.org - Web: www.ruvid.org - Código ISSN: 1988-8155 - Política Protección de Datos