ПОВЫШЕНИЕ ЭФФЕКТ ИВНОСТИ ФУНКЦИОНИРОВАНИЯ СИСТЕМ УПРАВЛЕНИЯ ПРОЦЕССАМИ ВОДОПОДГОТОВКИ

УДК 621.3.011.712

 

Гринюк Дмитрий Анатольевич – кандидат технических наук, доцент, доцент кафедры автоматизации производственных процессов и электротехники. Белорусский государственный технологический университет (220006, г. Минск, ул. Свердлова, 13а, Республика Беларусь). Е-mail: hryniukda@gmail.com

Олиферович Надежда Михайловна – старший преподаватель кафедры автоматизации произ-водственных процессов и электротехники. Белорусский государственный технологический университет (220006, г. Минск, ул. Свердлова, 13а, Республика Беларусь). Е-mail: oliferovich@belstu.by

Сухорукова Ирина Геннадьевна – старший преподаватель кафедры программной инженерии. Белорусский государственный технологический университет (220006, г. Минск, ул. Свердлова, 13а, Республика Беларусь). Е-mail: irina_x@rambler.ru

Оробей Игорь Олегович – кандидат технических наук, доцент, доцент кафедры автоматизации производственных процессов и электротехники. Белорусский государственный технологический университет (220006, г. Минск, ул. Свердлова, 13а, Республика Беларусь). Е-mail: orobei@tut.

 

DOI: https://doi.org/ 10.52065/2520-6141-2024-284-10.

 

Ключевые слова: системы управления, водоподготовка, оптимальное дозирование.

Для цитирования: Гринюк Д. А., Олиферович Н. М., Сухорукова И. Г., Оробей И. О. Повышение эффективности функционирования систем управления процессами водоподготовки // Труды БГТУ. Сер. 3, Физико-математические науки и информатика. 2024. № 2 (284). С. 70–79. DOI: 10.52065/2520-6141-2024-284-10.

Аннотация

В статье проводится анализ современных информационных технологий в системах водоподготовки. Указываются особенности использования современных технологий обработки информации, которые широко применяются в данных процессах. Наибольшее внимание уделяется использованию систем искусственного интеллекта, особенно на базе нейронных систем. Применениеданного подхода обусловлено не только отсутствием решения проблем водоподготовки, но и появлением новых: учет экономических задач при проектировании и работе, уменьшение выбросов в атмосферу и т. д. Развитие технологий компьютерного моделирования позволило на новом уровне решать актуальные задачи проектирования, построения и эксплуатации. Данное направление в системах водоподготовки характеризуется использованием большого круга готовых программных продуктов. Технологии Building Information Model также находят широкое применение при проектировании и эксплуатации очистных сооружений. Они дают возможность обеспечивать качество, уменьшать влияние работы неквалифицированных кадров; экономить ресурсы; уменьшать время ввода в эксплуатацию; тестировать стрессовые ситуации; координировать работу служб. Отдельное внимание уделено узкому направлению применения информационных технологий для получения моделей и построения систем управления оптимальной дозировки реагентов. Решение данной проблемы невозможно без информационного обеспечения систем управления. В системах оптимизации дозирования основное внимание акцентируется на использовании пробной коагуляции, времени фильтрации, времени капиллярного всасывания, контроле вязкости, электрокинетических свойств, проводимости. Рассматриваются структура управления по модели для системы дозирования, а также следящая система.

Скачать

Список литературы

  1. Advances in Knowledge Discovery and Data Mining, American / U. M. Fayyad [et al.]. Cambridge, MA, USA: AAAI Press, 1996. 611 p.
  2. Thuraisingham B. Data Mining: Technologies, Techniques, Tools, and Trends. Boca Raton, FL: CRC Press, 1998. 288 p.
  3. Chau K.W. A review on integration of artificial intelligence into water quality modeling // Marine Pollution Bulletin. 2006. Vol. 52. P. 726–733.
  4. Koroteev D., Tekic Z. Artificial intelligence in oil and gas upstream: Trends, challenges, and scenarios for the future // Energy AI, 2021. Vol. 3. P. 100041. DOI: 10.1016/j.egyai.2020.100041.
  5. Lee D. S., Park J. M. Neural network modeling for on-line estimation of nutrient dynamics in a sequentially-operated batch reactor // Journal of Biotechnology. 1999. Vol. 75. P. 229–239.
  6. Evaluation of the energy efficiency of a large wastewater treatment plant in Italy / D. Panepinto [et al.] // Applied Energy. 2016. Vol. 161. P. 404–411.
  7. Energy feasibility study of sludge pretreatments. A review / R. Cano [et al.] // Applied Energy. 2015. Vol. 149. P. 176–185. DOI: 10.1016/j.apenergy.2015.03.132.
  8. Minimization of sludge production by a side-stream reactor under anoxic conditions in a pilot plant / M. Coma [et al.] // Bioresource Technology. 2013. Vol. 129. P. 229–235.
  9. Optimization of the wastewater treatment plant: From energy saving to environmental impact itigation / S. Borzooei [et al.] // The Science of the Total Environment. 2019. Vol. 691. P. 1182–1189.
  10. A performance indicators system for urban wastewater treatment plants / S. Quadros [et al.] // Water Science and Technology. 2010, Vol. 62. P. 2398–2407. DOI: 10.2166/wst.2010.526.
  11. Fang F., Ni B. J., Yu H. Q. Estimating the kinetic parameters of activated sludge storage using weighted non-linear least-squares and accelerating genetic algorithm // Water Research. 2009. Vol. 43. P. 2595–2604. DOI: 10.1016/j. watres.2009.01.002.
  12. Wu Y., Liu S. Automating calibration, sensitivity and uncertainty analysis of complex models using the R package Flexible Modeling Environment (FME): SWAT as an example // Environmental Modelling and Software. 2012. Vol. 31. P. 99–109. DOI: 10.1016/j.envsoft.2011.11.013.
  13. Kim D., Bowen J. D., Ozelkan E. C. Optimization of wastewater treatment plant operation for greenhouse gas mitigation // Journal of Environmental Management. 2015. Vol. 163. P. 39–48.
  14. Lal B., Nallakukkala S. Gas Hydrate in Water Treatment: Technological, Economic, and Industrial Aspects. NJ, USA, Hoboken: John Wiley & Sons; 2022. 325 p.
  15. Optimal experimental design and artificial neural networks applied to the photochemically enhanced Fenton reaction / S. Göb [et al.] // Water Science and Technology. 2001. Vol. 44. P. 339–345.
  16. Lek S., Guiresse M., Giraudel J. L. Predicting stream nitrogen concentration from watershed features using neural networks // Water Research. 1999. Vol. 33. P. 3469–3478.
  17. Maier H. R., Morgan N., Chow C. W. K. Use of artificial neural networks for predicting optimal alum doses and treated water quality parameters // Environmental Modelling and Software. 2004. Vol. 19. P. 485–494. DOI: 10.1016/ S1364-8152(03)00163-4.
  18. Alex J. Simulationsplattform zum integrierten Prozess- und Automatisierungsentwurf von Abwassersystemen // Automatisierungstechnik. 2015. Vol. 63 (7). P. 553–563.
  19. Drath R., Weber P., Mauser N. An evolutionary approach for the industrial introduction of virtual commissioning // IEEE Symposium on Emerging Technologies and Factory Automation, Hamburg, Germany, 2008. P. 5–8. DOI: 10.1109/ETFA.2008.4638359.
  20. Virtual commissioning of manufacturing systems a review and new approaches for simplification / P. Hoffmann [et al.] // 24th European Conference on Modelling and Simulation, Kuala Lumpur, 2010. P. 175–181. DOI: 10.7148/2010-0175-0181.
  21. The use of process simulation models in Virtual commissioning of process automation software in drinking water treatment plants / G. I. M. Worm [et al.] // Water Science & Technology: Water Supply. 2013. Vol. 13. P. 1331. DOI: 10.2166/ws.2013.131. 22. Wolf G., Pfeffer A. Integrierte virtuelle Inbetriebnahme // Atp Magazin. 2015. Vol. 57 (01-02). P. 68–79. DOI: 10.2166/ws.2013.131.
  22. Kim M., Nakhla G., Keleman M. Modeling the impact of food wastes on wastewater treatment plants // J. of Environmental Management. 2019. Vol. 237. P. 344–358.
  23. Comparison on biological nutrient removal and microbial community between full-scale an-aerobic/ anoxic/aerobic process and its upgrading processes / K. Wang [et al.] // Bioresource Technology. 2023. Vol. 374. P. 128757. DOI: 10.1016/j.biortech.2023.128757.
  24. How inoculation affects the development and the performances of microalgal-bacterial consortia treating real municipal wastewater / S. Petrini [et al.] // J. of Environmental Management. 2020. Vol. 263. P. 110427. DOI: 10.1016/j.jenvman.2020.110427.
  25. Inoculum mixture optimization as strategy for to improve the anaerobic digestion of food waste for the methane production / B. Parra [et al.]// J. of Environmental Chemical Engineering. 2018. Vol. 6. P. 1529–1535. DOI: 10.1016/j.jece.2018.01.048.
  26. Comprehensive evaluation of starter culture impact on the bioreactor performance and microbialkinetics / E. Demirkaya [et al.] // Biochemical Engineering J. 2021. Vol. 177. P. 108233.
  27. An inoculum for the aerobic treatment of wastewaters with high concentrations of fats and oils / K. Tano-Debrah // Bioresource Technology. 1999. Vol. 69 (2). P. 133–139.
  28. Magdi S. M. Coordinated Control of Waste Water Treatment Process // Lecture Notes in Engineering and Computer Science. 2010. Vol. 90. P. 515–528. DOI: 10.1007/978-94-007-1192-1_41.
  29. Ani V. A. Process Modelling and Simulation of a Simple Water Treatment Plant // International Journal of Intelligent Systems and Applications in Engineering. 2016. Vol. 4 (4). P. 84–94.
  30. Dentel S. K., Abu-Orf M. M., Walker C. A., Optimization of slurry flocculation and dewatering based on electrokinetic and rheological phenomena // Chem. Eng. J. 2000. Vol. 80. P. 65–72.
  31. Zhao Y. Q. Correlation between floc physical properties and optimum polymer dosage in alum sludge conditioning and dewatering // Chem. Eng. J. 2003. Vol. 92. P. 227–235.
  32. Zhao Y. Q., Papavasilopoulos E. N., Bache D. H. Clogging of filter medium by excess polymer during alum sludge filtration // Filtration & Separation. 1998. Vol. 35 (10). P. 947–950.
  33. Wu C. C., Huang C., Lee D. J. Effects of polymer dosage on alum sludge dewatering characteristics and physical properties // Colloids Surf. A: Physicochem. Eng. Aspects. 1997. Vol. 122. P. 89–94. DOI: 10.1016/S0927-7757(97)00006-X.
  34. Oliferovich N., Hryniuk D. Orobei I. Measuring the speed of capillary soaking with adaptation regarding coordinates // Open Conference of Electrical, Electronic and Information Sciences (eStream). Vilnius, Lithuania, 2015. P. 1–4.
  35. Bache D.H., Papavasilopoulos E. N. On the role of aluminium hydroxide the conditioning of an alum sludge // Water Sci. Technol. 1998. Vol. 38 (2). P. 33–40.
  36. Bache D. H., Papavasilopoulos E. N. Viscous behavior of sludge centrate in response to polymer conditioning // Water Res. 2000. Vol. 34 (1). P. 354–358.
  37. Automatic control of polymer dosage using streaming potential for waterworks sludge conditioning / S. Byun [et al.] // Separation and Purification Technology. 2007. Vol. 57 (2). P. 230–236.
  38. Pyrite activated peroxymonosulfate combined with as a physical-chemical conditioner modified biochar to improve sludge dewaterability: analysis of sludge floc structure and de-watering mechanism / W. Gao // Environmental Science and Pollution Research. 2022. Vol. 29 (49). P. 74725–74741. DOI: 10.1007/s11356-022-21074-4.
  39. Electrokinetic Converter using AN Unsteady Shift: A Quantitative Model / D. Hryniuk [et al.] // Open Conference of Electrical, Electronic and Information Sciences (eStream). Vilnius, Lithuania, 2019. P. 1–4.
  40. Преобразователи электрокинетического потенциала гидродисперсных систем / Н. М. Богослав [и др.] // Известия ТулГУ. Технические науки. Вып. 3. Тула: Изд-во ТулГУ, 2011. С. 106–110.
  41. Hernandez H. L., Lann M. V. Development of a neural sensor for on-line prediction of coagulant dosage in a potable water treatment plant in the way of its diagnosis // In Advances in Artificial Intelligence- IBERAMIA-SBIA. Berlin; Heidelberg: Springer, 2006. P. 249–257.
  42. Teefy S., Farmerie J., Pyles E. Jar test // Operational Control of Coagulation and Filtration Processes. Third ed. Denver, CO: American Water Works Association, 2011. P. 17–58.
  43. Sheng D. P. W., Bilad M. R., Shamsuddin N. Assessment and optimization of coagulation process in water treatment plant: A Review // ASEAN J. of Science and Engineering. 2023. Vol. 3 (1). P. 81–100.

Поступила после доработки 25.04.2024