Statistička analiza i modeliranje neuronskom mrežom procesa obrade komunalne vode

diplomski rad

• Naslov (engleski): Statistical analysis and naural network modelling of sewer wastewater biological treatment
• Autor: Anita Bevetek
• Mentor: Želimir Kurtanjek (mentor)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prehrambeno-biotehnološki fakultet; (Zavod za procesno inženjerstvo); (Laboratorij za mjerenje, regulaciju i automatizaciju); Zagreb
• Datum i država obrane: 2005-07-08, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: BIOTEHNIČKE ZNANOSTI; Biotehnologija

Sažetak

Obrada otpadne vode s aktivnim muljem izrazito je složen proces, a nestalnost sastava i protoka otpadne vode te vremenski promjenjive reakcije mikroorganizama uvjetuju njegovu nelinearnost i dinamičnost. S tim u skladu i njegovo je optimalno vođenje otežano, ali pravilno izrađeni model mogao bi poslužiti kao rješenje problema. Stoga je u ovom radu izrađeno nekoliko modela za opis tog procesa na uređaju grada Velika Gorica ("Velkom"), a s ciljem predviđanja KPK vrijednosti efluenta. Izrađeni su modeli: viševarijantni linearni model sa 16 varijabli, model lokalne linearne regresije sa 17 varijabli te model RBF neuronske mreže sa 18 varijabli. Kao najuspješniji u predviđanju ponašanja procesa (korelacija 0,83) pokazao se RBF model, kojim su utvrđeni i optimalni uvjeti za vođenje procesa (protok 120 - 145 L/s i suha tvar biomase aktivnog mulja 2,5 - 4 kg/m³).

Sažetak (engleski)

Activated sludge wastewater treatment is a highly complex process, and variations in wastewater flow rate and its composition, combined with time-varying reactions of microorganisms, make this process non-linear and dynamic. Due to this fact, process control is very sensitive but a proper model could present a solution for this problem. In this paper several models have been tested for prediction of COD in effluent of wastewater treatment plant "Velkom" in Velika Gorica. Proposed models are: Multivariate Linear Regression model (MLR) with 16 predictor variables included, Piecewise Linear Regression model (PLR) with 17 predictor variables and RBF Neural Network model (RBF NN) with 18 predictor variables included. Analysis of results show most successful prediction of process behaviour by RBF NN, with correlation 0,83, which is then used for estimating optimal operative conditions (wastewater flow rate should be in range 120-145 L/s and concentration of activated sludge dry matter between 2,5 – 4 kg/m³).

• Ključne riječi: komunalne vode; KPK; modeliranje; neuronske mreže
• Ključne riječi (engleski): COD; modelling; neural network; sewer wastewater
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:159:121423
• Studijski program: Naziv: Biotehnologija; smjerovi: Biokemijsko inženjerstvo; Smjer: Biokemijsko inženjerstvo; Vrsta studija: sveučilišni; Stupanj studija: dodiplomski; Akademski / stručni naziv: diplomirani inženjer biotehnologije; smjer biokemijsko inženjerstvo (dipl. ing. bioteh.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Pristup korisnicima matične ustanove
• Datum i vrijeme pohrane: 2017-09-11 09:32:31