Korrelationsutvärdering av lustgasutsläpp på Klagshamns ARV med hjälp av neurala nätverk

Sammanfattning

Utsläpp av lustgas från avloppsreningsverk (ARV) utgör en betydande klimatpåverkan och är starkt kopplade till utökad biologisk kväveavskiljning. Syftet med detta arbete har varit att analysera sambanden mellan processparametrar och lustgasutsläpp vid Klagshamns av-loppsreningsverk samt att undersöka hur datadriven modellering kan användas som stöd för driftoptimering. Inledningsvis genomfördes en korrelationsanalys där både linjära och monotona samband mellan processvariabler och lustgasutsläpp studerades. En central del av analysen var att införa tidsförskjutningar baserade på hydraulisk uppehållstid, vilket visade sig avgörande för att erhålla processrelevanta samband. Flera kopplingar framträdde först när hänsyn togs till transporttiden genom systemet. Därefter utvecklades en sekventiell maskininlärningsmodell där aktivslamanläggningens varje zon representerades separat samtidigt som kopplingar mellan zonerna beaktades. Mo-dellen användes som differentiabel komponent i en gradientbaserad optimering, vilket möj-liggjorde simulering av hur förändrad luftning påverkar både lustgasutsläpp och utgående ammonium. Utöver den egna analysen bedrevs ett samarbete med Cobalt Water Global som utvecklat en tillämpad modell av liknande typ. Även resultaten från denna pekade i samma riktning som de egna. Det samlade resultatet är att den nuvarande driften vid Klagshamns ARV sannolikt befinner sig på den höga sidan av det luftningsintervall som minimerar lustgasutsläpp, och att en mer restriktiv luftningsstrategi förefaller möjlig utan att äventyra reningsresultatet. Samtidigt utgör begränsningarna i datamängden, särskilt det i princip konstanta syrebörvärdet under perioden, en grundläggande restriktion. Modellen kan vägleda riktning men inte fastställa optimal driftpunkt. Arbetet visar att kombinationen av statistiska metoder och maskininlärning utgör ett värde-fullt verktyg för att förstå komplexa avloppsprocesser, samtidigt som det tydliggör behovet av systematiskt varierad driftdata för att sådana metoder ska kunna ge robust beslutsstöd i praktiken.