Waternet

Van rioolwater drinkwater maken: Waternet doet ‘t. Onze data-experts helpen het waterschap om hun rioolzuiveringsinstallatie te optimaliseren. Zo minimaliseren we het energieverbruik en de uitstoot van schadelijke stoffen. We zijn verantwoordelijk voor alle Data Science en Artificial Intelligence van Waternet, wat heel uiteenlopend kan zijn: van herten herkennen en tellen op drone-beelden tot de werkwijze professionaliseren. Dit laatste doen we door een solide platform en werkproces in de Azure cloud in te richten. In de whitepaper hiernaast lees je meer over het project bij Waternet.

AI VOOR RIOOLWATERZUIVERING.

Voor een rioolwaterzuiveringsinstallatie (RWZI) in Amsterdam West wil Waternet onderzoeken hoe de besturing geoptimaliseerd kan worden met als doel het minimaliseren van energieverbruik en uitstoot van schadelijke stoffen als nitraat en ammonium. 

Het eerste deelproject beslaat het bepalen van het energieverbruik van 7 deelstraten van de RWZI. De situatie is als volgt: er zijn 6 grote luchtcompressors die lucht pompen door 7 straten, waarbij alle buizen met elkaar verbonden zijn en gecontroleerd worden met kleppen. De lucht wordt door rioolslib gepompt als onderdeel van het zuiveringsproces. Het energieverbruik van de 6 luchtcompressors kan worden gemeten, maar het is onbekend hoeveel lucht naar elke straat gaat en dus welk aandeel elke straat heeft in het totale energieverbruik. 

Elk van de 7 straten bevat een air flow sensor die de hoeveelheid lucht die erdoorheen stroomt meet. Helaas is slechts één daarvan zodanig geïnstalleerd dat de metingen betrouwbaar zijn. De probleemstelling is nu: 

  • Bepaal voor elke straat de air flow (voorspellingen worden elke minuut geüpdatet). 
  • Leidt hieruit het energieverbruik af van elke straat, gebruikmakend van het totale energieverbruik.
  • In een volgend deelproject zal gekeken worden naar reductie van het energieverbruik d.m.v. verbeterde besturing. 

PROBLEEM

OPLOSSING

Eén air flow sensor is wel betrouwbaar. De overige helaas niet. Air flow-metingen van de wél goed werkende sensor zijn gebruikt als trainingsdata voor de ontwikkeling van een model dat air flow-waarden voor de overige zes straten inschat, ter vervanging van de sensoren. 

Het model is een deep neural network gebouwd in Tensorflow. De modelvoorspellingen worden d.m.v. Flask ontsloten via een API, gehost in Azure. Hierdoor kunnen deze (near) real-time opgevraagd worden en weer ingeladen in de eigen databases. 

Het project heeft op drie manieren waarde geleverd: 

  • Aangezien het vervangen of corrigeren van slecht functionerende sensoren een zeer kostbare operatie zou zijn, is het fijn dat deze kosten bespaard kunnen blijven door het gebruik van modellen. 
  • Daarnaast worden de modelwaarden voor air flow en energieverbruik nu gebruikt door ingenieurs en analisten om inzicht te krijgen in de beluchtingsprocessen van de RWZI. 
  • Ook is het model een essentieel onderdeel voor het vervolgproject, waarin geoptimaliseerde aansturing van de RWZI wordt onderzocht. 

RESULTAAT

Gerelateerd artikel

Gladheid op het spoor

| Transport | No Comments
Twee maanden geleden was Nederland veranderd in een winterwonderland. We hadden eindelijk weer de kans om heerlijk te schaatsen, sneeuwballen…