Long Short-Term Memory for Detection of Inflow and Infiltration Water in Sewer Systems

Abstract

Sikker håndtering av avløpsvann er kritisk for å hindre smitte i samfunnet og forurensning av naturen. Avløpsvannet transporters enten i egne rør eller sammen med overvann i kombinerte løsninger. I Norge består cirka 68% av vannet i avløpssystemet av fremmedvann. Fremmedvann defineres som alt vann tilført renseanlegget som ikke stammer fra avløpsvann. De økte mengdene fører med seg økonomiske konsekvenser i form av; økt energiforbruk til pumpestasjoner, større behov for vedlikehold og større dimensjonsbehov. I tillegg påløper miljømessige konsekvenser som hyppigere og lengre overløp, og ugunstig belastning av renseanlegget. Bransjen har som mål å redusere andelen fremmedvann. For å nå dette målet er det behov for løsninger for å oppdage, lokalisere og reparere fremmedvannspåslipp. En utfordring knyttet til dette arbeidet er å vite hvor man skal lete og hva man skal lete etter. I den oppgaven er hensikten å utnytte kunstig intelligens sammen med pumpedata for å kunne oppdage og lokalisere nye hendelser av fremmedvann.

Oppgaven tar utgangspunkt i fem forskjellige pumpestasjoner i Bergen kommune, hvor informasjon om vannføring, temperatur, tidevannsnivå, sumpnivå og ukedag er gitt. Første steg er en korrelasjonsstudie med hensikt å sjekke hvordan de forskjellige variablene påvirker vannføringen i pumpestasjonene. Deretter blir tre kunstige intelligente modeller av typen Long Short-Term Memory (LSTM) utviklet for å predikere vannføringen basert på de tilgjengelige variablene. Til slutt vurderes det hvorvidt modellen er egnet til å detektere og lokalisere nye fremmedvannspåslipp. LSTM er et nevralt nettverk spesialtilpasset for tidsseriedata hvor modellen kan ta vare på informasjon fra tidligere tidssteg for bruk i prediksjon. Dette gir modellen mulighet til å finne korrelasjoner mellom tidsseriene, også med store tidsforskjeller.

Korrelasjonstudien avdekket varierende korrelasjon mellom de tilgjengelige variablene og vannføring i de forskjellige pumpestasjonene. Nedbør påvirket spesielt i to av stasjonene, men det ble også funnet positive korrelasjoner i de andre. Det ble også funnet økende vannføring i takt med økende tidevannsnivå. Dette kan indikere at tidevann påvirker vannføringen i stor grad, men siden midlere tidevann er høyest på høsten hvor også nedbøren er høyest, er denne korrelasjonen ikke entydig. Av de tre modellene var det den enkle LSTM modellen, som også tok med tidligere vannføring som input, som presterte best. Denne modellen presterte betydelig bedre enn samme modell uten tidligere vannføring som input. Dette indikerer at den beste indikatoren på vannføring er den tidligere vannføringen i de forrige tidsstegene. Gitt en god modell, var idéen å evaluere forskjellene mellom predikert vannføring og faktisk vannføring for å oppdage avvik. Denne modellen ga gode resultater, men siden tidligere vannføring allerede er påvirket av fremmedvann, vil det være vanskelig å oppdage nye hendelser. For videre arbeid kan det være hensiktsmessig å inkludere data om levert drikkevann og grunnvannsnivå, som vil kunne gi bedre prediksjoner.

Safe sewage management is critical in preventing diseases and environmental damage. The wastewater is transported either in separate pipes or together with stormwater in combined solutions. In Norway, approximately 68% of the water in the sewer system consists of inflow and infiltration water, defined as all water entering the wastewater treatment plant not originating from sanitary wastewater. The increased volumes of water have financial consequences in increased energy consumption for pumping stations, greater need for maintenance, and increased dimension requirements. In addition, environmental consequences such as more frequent and more prolonged overflow events and unfavorable loading of the treatment plants is occurring. The Norwegian water industry aims to reduce the total share of inflow and infiltration water by 30% by 2030. This goal requires solutions to detect, locate and repair the sources of inflow and infiltration. A challenge associated with this work is to locate problem areas. This thesis intends to utilize artificial intelligence and pump data to detect and locate inflow and infiltration water.

The thesis investigates data from five different pumping stations in Bergen municipality, providing information on water flow, precipitation, temperature, tidal levels, sump level, and day of the week. First, there is carried out a correlation study that investigates how the different variables affect the water flow. Secondly, three Long Short-Term Memory (LSTM) models are developed to predict the water flow based on the available variables. Finally, the models' suitability for detecting and locating new inflow and infiltration sources are assessed. LSTM is a neural network specially adapted for time series data where the model can store information from previous time steps for use in prediction, enabling the model to remember past data and account for long-term dependencies.

The correlation study revealed a varying correlation between the available variables and water flow in the different pumping stations. Precipitation was particularly affected in two stations, but positive correlations were also found in the others. Tidal level showed a significant correlation with outflow. This correlation is not unambiguous since the highest tidal levels are found in the fall during the period the precipitation is most extensive. The bests performing model was a simple model that also includes the previous outflow as input. This model performed significantly better than the model including all variables except the previous outflow as input. This indicates that the best indicator of outflow is flow in the previous time steps. Given a good model, the idea was to evaluate the differences between predicted flow and actual flow to detect deviations. The best model gave good results, but it is hard to detect new events since the previous outflow is already affected by inflow and infiltration water. It may be wise to include data on delivered drinking water and groundwater levels for further work, which could give better predictions.