Optimizing Coagulation in Wastewater Treatment: An Application of LSTM Machine Learning and Sensor Adjustments at Åse WWTP in Ålesund

Abstract

Denne masteroppgaven undersøker bruk av maskinlæring med Long Short-Term Memory (LSTM) og sensorjusteringer for å forbedre koaguleringsprosessene ved Åse renseanlegg (RA4) i Ålesund, Norge. Forskningen fokuserer på å optimalisere doseringen av PAX-33 og polymer (Superfloc A-1883) for effektiv fjerning av forurensninger og vurderer nytten av sensorer for sanntidsovervåking og justering av kjemiske doser.

En omfattende analyse av de eksisterende prosessene, utstyret og infrastrukturen på Åse WWTP ble utført. Ved å bruke driftslogger og sensordata fra anlegget ble variabler som påvirker den kjemiske renseprosessen identifisert. En LSTM-modell ble deretter trent og validert på disse dataene for å predikere og optimalisere doser av PAX og polymer under varierende forhold.

Resultatene viser at LSTM-modellen, sammen med sensorjusteringer, betydelig forbedrer effektiviteten av koagulerings- og flokkuleringsprosessen. LSTM-modellen oppnår en prediksjonsnøyaktighet på 94,4% for PAX-33 og 77,2% for polymer doseringer. Videre viser implementering av avanserte flerparametersensorer forbedring i disse prediksjonsnøyaktighetene og legge grunnlaget for et helautomatisert doseringssystem, noe som fører til en effektiv renseprosess, reduserte kostnader og lavere utslipp.

Økonomisk sett, med tanke på en avløpssensors levetid på 5 til 10 år, gir nettonåverdien (NPV) over en 10-års periode et estimat på 1 MNOK, gitt en årlig besparelse på 140 000 NOK, en opprinnelig investering på 165 000 NOK, og en diskonteringsrente på 3%. Denne positive NPV indikerer at prosjektet vil gi nettogevinst over denne perioden, spesielt med tanke på den potensielle 10% årlige kjemiske besparelsen fra opptimaliseringen.

Oppgaven bidrar med verdifulle innsikter for avløpsvannbehandlingsindustrien og understreker fordelene ved å utnytte maskinlæring og sensorjusteringer for å optimalisere avløpsvannbehandlingsprosesser. Den markerer et skritt fremover i søket etter innovative løsninger for å forbedre ytelsen til avløpsrenseanlegg over hele verden, og fremmer dermed bærekraft og motstandsdyktighet for urbane vannsystemer på lang sikt.

This master's thesis investigates the use of Long Short-Term Memory (LSTM) machine learning and sensor adjustments for enhancing the coagulation processes at the Åse wastewater treatment plant (RA4) in Ålesund, Norway. Focusing on optimizing the dosage of PAX-33 and polymer (Superfloc A-1883) for effective contaminant removal, the research evaluates sensor utility for real-time monitoring and adjustment of chemical dosages.

A comprehensive analysis of the Åse WWTP's existing processes, equipment, and infrastructure was performed. By using plant operational records and sensor data, variables influencing the chemical clarification process were identified. An LSTM model was then trained and validated on this data to predict and optimize PAX and polymer dosages under varying conditions.

The results demonstrate that the LSTM model, in tandem with sensor adjustments, significantly enhances the efficiency of the coagulation and flocculation process. The LSTM model achieves prediction accuracies of 94.4% for PAX-33 and 77.2% for polymer dosages. Furthermore, implementing advanced multi-parameter sensors promises to improve these prediction accuracies and set the stage for a fully automated dosing system, leading to an efficient treatment process, reduced costs, and lower emissions.

Financially, considering a wastewater sensor's lifespan of 5 to 10 years, the Net Present Value (NPV) over a 10-year period yields an estimated 1 MNOK, given an annual saving of 140,000 NOK, an initial investment of 165,000 NOK, and a discount rate of 3%. This positive NPV indicates that the project would provide net benefits over this period, especially considering the potential 10% annual chemical saving from the optimization.

The thesis contributes valuable insights for the wastewater treatment industry and underlines the benefits of leveraging machine learning and sensor adjustments to optimize wastewater treatment processes. It signifies a step forward in the quest for innovative solutions to enhance the performance of wastewater treatment plants worldwide, thereby promoting long-term sustainability and resilience of urban water systems.