Modeling of granular filtration in a water treatment plant using machine learning

Abstract

Å takle dei aukande utfordringane innan vassektoren krev innovative tilnærmin- gar. Ei slik tilnærming er bruk av maskinlæring (ML), ein nøkkelteknologi som er i framvekst. Denne masteroppgåva utforskar bruken av fire ML-algoritmar for å modellere eit granulært filtreringstrinn i eit vassverk. To år med data frå anlegget vart analysert, og følgjande parametrar vart identifisert gjennom ein korrelasjons- analyse for utviklinga av ML-modellane: Innkomande vassføring, farge, turbiditet og pH, og utgåande turbiditet og farge. Dei fire ML-modellane som vart brukt i dette prosjektet var Multivariat Lineær Regresjon (MLR), XGBoost, Multi Layer Perceptron (MLP) og Random Forest (RF). Av desse overgjekk XGBoost dei an- dre modellane i å predikere utgåande turbiditet, med ein R2 på 0.94, MAE på 0.10, og RMSE på 0.58. Resultata frå denne studien kan bidra til utviklinga av ein digital tvilling ved å gi ein robust modell for vassbehandling med eit granulært filter. Vidare kan funna betre forståinga vår av vassbehandlingsmodellering og gi verdifulle innsikter for operasjonell optimalisering og langsiktig planlegging i vassverk.

Addressing the increasing challenges within the water sector requires innovative approaches. One such approach is the application of Machine Learning (ML), a key emerging technology. This project explores the use of four ML approaches to model a granular filtration unit in a water treatment plant. Two years of data from the plant were analyzed, and the following parameters were identified through a correlation analysis for the development of the ML models: influent flow, color, turbidity and pH, and effluent turbidity and color. The four ML models used in this project were Multivariate Linear Regression (MLR), XGBoost, Multi Layer Perceptron (MLP), and Random Forest (RF). Among these, XGBoost outperformed the other models in predicting effluent turbidity, with an R2 of 0.94, MAE of 0.10, and RMSE of 0.58. The results of this study can contribute to the development of a digital twin by providing a robust model for granular filtration treatment. Furthermore, the findings can enhance our understanding of water treatment modeling and provide valuable insights for operational optimization and long-term planning in water treatment plants.