深層学習を用いた浄水処理の凝集プロセス自律制御手法の開発

利用深度学习开发净水混凝过程自主控制方法

• 批准号: 22K04382
• 负责人: 鈴木 昭弘
• 金额: $ 1.33万
• 依托单位: Hokkaido University of Science
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K04382/
• 关键词: 浄水処理; 深層学習; フロック; 凝集; 回帰予測; 予測

2022年度は小型凝集装置から凝集中のフロックの画像を取得し、これをデータセットとして凝集沈殿後の濁度の回帰予測を行う深層学習モデルの作成を行った。学習に用いる深層学習モデルとしてResNetをファインチューニングした回帰予測用のモデルを作成した。モデルには画像のみを入力とするモデルと、pH・濁度・温度などの化学的なパラメータも入力するモデルを用意した。また、データセットの作成のために小型凝集装置から連続的にデータを取得し蓄積を行うことができる仕組みを作成した。今回の実験では比較的水質の変化が穏やかな2022年1月から2022年3月までのデータと、水質の変化が大きい2022年4月から2022年6月を対象とした。実験の結果、(1)小型凝集装置から取得したフロックの画像と作成した学習モデルによって、凝集沈殿後の濁度を回帰予測可能であることがわかった、(2)フロックを撮影した画像の疎密を平均化するために画像合成が有効であることがわかった、(3)作成したモデルは学習に用いなかった未知の84%以上のデータについて、0.5度以下の誤差で予測可能であることがわかった、(4)同様に50%以上のデータが0.25度以下の誤差で予測可能であることがわかった、(5)画像のみを入力とするモデルと化学的なパラメータも含めたモデルでは、化学的なパラメータを用いたモデルのほうが3%から4%ほど高い精度で予測可能であることがわかった。凝集剤の注入量の最適化を行うためには0.25度以下で90%以上のデータが予測可能であることが望ましく、現在はその精度に達することができないことが課題となっている。これは取得したデータセットが不十分である可能性が高いと考えている。一方で自律制御だけであれば0.5度の濁度誤差で予測できれば良いため、現時点での十分に適応可能な精度で予測できているといえる。

In 2022, the small aggregation device was used to obtain the image of the coagulation concentration, and the prediction of the turbidity after the coagulation was carried out. Learn to use the deep learning method to create a network for the prediction. For example, if the temperature of the liquid is higher than the temperature of the liquid, the temperature of the liquid is higher than the temperature of the liquid. A small aggregation device is used to collect and store data. The change of water quality in this year's comparison is from January 2022 to March 2022, and the change of water quality is from April 2022 to June 2022. The results are as follows: (1) The small-sized aggregation device acquires images and creates images and learns images and learns images;(2) The image captures images and averages the density of images;(3) The image creates images and learns images;(4) More than 84% of the images are unknown;(5) The aggregation device acquires images and creates images and learns images;(6) The aggregation device acquires images and creates images;(7) The aggregation device acquires images and learns images;(8) The aggregation device acquires images and creates images;(8) The aggregation device acquires images and learns images;(9) The aggregation device acquires images and creates images;(9) The aggregation device acquires images and learns images; and (10) The aggregation device collects images and the turbidity after sedimentation. Error below 0.5 degrees prediction probability;(4) error below 0.25 degrees prediction probability;(5) input force of image;(6) input force of chemical;(7) input force of chemical;(8) input force of chemical;(9) input force of chemical;(9) input force of chemical;(10) input force;(10) input force of chemical;(10) input force of chemical;(10) input force;(10) input force of chemical;(10) input force;(10) input force of chemical input;(10) input Optimization of the injection amount of aggregation agent is less than 0.25 degrees and more than 90% of the prediction possibility is expected. The probability of obtaining the information is very high. A square is a self-control point. The turbidity error is 0.5 degrees. The prediction point is good. The current point is very accurate. The prediction point is good.