Download Sistemas de Ayuda a la Decisión en depuración. SAD.

"Sistemas de soporte a la decisión:
una ayuda en la operación y el
diseño de EDAR"
Manel Poch
Lequia. Universitat de Girona
en primer lugar....
• GRACIAS ☺ !!!
• No es muy habitual, (aunque cada vez menos excepional ☺)
que las empresas inviten a profesores de la universidad a impartir
una charla y compartir experiencias...
• FELICIDADES A FACSA ☺!!!
1
• I a Mairena por su amabilidad ☺☺☺
Tres apartados
1. Qué és un EDSS y por qué hacemos EDSS?
2. Dos ejemplos reales de EDSS que hemos
construido
3. Una reflexión sobre el valle de la muerte y como
lo hemos intentado cruzar
2
Un poco de historia.
• Gracias por la presentación y permítanme que la
amplie y matice un poco.
• Hace 20 años que soy Catedrático de Universidad,
con una carrera razonable
(100 artículos SCI, 20 Tesis, IP de diferentes
proyectos nacionales y europeos)
pero quizás más importante
• Con voluntad de ser útil.
• De que lo que investigaba fuera de aplicación, que
sirviera a la sociedad.
• Por eso, en aquellos tiempos…después de trabajar
en procesos biotecnológicos me fui decantando
hacia temas ambientales, especialmente el
tratamiento de las aguas residuales.
3
Posicionamiento
• No estoy muy de acuerdo con el concepto de
transferencia que a veces se utiliza com se esta sólo
fuera de la universidad a la empresa.
• Creo que somos dos agents que sabemos cosas
diferentes, y que si somos capaces de coordinarnos
podemos conseguir lo que los psicólogos modernos
proponen para las parejas
1+1 = 3
(me costó de entender...).
Inicialmente...
• Como buen académico (procedente de la
Ingeniería Química) pensaba que con unas
cuantas ecuaciones la operación de las EDAR
estaba arreglado !!!
• Pero, después de unos años aún con ciertos éxitos
parciales, nos dimos cuenta que para gestionar
EDAR hace falta algo más que ecuaciones...
4
Probamos con la lógica fuzzy
• No sé si en esta casa hace falta explicar mucho
qué es la lógica fuzzy porque me parece que
ustedes la utilizan...
• Es una manera de gestionar conocimiento parecida
a la de los humanos, y que permite
manipular/operar con conceptos como mucho,
poco, bastante..en lugar de números concretos.
Ha ido evolucionando... y aplicándose
• Empezamos en el 85 con un profesor que venía de
China, para clasificar situaciones de las plantas,
• Después hicimos un sistema de control que
aplicamos con cierto éxito en el 2005
• Ustedes tienen cosa publicada este año en
Tecnoaqua y en el último número de la revista hay
un artículo de Adasa que no especifican bien como
lo hacen pero que lo parece...
5
Mi opinión...
• Es una buena estrategia, sencilla de implementar y
muy cómoda para los usuarios finales que tienen
delante una herramienta que puede ser
comprensible para ellos....
• Sin embargo a nosotros se nos quedaba corta,
estaba muy acotada....
Y es que el problema de gestionar una EDAR es
MUY COMPLICADO
Influent
Process
variable in quality
complex and dynamic process
variable in quantity
limited knowledge of mechanisms
continue and
uncontrolled
high quantity of data
Effluent
Quality requirements
quantitative and qualitative information
6
Para ayudar.....
• Se han ido haciendo cosas,
• Mejores modelos matemáticos, que supongo ya les
deben haber ido explicando (ASM1, ASM2....), en
la UV-UPV tienen un grupo muy bueno en el tema.
• Sensores, cada vez más sensores...los que
tenemos una edad hemos ido viendo como iba
aumentando el número de señales...y lo que
aumentará...
Una gráfica interesante
7
Nuestra opinión..a finales de los 90’
• Empezábamos a tener muchos datos
• simultáneamente teníamos conocimiento experto
que no sabíamos como integrar con los datos,
• ya veíamos que los sistema de control tradicionales
(OD, ...) no permitían afrontar la gestión completa
de la planta...
• NECESITÁBAMOS NUEVAS HERRAMIENTAS!!!
En este contexto
• Empezamos a buscar gente que tuviera problemas
parecidos de diagnóstico y actuación,
• Y encontramos gente de Inteligencia Artificial que
hacía sistemas expertos para diagnosis médica...
• El objeto de estudio era diferente....
pero por qué no intentarlo?
8
Qué condiciones tenía que tener?
Capacidad de integrar datos con experiencia
Capacidad de incorporar resultados de diferentes ámbitos, de
diferentes expertos, con diferentes niveles de descripción
Capacidad de recuperar la información y el conocimiento de
una manera fácil, ya que muchas veces hay que evaluar
diferentes alternativas.
Y sobre todo !!!!
Capaz de “justificar” las actuaciones que propone, indicando
que criterios utiliza para dar soporte a cada una de ellas.
Y descubrimos que existían los EDSS
Son sistemas inteligentes de gestión de la
información capaces de integrar modelos
numéricos (lineales o no lineales) con
técnicas de inteligencia artificial, con
capacidad de emular el razonamiento de los
expertos proporcionando propuestas de
soluciones y son capaces de justificar sus
propuestas indicando que criterios las
soportan.
9
Elementos de un EDSS
ARTIFICIAL INTELLIGENCE
TECHNIQUES
STATISTICAL / NUMERICAL
METHODS
ENVIRONMENTAL DECISION
SUPPORT SYSTEMS
GEOGRAPHICAL
INFORMATION SYSTEMS
ENVIRONMENTAL
ONTOLOGIES
Ya teníamos nuestra herramienta!!!
• Sólo hacía falta saber como se construían y
operaban .
• Y como se podían aplicar a nuestro problema de
operación de la EDAR!!!
10
Nuestra propuesta de construir un EDSS
Environmental Problem Analysis
Validation Process
Data Collection and Knowledge Acquisition
Statistical
Analysis
Data Mining
Machine
Learning
Relevant Data
Suggested
Models
Relevant
Knowledge
AI / Statistical / Numerical Model Selection
rule-based / case-based / model-based / qualitative / connexionist / evolutionary
reasoning /
constraint satisfaction / planning / beliefs networks / neural
networks / fuzzy models / genetic algorithms / simulation models / linear models
/ stochastic models / control algorithms / optimization models
Model Implementation and Integration
EDSS
Dos casos reales
• Operación de la linea de aguas de EDAR
• Selección de tecnologías para el diseño de EDAR
En el libro pueden encontrar más EDSS que hemos
desarrollado
11
EDSS for operation of AS systems
(EDSS Building)
WEF MOP #21
Eng. Consulting
Past experiences
Process knowledge
- Problem analysis
Set points
Manual operation
OPERATORS
SCADA
F
pH
T
DO
ORP
...
SINGLE
CONTROL
LOOPS
LABORATORY
OBSERVATIONS
COD
BOD
SS
NH4+
NO3...
bubbles
foams
odors
colors
filamentous
...
Current
management
WWTP
EDSS for operation of AS systems
(EDSS Building)
- Data collection and knowledge acquisition
Sources and techniques
data
DATA BASE
automatic
SPECIFIC
KNOWLEDGE
(data mining)
KB
experience
EXPERT
theory
LITERATURE
interviews
WWTP
review
GENERAL
KNOWLEDGE
12
EDSS for operation of AS systems
(EDSS Building)
Knowledge representation
Knowledge gained during the KA step
Representation in a graphical way
Increasing
FILAMENTOUS
BULKING RISK
Normal or low
SVI trend
SVI or DSVI
No value
Sludge settleability
Decreasing
No value
ALARM
MESSAGE
High
2
High
No value
V30
NO SEPARATION PROBLEMS
BULKING RISK
Other
D
Floc characteristics
NON-FILAMENTOUS
BULKING
E or F
FILAMENTOUS BULKING
25
Decision tree (rules) for an underloaded process
Influent SS, TURB, BOD or COD, F/M
Sudden increase
SS removal
HRT decreasing
and simultaneous of
Efficiency decreasing
inflow and SS
True
Low
Floating sludge
presence
Diagnosis
PossibleOrganic
Organic Underloading,
Underloading, hydraulic shock or storms
Possible
F:M
Normal/High
Sudden and simultaneous
Increase of influent flow rate and SS
No
Low
Sudden increase
Influent flow
Influent flow
Yes
Yes
Yes
Sludge Solids
No
OK
Low or normal
Influent COD = low
or Influent SS = low
Low
Yes
Biomass
(MLSS)
High or normal
Influent
underloaded
or final storm
Underloaded
process
(low F:M)
(low presence
of flagellates)
Avoid
significant
changes on F:M
Increase Wasting
rates to maintain or
re-establish proper
F:M
No Simultaneous sudden Yes
increase of Inf.SS
Hydraulic
Hydraulic shock
shock or
or
Rainy
Rainy days
days
No
Storm days
Duration
2/3 days
Punctual
Sludge Solids
(affect effluent
quality)
As function of SVI and sludge blanket:
.By-pass part of the influent
(as a function of SVI)
. Increase Recycle rates to
decrease sludge blanket
SVI
High
Go to Filamentous
Bulking problems
Affect MLSS and
effluent quality ?
Increase Wasting
rates to maintain F:M
26
13
Case-Based Reasoning Systems (CBRS)
Computer program that enables to use past experiences
to solve new problems
• CBRS
CBRS: a set of techniques to solve problems adapting solutions
from previous similar problemes.
•
Solution
New solution
Problem
New problem
Use cases as a memory of episodes (Case library)
27
EXAMPLE OF A CASE
(( :identificador del nou
cas
:descripció situació
(
:cas recuperat
:diagnosis
:actuation
:solució
:mesura d'utilitat
:distancia Eixample
CAS 25
9395
Cabal-entrada (Q-AB)
DQO-entrada (DQO-AB)
708
Conductivitat-entrada (COND-AB)
1196
DQO-Sortida Primari#1 (DQO-SP1)
495
Cabal-Sortida Primari#3 (Q-SP3)
0
DQO-Aigua Tractada (DQO-AT)
124
Nitrat-Aigua Tractada (NO3-AT)
?
Amoni-Aigua Tractada (NH4-AT)
21
Index Volumètric Fangs (IVF)
872
Càrrega màsssica (CM)
0.94
Grup protozoo dominant (GPROTODOMI)
crawling
Presència Escumes Aireació (ESC-B) 1 (poques)
Número Filamentosos (NFILAM)
2
Bacteri
Filamentós
Predominant
(FILAM)
021/Thiotrix
Biodiversitat microfauna (BIODIV-MIC) 3
CAS 9
BULQUING degut a Thiothrix
(( 1. Identificació de la causa : Septicitat (es tracten una
3
( cuba de 36 m /dia de lixiviats durant deu dies del mes
d’abril)
2. Utilització del decantador primari#2 com a anòxic
3. Augment Aireació
ÈXIT (en dos o tres dies)
no calculada
0.0049
((
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
))
)
))
))
CAS RECUPERAT
OTHER RETRIEVED CASES...
C11 (Foaming per Micothrix)
DISTÀNCIA
EIXAMPLE
0.4195
C15 (desfloculació)
0.4604
C12 (Foaming per Micothrix)
0.5996
28
14
AI Techniques description: Rules vs. Cases
Rules
Cases
Generic knowledge
Specific knowledge
Difficult to learn new rules and
maintain the KB
- static knowledge
- no learning
Easy to learn new cases
- dynamic knowledge
- learning
No change in performance
Performance increases over time
29
EDSS implementation: A simplified version …
USER
Alarms
EXPERT
SUPERVISION
Regulation of
CONTROL ACTIONS
Other data
Activation/
Deactivation
AUTOMATIC CONTROL
Processed data
DATA ACQUISITION
SIGNAL PROCESSING
WASTEWATER TREATMENT PLANT
15
Supervision level
Hierarchical architecture
USER
Top Level
Alarm
Other data
SUPERVISION
Activation
Deactivation
Changing process variables
Intermediate Level
Consists ofAUTOMATIC
a set of CONTROL
knowledge-based modules
Permeability,
Flux, air flow online the process
(expert systems)
thatTMP,
monitors
performance to detect any abnormal situation,
Lowest Level
DATA ACQUISITION
operational
problems or process alarms.
AND PROCESSING
31
NOVEDAR_EDSS Software Tool
16
El proyecto NOVEDAR
El objetivo de NOVEDAR
• Desarrollar nuevas tecnologias para el nuevo
paradigma del tratamiento de las aguas residuales:
Resource recovery, not wastewater treatment
• Ser capaces de integrar todo este conocimiento ( y
el anterior) en una herramienta de selección de
alternativas
17
El problema....
COMO se afronta en el proyecto?
18
Un factor diferencial...
El software (Novedar-EDSS)
19
Influent Information
Characterization of
the influent in
terms of physicalchemical
parameters and
population size
Introduction of
different reuse
criteria (according
to Spanish Royal
Decree) and
discharge options
20
Multicriteria Screen
Encompassed in
three main topics
Software Functionality- Input data
Can define the following for any given scenario:
Influent Description
Discharge/Reuse (Effluent
Requirements)
Priority-Setting Criteria
Cost-Benefit Analysis Definition
Life Cycle Analysis (Emissions
Factors)
Sludge Management
Pathogens
Target Compounds
21
Software Functionality- Start Engine
Software Functionality-Output/Selection
22
Software Functionality-Summary
Hasta aquí...
• He explicado la parte académica, que ustedes
pueden encontrar más detallada en nuestros
artículos o tesis doctorales.
• Pero como les he dicho, nuestra voluntad ha sido
la de que fueran útiles, que fueran aplicados.
23
Cuales son los caminos?
• En el caso de operación, era el momento de moda
de las spin-off, y nuestra universidad nos animó a
crear una para comercializar el primer EDSS, el de
operación....
• Y creamos Sisltech, una empresa para
comercializar nuestro producto bajo el nombre de
ATL (agua en la lengua de los antiguos habitantes
de Mexico)
Y allí descubrimos el valle de la muerte
48
24
En aquel caso...
• Después de que nuestra empresa no “vendiera” ni
uno.....Una entidad que había participado en el
desarrollo, vio que tenía futuro y acudió a la
ampliación de capital,
• Nombró un gerente con visión comercial,
• Adecuó el software a lo que pedía el mercado y no
a lo que nosotros queríamos vender
Y hoy es un éxito
☺
En el segundo caso...
• Decidimos cambiar la estrategia...
• El conjunto de universidades que participó en el
proyecto Novedar decidió negociar con una
empresa ya establecidad en el sector.
• Finalmente, se ha firmado un acuerdo de licencia
con Aqualogy para que desarrolle una nueva
versión y proceda a su comercialización
☺.
25
Como resumen...
• Los EDSS son herramientas que pueden ser y
están siendo útiles en el mundo de la depuración.
• Sobretodo cuando los académicos y las empresas
somos capaces de trabajar conjuntamente
aprovechando
nuestras
capacidades
y
conocimientos mutuos,
1+1 = 3 ☺
GRACIAS,
POR SU ATENCIÓN
26