Download Sistemas de Ayuda a la Decisión en depuración. SAD.
Document related concepts
no text concepts found
Transcript
"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