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。

2022财年，我们从小型絮凝装置中获取了絮凝物的图像，并将其作为数据集创建了深度学习模型，对絮凝和沉淀后的浊度进行回归预测。我们通过微调 ResNet 创建回归预测模型作为用于学习的深度学习模型。准备了两种模型：一种仅输入图像，另一种还输入 pH、浊度和温度等化学参数。此外，为了创建数据集，我们创建了一个可以从小型絮凝装置连续获取和积累数据的系统。本实验针对水质变化较轻微的2022年1月至2022年3月的数据，以及水质变化较大的2022年4月至2022年6月的数据。实验结果表明：（1）利用小型絮凝装置获得的絮凝物图像和建立的学习模型，可以通过回归来预测絮凝和沉降后的浊度；（2）拍摄的絮凝物图像的密度为研究发现图像合成对于平均结果发现，预测的误差为 0.5 度或更小，(4) 同样，超过 50% 的数据被发现可预测，误差为 0.25 度或更小，(5) 仅使用图像作为在还包含化学参数的模型中，使用化学参数的模型的预测准确度提高了 3% 至 4%。为了优化絮凝剂的注入量，希望能够在0.25度以下预测90%以上的数据，但目前的问题是无法达到这个精度。我们认为这很可能是因为获取的数据集不足。另一方面，如果仅采用自主控制，能够进行0.5度浊度误差的预测就足够了，因此可以说，目前可以进行具有足够适应性的预测。