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。

在2022年，我们从小聚集设备中获取了凝结絮凝的图像，并将其用作数据集创建深度学习模型，该模型会在凝结沉淀后回归浊度的预测。使用微调Resnet作为用于学习的深度学习模型创建了用于回归预测的模型。该模型仅使用图像输入，以及pH，浊度和温度等化学参数。此外，创建了一个系统，该系统允许从小型聚合设备连续获取并积累数据以创建数据集。该实验涵盖了2022年1月至2022年3月的数据，那里的水质变化相对较小，从2022年4月到2022年6月，水质变化显着差异。实验表明，（1）从一个小的聚集装置获得的絮凝物图像和创建的学习模型可以在聚集降水后进行回归预测浊度，（2）图像合成对于平均捕获絮凝物的图像稀疏密度的平均密度是有效的，（3）在捕获的模型中可预测的模型是0.5度的误差，或者是4％或4％的误差（4％），或者是4％或4％或4％的误差（4％）。可预测的误差为50％或以上，误差为0.25度或更小，（5）仅包括图像和使用化学参数的模型的模型是可预测的，较高的精度为3％至4％。为了优化絮凝剂注入的量，希望在0.25°或更少的情况下可预测，目前，问题是无法实现此准确性。对于获得的数据集来说，这可能不足。另一方面，如果仅是自主控制，则足以以0.5度的浊度误差进行预测，因此可以说，目前可以以足够适应性的精度进行预测。