Εφαρμογή εναλλακτικών μεθόδων μηχανικής μάθησης για την προσομοίωση  της λειτουργία εγκαταστάσεων επεξεργασίας λυμάτων

Κολαζά, Γεωργία Αλεξάνδρα; Kolaza, Georgia Alexandra

dc.contributor.author	Κολαζά, Γεωργία Αλεξάνδρα	el
dc.contributor.author	Kolaza, Georgia Alexandra	en
dc.date.accessioned	2025-05-26T11:37:27Z
dc.date.available	2025-05-26T11:37:27Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61967
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29663
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Επιστήμη και Τεχνολογία Υδατικών Πόρων”	el
dc.rights	Default License
dc.subject	BSM2	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Εγκατάσταση επεξεργασίας λυμάτων	el
dc.subject	Υποξείδιο του αζώτου	el
dc.subject	Ανάλυση ευαισθησίας	el
dc.title	Εφαρμογή εναλλακτικών μεθόδων μηχανικής μάθησης για την προσομοίωση της λειτουργία εγκαταστάσεων επεξεργασίας λυμάτων	el
heal.type	masterThesis
heal.classification	Εππεξεργασία Λυμάτων	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-11-05
heal.abstract	Στη σύγχρονη εποχή, η αναγκαιότητα για καλύτερη και πιο στοχευμένη διαχείριση των αποβλήτων έχει ενταθεί εξαιτίας περιβαλλοντικών μεταβολών, όπως το φαινόμενο του θερμοκηπίου, με αποτέλεσμα να αυξάνεται όλο και περισσότερο η αναζήτηση τρόπων αντιμετώπισης τους. Η παρούσα διπλωματική εργασία διερευνά τη χρήση και την εφαρμογή μοντέλων μηχανικής μάθησης στις διαδικασίες που λαμβάνουν χώρα στις εγκαταστάσεις επεξεργασίας λυμάτων, επιδιώκοντας την ανάπτυξη ενός αξιόπιστου συστήματος πρόβλεψης κρίσιμων παραμέτρων. Στόχος είναι η άμεση λήψη αποφάσεων και η βελτιστοποίηση των λειτουργιών των εγκαταστάσεων, εξασφαλίζοντας βέλτιστη απόδοση με ελαχιστοποιημένο περιβαλλοντικό και ενεργειακό κόστος. Η εργασία εστιάζει σε δύο βασικούς άξονες. Στον πρώτο άξονα, παρουσιάζονται παραδοσιακά μοντέλα προσομοίωσης διεργασιών, όπως τα ASM1, ASM2, ASM2d, και ASM3, τα οποία παρέχουν ένα θεμέλιο για την κατανόηση των χημικών και βιολογικών διεργασιών, όπως η νιτροποίηση, η απονιτροποίηση, η υδρόλυση οργανικών συστατικών και η απομάκρυνση θρεπτικών στοιχείων (π.χ., άζωτο και φώσφορος). Παράλληλα, γίνεται ανάλυση του Benchmark Simulation Model No. 2 (BSM2), ένα επαληθευμένο μοντέλο το οποίο χρησιμοποιείται ευρέως για την προσομοίωση των βασικών διεργασιών σε μονάδες επεξεργασίας λυμάτων. Το BSM2 προσομοιώνει τις διεργασίες καθίζησης, βιολογικής επεξεργασίας, πάχυνσης και αφυδάτωσης της ιλύος, και αναερόβιας χώνευσης, εξασφαλίζοντας δεδομένα που είναι απαραίτητα για τη μετέπειτα χρήση ορισμένων παραμέτρων για το μοντέλο μηχανικής μάθησης. Ο δεύτερος άξονας επικεντρώνεται στην εφαρμογή τεχνητής νοημοσύνης και συγκεκριμένα μοντέλων μηχανικής μάθησης, με στόχο τη βελτίωση των δυνατοτήτων πρόβλεψης διαφόρων παραμέτρων. Εξετάζονται διάφορα τεχνητά νευρωνικά δίκτυα για την πρόβλεψη παραμέτρων όπως η ποιότητα της εκροής των λυμάτων, οι εκπομπές αερίων θερμοκηπίου, το λειτουργικό κόστος, καθώς και η ενεργειακή κατανάλωση και παραγωγή ενέργειας. Ιδιαίτερη προσοχή δίνεται στην αξιολόγηση και χρήση εναλλακτικών μεθόδων ανάλυσης ευαισθησίας, συγκεκριμένα για τους μεθόδους Morris, FAST-extended και Sobol, οι οποίες παρέχουν πολύτιμες πληροφορίες για την επίδραση των παραμέτρων εισόδου στις εξόδους που έχουν οριστεί στο σύστημα. Οι μέθοδοι αυτές επιτρέπουν την ακριβέστερη κατανόηση των κρίσιμων παραμέτρων που επηρεάζουν τη συνολική απόδοση των εγκαταστάσεων. Τα κύρια αποτελέσματα της παρούσας μελέτης δείχνουν ότι η ενσωμάτωση των τεχνολογιών μηχανικής μάθησης μπορεί να προσφέρει σημαντικά πλεονεκτήματα, όπως η αυξημένη ακρίβεια στις προβλέψεις, η βελτιστοποίηση των λειτουργιών των εγκαταστάσεων και η μείωση του περιβαλλοντικού αποτυπώματος και της κατανάλωσης ενέργειας. Ειδικότερα, η δυνατότητα άμεσης πρόβλεψης κρίσιμων παραμέτρων όπως είναι η ποιότητα εκροής ή του υποξειδίου του αζώτου, καθιστούν τη μηχανική μάθηση ένα πολύτιμο εργαλείο για την περιβαλλοντική μηχανική όπως φάνηκε και από τα αποτελέσματα του μοντέλου που αναπτύχθηκε. Παράλληλα με την ανάπτυξη ενός DNN μοντέλου έγιναν και κάποιες δοκιμές με τη χρήση μεθόδων ανάλυσης ευαισθησία, συγκεκριμένα με τη μέθοδο Morris, Fast και Sobol. Τα εργαλεία αυτά κατέταξαν τους παραμέτρους εισόδου ανάλογα με την επιρροή που ασκούν στις μεταβλητές εξόδου με αποτέλεσμα να γίνεται καλύτερη η αξιολόγηση των αποτελεσμάτων του μοντέλου. Ως σημαντικές παράμετροι ξεχώρισαν η παροχή εισόδου, τα ολικά στερεά εισόδου, η θερμοκρασία και η συγκέντρωση του 1ου και 3ου αερόβιου διαμερίσματος. Στη συνέχεια με τον υπολογισμό των δεικτών Rel και PF επιβεβαιώθηκε η σύγκλιση των τριών μεθόδων η οποία αποτυπώθηκε σε διαγράμματα Venn. Συμπερασματικά, η εργασία αναδεικνύει τη σημασία της τεχνητής νοημοσύνης στη σύγχρονη διαχείριση υδατικών πόρων, προσφέροντας νέες δυνατότητες για την περαιτέρω βελτίωση των τεχνολογιών επεξεργασίας λυμάτων και ανοίγοντας το δρόμο για βιώσιμες και πιο αποδοτικές λύσεις στον τομέα της επεξεργασίας λυμάτων. Η παρούσα εργασία θα μπορούσε να χρησιμοποιηθεί για περαιτέρω ερεύνα, τροποποιήσεις του μοντέλου για πιο έγκυρα αποτελέσματα και ενδεχομένως να προσαρμοστεί σε δεδομένα πραγματικής εγκατάστασης.	el
heal.advisorName	Νουτσόπουλος, Κωνσταντίνος	el
heal.committeeMemberName	Χόνδρος, Μιχάλης	el
heal.committeeMemberName	Μαλαμής, Σιμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	114 σ.	el
heal.fullTextAvailability	false