Core Concepts
下水処理プロセスの効率的な運用のために、機械学習を用いた予測モデルと最適化モデルを統合したデジタルツインを開発した。
Abstract
本論文は、下水処理プラントの運転効率を向上させるために、機械学習を用いた予測モデルと最適化モデルを組み合わせたデジタルツインの開発について述べている。
具体的には以下の通りである:
下水処理プロセスの主要な目的は、1) 上流貯留槽の水位を適切に維持すること、2) 適切な汚泥品質を確保すること、3) 運転コストを最小化することである。
現在の直感的な運転方法では、これらの目的を同時に達成することが困難であるため、データ駆動型のアプローチを採用した。
まず、上流貯留槽の水位を目標値に維持するための混合整数計画法(MIP)モデルを構築した。
次に、機械学習回帰モデルを用いて、MIPモデルの制約の下で最も効率的な運転シナリオを予測した。この際、汚泥品質と運転コストの両方を考慮した。
MIPモデルと機械学習回帰モデルを組み合わせたデジタルツインを開発し、実際の運転データに適用したところ、天然ガス消費量を大幅に削減できることが示された。
本手法は、下水処理分野だけでなく、他の分野の予測と最適化の問題にも応用可能である。今後は、予測モデルと最適化モデルの一体化などの拡張が期待される。
Stats
上流貯留槽の水位が目標値から大きく逸脱しないよう、MIPモデルによる運転が有効であることが示された。
Quotes
"運転は直感的なものと見なされており、運転方法について様々な意見がある。Cambiの運転は Urban Utilitiesの単一最大の運転コストであり、わずかな効率改善でも大きなコスト削減につながる可能性がある。"