N2O-Emissionsreduzierung durch KI-unterstützte Regelung der biologischen Abwasserreinigung

Research output: Thesis › Doctoral thesis

Authors

Research Organisations

View graph of relations

Details

Original languageGerman
QualificationDoctor of Engineering
Awarding Institution
Supervised by
Date of Award1 Oct 2024
Place of PublicationHannover
Print ISBNs978-3-948432-05-8
Publication statusPublished - 2024

Abstract

Current efforts to reduce global greenhouse gas emissions also lead to a sharp increase in the implementation of targeted measures in sanitary engineering. One of the main focuses of the ongoing research and plant operating practice is minimizing N2O emissions during wastewater treatment. N2O is a greenhouse gas that can be formed as a by-product of biological nitrogen elimination under unfavorable operating conditions (e.g. high loads, nitrite accumulation, shock loads...). The potential of the available measures for achieving lower N2O emissions, namely measurement-based control strategies, is limited due to strong temporal variations in N2O emissions and a lack of data regarding the influencing parameters. To address these issues, a novel AI-based process optimization method for minimizing N2O emissions was developed in this work. This method uses a genetic algorithm to automatically identify the control settings associated with minimum N2O emissions for a specific operating situation. In addition to decreasing emissions, this approach enables a holistic control of bio-logical wastewater treatment by incorporating additional individually definable operating tar-gets such as sufficient nitrogen elimination. The genetic algorithm relies on a prediction model to evaluate the effect of individual control parameter sets on N2O emissions and other operat-ing targets. For this purpose, neural networks were trained in this work. Neural networks are advantageous as they offer faster calculation speed than conventional mechanistic models due to their mathematically simpler structure. The data for network training, however, was generated using a mechanistic model. This approach is beneficial in practical applications as prediction networks could be successfully trained even if only limited data is available. The developed method is also incorporated with a classification algorithm to give the reliability of the suggested control strategy. The novel approach described in this thesis was successfully tested for three exemplary ap-plications. In all examples, a considerable reduction in emissions was achieved. The main causes of N2O formation were consistently identified by the algorithm despite a limited number of input parameters, and targeted reduction measures were recommended. With its proven applicability, the proposed method for intelligent optimization is ready to support the plant op-erating staff. In the long term, intelligent algorithms will enable further automation and digitali-zation of wastewater treatment plants leading to sustainable, low-emission operations.

Cite this

Freyschmidt AH. N2O-Emissionsreduzierung durch KI-unterstützte Regelung der biologischen Abwasserreinigung. Hannover, 2024. 157 p. ( Veröffentlichungen des Institutes für Siedlungswasserwirtschaft und Abfalltechnik der Leibniz-Universität Hannover). doi: 10.15488/18126
Download
@phdthesis{854628cc69c84cc687d5047809f59ec4,
title = "N2O-Emissionsreduzierung durch KI-unterst{\"u}tzte Regelung der biologischen Abwasserreinigung",
abstract = "Im Zuge der aktuellen gesellschaftlichen Bem{\"u}hungen zur Reduzierung des globalen Treibhausgasaussto{\ss}es werden auch in der Siedlungswasserwirtschaft zunehmend gezielte Emissionsminderungsma{\ss}nahmen umgesetzt. Dabei steht derzeit insbesondere eine Minimierung der N2O-Emissionen bei der Abwasserreinigung im Fokus von Forschung und Praxis. Das Treibhausgas N2O kann unter ung{\"u}nstigen Betriebsbedingungen (z. B. hohe Schlammbelastung, Nitritakkumulation, Sto{\ss}belastungen…) als Nebenprodukt der biologischen Stickstoffelimination gebildet werden; durch eine angepasste Regelung ist jedoch ein emissionsarmer Betrieb der Abwasserreinigung realisierbar. Da die N2O-Emissionen zulauf- und betriebsbedingt einer hohen Dynamik unterliegen und nicht alle relevanten Einflussparameter messtechnisch erfassbar sind, ist das Emissionsminderungspotential messwertbasierter Regelstrategien limitiert. In dieser Arbeit wurde deshalb ein neuer Ansatz zur fortlaufenden intelligenten Optimierung der Betriebseinstellungen entwickelt. Mithilfe eines genetischen Algorithmus werden die f{\"u}r eine spezifische Betriebssituation mit einer minimalen N2O-Emission verbundenen Regeleinstellungen automatisch identifiziert. Dabei k{\"o}nnen neben der Emissionsminimierung weitere, frei definierbare Betriebsziele wie das Einhalten einer ausreichenden Stickstoffelimination ber{\"u}cksichtigt werden; das betrachtete System wird aus einer ganzheitlichen Perspektive optimiert (keine Definition fester Regelzusammenh{\"a}nge). Zur Bewertung der Auswirkung einzelner Regelparametersets auf die N2O-Emission und ggf. weitere Zielparameter greift der Optimierungsalgorithmus auf ein Prognosemodell zur{\"u}ck. In dieser Arbeit werden daf{\"u}r neuronale Netzwerke verwendet; diese kommen aufgrund ihres mathematisch einfacheren Aufbaus deutlich schneller als mechanistische Modelle zu einem Ergebnis. Zur Erzeugung von Trainingsdaten wird allerdings ein mechanistisches Modell herangezogen. Mit dem entwickelten Ansatz konnten Prognosenetzwerke auch bei begrenzter Datenverf{\"u}gbarkeit erfolgreich trainiert werden. Zur Einordnung der Verl{\"a}sslichkeit der ausgegebenen Regelempfehlung wurde schlie{\ss}lich ein Klassifizierungsalgorithmus entwickelt. Der entwickelte Ansatz wurde erfolgreich f{\"u}r drei beispielhafte Anwendungen erprobt; in allen Beispielen konnte rechnerisch eine erhebliche Emissionsminderung erreicht werden. Durch den Algorithmus wurden die wesentlichen Ursachen der N2O-Bildung trotz einer begrenzten Anzahl an Eingangsparametern identifiziert und entsprechend angepasste Minderungsma{\ss}nahmen vorgeschlagen. Somit kann die intelligente Optimierung bereits heute zur Unterst{\"u}tzung des Betriebspersonals eingesetzt werden. Langfristig k{\"o}nnen intelligente Algorithmen einen emissionsarmen, nachhaltigen und weitestgehend automatisierten Kl{\"a}ranlagenbetrieb erm{\"o}glichen.",
author = "Freyschmidt, {Arne Holger}",
year = "2024",
doi = "10.15488/18126",
language = "Deutsch",
isbn = "978-3-948432-05-8",
series = " Ver{\"o}ffentlichungen des Institutes f{\"u}r Siedlungswasserwirtschaft und Abfalltechnik der Leibniz-Universit{\"a}t Hannover",
school = "Gottfried Wilhelm Leibniz Universit{\"a}t Hannover",

}

Download

TY - BOOK

T1 - N2O-Emissionsreduzierung durch KI-unterstützte Regelung der biologischen Abwasserreinigung

AU - Freyschmidt, Arne Holger

PY - 2024

Y1 - 2024

N2 - Im Zuge der aktuellen gesellschaftlichen Bemühungen zur Reduzierung des globalen Treibhausgasausstoßes werden auch in der Siedlungswasserwirtschaft zunehmend gezielte Emissionsminderungsmaßnahmen umgesetzt. Dabei steht derzeit insbesondere eine Minimierung der N2O-Emissionen bei der Abwasserreinigung im Fokus von Forschung und Praxis. Das Treibhausgas N2O kann unter ungünstigen Betriebsbedingungen (z. B. hohe Schlammbelastung, Nitritakkumulation, Stoßbelastungen…) als Nebenprodukt der biologischen Stickstoffelimination gebildet werden; durch eine angepasste Regelung ist jedoch ein emissionsarmer Betrieb der Abwasserreinigung realisierbar. Da die N2O-Emissionen zulauf- und betriebsbedingt einer hohen Dynamik unterliegen und nicht alle relevanten Einflussparameter messtechnisch erfassbar sind, ist das Emissionsminderungspotential messwertbasierter Regelstrategien limitiert. In dieser Arbeit wurde deshalb ein neuer Ansatz zur fortlaufenden intelligenten Optimierung der Betriebseinstellungen entwickelt. Mithilfe eines genetischen Algorithmus werden die für eine spezifische Betriebssituation mit einer minimalen N2O-Emission verbundenen Regeleinstellungen automatisch identifiziert. Dabei können neben der Emissionsminimierung weitere, frei definierbare Betriebsziele wie das Einhalten einer ausreichenden Stickstoffelimination berücksichtigt werden; das betrachtete System wird aus einer ganzheitlichen Perspektive optimiert (keine Definition fester Regelzusammenhänge). Zur Bewertung der Auswirkung einzelner Regelparametersets auf die N2O-Emission und ggf. weitere Zielparameter greift der Optimierungsalgorithmus auf ein Prognosemodell zurück. In dieser Arbeit werden dafür neuronale Netzwerke verwendet; diese kommen aufgrund ihres mathematisch einfacheren Aufbaus deutlich schneller als mechanistische Modelle zu einem Ergebnis. Zur Erzeugung von Trainingsdaten wird allerdings ein mechanistisches Modell herangezogen. Mit dem entwickelten Ansatz konnten Prognosenetzwerke auch bei begrenzter Datenverfügbarkeit erfolgreich trainiert werden. Zur Einordnung der Verlässlichkeit der ausgegebenen Regelempfehlung wurde schließlich ein Klassifizierungsalgorithmus entwickelt. Der entwickelte Ansatz wurde erfolgreich für drei beispielhafte Anwendungen erprobt; in allen Beispielen konnte rechnerisch eine erhebliche Emissionsminderung erreicht werden. Durch den Algorithmus wurden die wesentlichen Ursachen der N2O-Bildung trotz einer begrenzten Anzahl an Eingangsparametern identifiziert und entsprechend angepasste Minderungsmaßnahmen vorgeschlagen. Somit kann die intelligente Optimierung bereits heute zur Unterstützung des Betriebspersonals eingesetzt werden. Langfristig können intelligente Algorithmen einen emissionsarmen, nachhaltigen und weitestgehend automatisierten Kläranlagenbetrieb ermöglichen.

AB - Im Zuge der aktuellen gesellschaftlichen Bemühungen zur Reduzierung des globalen Treibhausgasausstoßes werden auch in der Siedlungswasserwirtschaft zunehmend gezielte Emissionsminderungsmaßnahmen umgesetzt. Dabei steht derzeit insbesondere eine Minimierung der N2O-Emissionen bei der Abwasserreinigung im Fokus von Forschung und Praxis. Das Treibhausgas N2O kann unter ungünstigen Betriebsbedingungen (z. B. hohe Schlammbelastung, Nitritakkumulation, Stoßbelastungen…) als Nebenprodukt der biologischen Stickstoffelimination gebildet werden; durch eine angepasste Regelung ist jedoch ein emissionsarmer Betrieb der Abwasserreinigung realisierbar. Da die N2O-Emissionen zulauf- und betriebsbedingt einer hohen Dynamik unterliegen und nicht alle relevanten Einflussparameter messtechnisch erfassbar sind, ist das Emissionsminderungspotential messwertbasierter Regelstrategien limitiert. In dieser Arbeit wurde deshalb ein neuer Ansatz zur fortlaufenden intelligenten Optimierung der Betriebseinstellungen entwickelt. Mithilfe eines genetischen Algorithmus werden die für eine spezifische Betriebssituation mit einer minimalen N2O-Emission verbundenen Regeleinstellungen automatisch identifiziert. Dabei können neben der Emissionsminimierung weitere, frei definierbare Betriebsziele wie das Einhalten einer ausreichenden Stickstoffelimination berücksichtigt werden; das betrachtete System wird aus einer ganzheitlichen Perspektive optimiert (keine Definition fester Regelzusammenhänge). Zur Bewertung der Auswirkung einzelner Regelparametersets auf die N2O-Emission und ggf. weitere Zielparameter greift der Optimierungsalgorithmus auf ein Prognosemodell zurück. In dieser Arbeit werden dafür neuronale Netzwerke verwendet; diese kommen aufgrund ihres mathematisch einfacheren Aufbaus deutlich schneller als mechanistische Modelle zu einem Ergebnis. Zur Erzeugung von Trainingsdaten wird allerdings ein mechanistisches Modell herangezogen. Mit dem entwickelten Ansatz konnten Prognosenetzwerke auch bei begrenzter Datenverfügbarkeit erfolgreich trainiert werden. Zur Einordnung der Verlässlichkeit der ausgegebenen Regelempfehlung wurde schließlich ein Klassifizierungsalgorithmus entwickelt. Der entwickelte Ansatz wurde erfolgreich für drei beispielhafte Anwendungen erprobt; in allen Beispielen konnte rechnerisch eine erhebliche Emissionsminderung erreicht werden. Durch den Algorithmus wurden die wesentlichen Ursachen der N2O-Bildung trotz einer begrenzten Anzahl an Eingangsparametern identifiziert und entsprechend angepasste Minderungsmaßnahmen vorgeschlagen. Somit kann die intelligente Optimierung bereits heute zur Unterstützung des Betriebspersonals eingesetzt werden. Langfristig können intelligente Algorithmen einen emissionsarmen, nachhaltigen und weitestgehend automatisierten Kläranlagenbetrieb ermöglichen.

U2 - 10.15488/18126

DO - 10.15488/18126

M3 - Dissertation

SN - 978-3-948432-05-8

T3 - Veröffentlichungen des Institutes für Siedlungswasserwirtschaft und Abfalltechnik der Leibniz-Universität Hannover

CY - Hannover

ER -

By the same author(s)

  1. Novel approach for AI-based N2O emission reduction in biological wastewater treatment relying on genetic algorithms and neural networks

    Research output: Contribution to journal › Article › Research › peer review

  2. N₂O-Emissionsreduzierung durch KI-unterstützte Regelung der biologischen Abwasserreinigung

    Research output: Thesis › Doctoral thesis

  3. Die Entwicklung der Schwammstadt

    Research output: Contribution to journal › Article › Research

  4. Activity of Ammonium-Oxidizing Bacteria—An Essential Parameter for Model-Based N2O Mitigation Control Strategies for Biofilms

    Research output: Contribution to journal › Article › Research › peer review

  5. Using Stormwater in a Sponge City as a New Wing of Urban Water Supply: A Case Study

    Research output: Contribution to journal › Article › Research › peer review