Aufrufe
vor 4 Jahren

6 | 2013

  • Text
  • Unternehmen
  • Juni
  • Umweltmagazin
  • Energie
  • Energien
  • Emas
  • Einsatz
  • Anlagen
  • Verordnung
  • Deutschland

TECHNIK UND MANAGEMENT

TECHNIK UND MANAGEMENT Wasser/Abwasser Bild: KfW-Bildarchiv/Fotograf: Thomas Klewar Abwasserbehandlung: Nachklärbecken ineiner Kläranlage Modellierung abwassertechnischerProzesse Zur Modellierung und Analyse der biologischen Prozesse bei der Abwasserbehandlung können prinzipiell rigorose oder datengetriebene Modellansätze eingesetzt werden. Die Ansätze sind durch unterschiedliche Vor- und Nachteile gekennzeichnet. In diesem Beitrag werden die Modellansätze und deren Eigenschaften in den Grundzügen dargestellt und insbesondere deren Eignung zur Prozessanalyse beschrieben. Eswird gezeigt, dass sich neben den bereits zur Anwendung kommenden ASM-Modellen auch Künstliche Neuronale Netze zur Prozessanalyse eignen. Ulrich Robecke und Prof. Dr.-Ing. Peter Cornel Grundsätzlich lassen sich zwei Ansätzezur Modellierung vonProzessen unterscheiden. Ein Ansatz ist die Erstellung eines rigorosen Modells (First-Principal Based Model), das auf vorhandenem Wissen in Form von (Differential-) Gleichungen basiert.Im Gegensatz dazu werden datengetriebene Modelle (Design of Experiments Model) mittels vorhandener Messdatenentwickelt. Für die Aufgabenstellung Prozessanalyse wird für den Bereich der biologischen Abwasserreinigung bisher üblicherweise das Werkzeug der dynamischen Simulation mittels ASM (Activated Sludge Model) als rigoroses Modell eingesetzt. Imnationalen und internationalen Umfeld der Abwasserreinigung treten Künstliche Neuronale Netze als datengetriebenes Modell zunehmend in den Fokus. Deren Eignung zur Prozessanalyse ist weitgehend unbekannt und soll hier beispielhaftdargestellt werden. Rigorose und datengetriebene Modelle Nach [1] können Modelle in harte (mathematisch-formellastige Modelle) und weiche Modelle (deskriptive Modelle) eingeteilt werden. Kennzeichnend für die die Systemstruktur nachbildenden hartenModelle ist, dass Modellelemente vorab definiert und die Relationeninder Regeldurch Differentialgleichungenabgebildetwerden. Somit ist eine möglichst vollständige 36 UmweltMagazin Juni 2013

Grafik: Robecke/Cornel Kausalitätsdiagramm e Bel =f(NH 4 -N zu ) Literatur [1] Bungartz, H. J., Zimmer, S., Buchholz, M., Pflüger, D.: Modellbildung und Simulation, Springer-Verlag Berlin Heidelberg, 2009 [2] Bossel, H.: Systeme, Dynamik, Simulation, Books onDemand Verlag, Norderstedt, 2004 [3] Henze, M., Grady, C.P.L.Jr, Gujer, W., Marais, G. v. R., Matsuo, T.:Activated Sludge Model No. 1, IAWPRC Scientific and Technical Report No. 1,1987 [4] Wichern, M.: Simulation biochemischer Prozesse in der Siedlungswasserwirtschaft, Oldenburg Industrieverlag, 2010 [5] atlan-tec Systems GmbH: NeuroModel 3.1, Release 3.1.017, 2012 [6] Ministerium für Umwelt, Raumordnung und Landwirtschaft des Landes Nordrhein- Westfalen (Hrsg): Handbuch Energie in Kläranlagen, 1999 [7] Gebhardt, J.: Optimierung von Kläranlagen mit Künstlichen Neuronalen Netzen und Genetischen Algorithmen, Tagungsband der Tagung Mess- und Regelungstechnik in abwassertechnischen Anlagen, Wuppertal, 17.09.2009 Kenntnis der Wirkmechanismen Voraussetzung für die Modellerstellung. In diese Gruppe fallen etwa die ASM- Modelle.ImGegensatzhierzubasieren deskriptive weiche Modelle, die Systemverhalten beschreiben, auf historischen Messergebnissen [2]. Die Wirkmechanismen zwischen einzelnen Größen müssen bei der Modellierung nicht bekannt sein, sondern sind implizit in den verwendeten Daten enthalten. Im Anschluss andie Modellierung sind die Ergebnisse vor dem Hintergrund bestehenderErkenntnisseauf Plausibilität zu prüfen. Dieser Gruppe sind KünstlicheNeuronale Netze zuzuordnen. Grundsätzlich gilt, dass es bei der Modellierung nicht um das richtige sondern umdas passende Modell geht [1], das heißt der Einsatzzweck bestimmt die Auswahl des Modellansatzes. Modellierung und Analyse mittels dynamischer Simulation Am Beispiel von ASM 1[3] kann der Umfang einer Modellierung mit rigorosen Modellen verdeutlicht werden. Das ASM 1bildet die Prozesse des Kohlenstoff- und Stickstoffabbausnach. Es sind die Zulaufkonzentrationen von 13 Komponenten durch Messungen zu bestimmenoderanHand vonvorgegeben Parametersätzen anzupassen beziehungsweise zu schätzen. Fünf stöchiometrische Parameter und 14 kinetische Parameter sind ebenfalls zu ermitteln. Komponenten und Parameter gehenindie demModell zu GrundeliegendenGleichungen ein. In einem Iterationsprozess werden die Komponenten und Parameter andie zu modellierende Anlage angepasst. Als Resultat verfügtman dann überein funktionierendes mathematisches Modell für die betrachtete Anlage, welches Analysen zu Reinigungsleistung und Ablaufqualität ermöglicht. Die Prozessanalyse bei der dynamischen Simulation erfolgt in Form von Sensitivitätsanalysen. Durch Variation von Komponenten (schwankende Zusammensetzung des Abwasserzulaufes) und Parametern (schwankende Bedingungen im biologischen Reaktor) kann das Verhaltender Anlage für unterschiedliche Betriebszustände prognostiziert werden. Als problematisch kann sich hier erweisen, dass die Anpassung eines Parameters gegebenenfalls eine erforderliche Anpassung weitererParameternachsichzieht. Die Sensitivitätsanalyse hat somit den Charakter eines Was-wäre-wenn-Szenarios. Die Einzelergebnisse werden in einer Simulationsstudie zusammengefasst. Ein Beispielfür eine Sensitivitätsanalyse ist bei [4] zu finden. An einer Versuchsanlage wurden unter Einsatz von ASM 3folgende Zusammenhänge ermittelt: 7 die Erhöhung des inerten partikulären CSB-Anteil führt zuerhöhter Überschussschlammproduktion und einer Verringerung der aktiven Biomasse und 7 sinkende aerobe Aufenthaltszeiten führen zu sinkender Nitrifikationsleistung. Der Betrag der Effekte hängtvon den vorab gewählten Schwankungsbreiten der variierten Parameter ab. Es lassen sichhieraus somitAussagenzum Anlagenzustand bei schwankenden Zulaufverhältnissen und Betriebszuständen ableiten. UmweltMagazin Juni 2013 37

Ausgabenübersicht