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 dynamische Simulation Künstliche Neuronale Netze, insbesondere [5] Modellansatz rigoros datengetrieben Versuchsplanung erforderlich nicht erforderlich Datenherkunft Messkampagne / Schätzung Betriebsdaten Modelleingänge vorgegeben frei Modellausgänge vorgegeben frei Aufwand zur Modellierung hoch gering Aufwand zur Modellpflege hoch gering Umgang mit Zeitverhalten (Abbildung instationärer Systeme) z. T. möglich nur mit hohem Aufwand Analysemöglichkeiten Szenarioanalyse Sensitivitäts-/ Kausalitätsanalysen Tabelle: Robecke/Cornel Eigenschaften der dynamischen Simulation und Künstlicher Neuronaler Netze nach [7] Modellierung und Analyse durch Künstliche Neuronale Netze Im Gegensatz zurigorosen Modellen ist für die Modellierung kein apriorischesWissen erforderlich. Mit einergegebenen Datenmenge kann einKünstliches Neuronales Netz grundsätzlich ohne Kenntnis dernaturwissenschaftlichen Gesetzmäßigkeiten trainiert werden. Hierist jedochimVorfeld sicherzu stellen, dassalle für denProzesswesentlichen Größen inden Daten enthalten sind beziehungsweise das Fehlen von Größen bei der Modellinterpretation berücksichtigt wird. Das Künstliche Neuronale Netz bildet imVerlauf der Modellierung die in den Daten enthaltenen Kausalitäten ab. Anschließend sind Künstliche Neuronale Netzeinder Lage, Prognosen für Zielgrößen auf Basis unbekannter Eingangsgrößen zu erstellen. Potenzielle Schwachstellen Künstlicher Neuronaler Netze wie Unteranpassung oderÜberanpassung könnendurch Einsatz geeigneterMethoden (etwa Korrelationsanalysen) imVorfeld ausgeschlossen werden. Auf Grund des Black-Box-Charakters Künstlicher Neuronaler Netze wird verbreitet angenommen, dass es nicht möglichsei,implizit in denEingangsdaten enthaltene Gesetzmäßigkeiten sichtbar und einer weitergehenden Untersuchung zugänglichzumachen. Diese Möglichkeitist aufGrund derWeiterentwicklung derSoftwaremittlerweile gegeben. DieAnwendung aufden Bereichder Abwasserreinigung ist jedoch bisher als Ausnahme anzusehen. Der Einsatz geeigneter Software [5] ermöglicht es, dieErgebnisse der Modellierung mit Künstlichen Neuronalen Netzen in Form von interpretationsfähigen Kausalitätsdiagrammen zuvisualisieren. Vereinfacht dargestellt sind Kausalitätsdiagramme Schnitte durchdas n-dimensionale Kennlinienfeldeinesneuronalen Modells und deren Projektion auf eine BiologischeProzesse beider Abwasserbehandlung Biologische Verfahren werden bei kommunalen Kläranlagen inder zweiten Reinigungsstufe angewandt. Ihr Zweck ist es, organisch hochbelastete Abwässer zu reinigen und Kohlenstoffverbindungen sowie Stickstoff und zunehmend auch Phosphor aus dem Abwasser zu eliminieren. Zu den biologischen Prozessen bei der Abwasserbehandlung zählen die Biochemische Oxidation, die Anaerobe Abwasserreinigung und die Schlammfaulung. Bei allen Verfahren kommen Mikroorganismen (Bakterien und Hefepilze) zum Einsatz. Sie werden im Belebungsbecken als Belebtschlamm dem Abwasser zugeführt. Die Verunreinigungen werden von ihnen im optimalen Fall vollständig mineralisiert. Kohlenstoffverbindungen werden zuCO 2 beziehungsweise zu Biomasse umgesetzt. Diese kann als Klärschlamm beseitigt oder inFaulbehältern unter Ausschluss von Sauerstoff durch anaerobe Bakterien weiter abgebaut werden. Endprodukte sind Faulschlamm und Faulgas. Der Stickstoff hingegen wird als Ammoniak (NH 4+ )abgespalten und mit Sauerstoff zu Nitrit (NO 2– )und Nitrat (NO 3– )oxidiert (Nitrifikation). Als Endprodukte der Biochemischen Oxidation (aerobe Abwasserreinigung) stehen Wasser, CO 2 ,Nitrat, Phosphat und Sulfat. Am Ende der anaeroben Abwasserreinigung beziehungsweise der Schlammfaulung stehen organische Säuren, Methan und CO 2 .Indas Belebungsbecken wird dabei ununterbrochen Abwasser zugeleitet und mit Belebtschlamm versetztes Wasser abgeführt. Im Nachklärbecken setzt sich der Belebtschlamm vom Abwasser abund wird getrennt. Zum Teil kann erwieder indas Belebungsbecken zurückgeführt werden. Ziel ist es hier, die Konzentration an Mikroorganismen zu kontrollieren. Die Verschmutzung des Wassers wird unter anderem als Biochemischer Sauerstoffbedarf während 5Tagen angegeben (BSB 5). Diese Kenngröße charakterisiert den Sauerstoffbedarf, der aufgrund der Oxidation der Kohlenstoffverbindungen entsteht. Bild: Dieter Schütz/Pixelio 38 UmweltMagazin Juni 2013

zweidimensionale Fläche. Abbildung 1ist einBeispielfür ein Kausalitätsdiagramm: Aufder y-Achseist derspezifische Energieverbrauch (Quotient aus Belüftungsleistung und CSB-Zulauffracht) und auf der x-Achse die NH 4 -N-Zulauffracht aufgetragen. Für den spezifischen Energieverbrauch wurde als Bezugsgröße die CSB-Zulauffracht gewählt, da bei den Energieanalysen insbesondere nach Handbuch NRW[6] ebenfalls dieKohlenstofffracht (hierals BSB5)als Bezugsgröße verwendet wird (wobei sich auch Stickstoffparameter als Bezugsgröße zur Modellierung des spezifischen Energieverbrauchsmittels Künstlicher NeuronalerNetze eignen). Es wird deutlich, dass hohe NH 4 -N-Zulauffrachten zur einem geringerem spezifischen Energieverbrauch führen. Dies ist unter anderem dadurch zu erklären, dass das treibende Potenzial für den Abbau größer wird (siehe auch Michaelis-Menten-Kinetik). Bei der detaillierten Interpretation sind weitere Randbedingungen wiedie implementierteRegelungsstrategie zu berücksichtigen. Da explizites Wissen keinen Eingang indie Modellierung mit Künstlichen Neuronalen Netzen findet, ist besondere Sorgfalt bei der Auswahl von Ein- und Ausgangsgrößen erforderlich. Darüber hinaus ist das neuronale Modell an Hand von statistischen Qualitätsparametern auf seine Gültigkeit zu überprüfen. Bei der Interpretation von neuronalen Modellenist sicher zu stellen, dass die beobachteten Effekte im Einklang mit den gültigen abwassertechnischen Grundlagen stehen. Hier ist dann entsprechendes Fachwissen des Anwenders unerlässlich. Die vorgestellten Modellansätze besitzen jeweils systembedingte Stärken und Schwächen. Diese sind inder Tabelle zusammengefasst. Die Auswahl eines Modellansatzes für die Prozessanalyse sollte sich somit am Untersuchungsziel und den gegebenen Randbedingungen orientieren. Fazit und Ausblick Die dynamische Simulation und Künstlichen Neuronale Netze gehen vonunterschiedlichenModellansätzen aus. Neben der dynamischen Simulation eignen sich auch Künstliche Neuronale Netze zur Analyse von abwassertechnischen Zusammenhängen. Die AuswahleinesModellansatzes wird von der Aufgabenstellung und den vorliegenden Randbedingungen sowie denjeweiligen Modelleigenarten determiniert. Vergleichende Untersuchungen der Methoden liegen derzeit nochnicht Currenta GmbH &Co. OHG CHEMPARK 51368 Leverkusen www.currenta.com vor. Hierin wäre ein Ansatz für weitere Forschungsarbeiten zusehen. Auch die Kopplung der Systeme könnte neue Möglichkeiten zur Untersuchung der Prozessebei derbiologischen Abwasserreinigung eröffnen. M. Sc. Ulrich Robecke, Stadt Münster, Tiefbauamt, Münster, robecke@stadt-muenster.de, Prof. Dr.-Ing. Peter Cornel, Institut IWAR, Darmstadt ABFALLEIMER DER SONDERKLASSE. CURRENTA–Maßstab für effiziente Kreislaufwirtschaft. Direkt am Rhein zwischen Leverkusen und Krefeld-Uerdingen befinden sich drei der fortschrittlichsten Entsorgungsstandorte Europas, die Kommunen und Industriebetriebe aus ganz Deutschland nutzen. Hier verwerten und entsorgen wir Sonderabfälle jeglicher Artsicher und umweltgerechtineigenen Anlagen. FürkomplexeVerbundwerkstoffe wie Platinen oder moderne Batterien haben wir eine thermische Vorbehandlung zur effizienteren Rückgewinnung der Metalle entwickelt. Undnatürlich bieten wir unseren Kunden auch Einzel- oder Gesamtlösungen für ihreEntsorgungsprobleme an. Wenn Sie jetzt alsodie Sonderklasseder Entsorgung kennen lernen wollen, sprechen Sie Michael Mross an. Tel+49 2133 5121156 oder michael.mross@currenta.de Ein Unternehmen von Bayer und LANXESS UmweltMagazin Juni 2013

Ausgabenübersicht