Deep Learning Based Simulators for the Phosphorus Removal Process Control in Wastewater Treatment via Deep Reinforcement Learning Algorithms

要約

限られた資源への依存を減らすために、廃水処理ではリンの除去が不可欠です。
深層強化学習 (DRL) は、試行錯誤を通じて制御ポリシーを学習することで、下水処理プラントのプロセスを含む複雑な非線形システムを最適化できる機械学習手法です。
ただし、DRL を化学および生物学的プロセスに適用することは、正確なシミュレーターが必要なため困難です。
この研究では、リン除去プロセスを特定するために 6 つのモデルをトレーニングし、それらを使用して DRL 環境のシミュレーターを作成しました。
モデルは高い精度 (>97%) を達成しましたが、不確実性と不正確な予測動作により、長期にわたるシミュレーターとしてのパフォーマンスが制限されました。
この問題の原因の 1 つとして、モデルの予測における複合誤差が特定されました。
プロセス制御を改善するためのこのアプローチには、複雑なシステム モデリングやパラメーター推定を行わずに、十分な歴史的期間を持つ監視制御およびデータ収集 (SCADA) システムからのデータを使用して、DRL アルゴリズム用のシミュレーション環境を作成することが含まれます。

要約(オリジナル)

Phosphorus removal is vital in wastewater treatment to reduce reliance on limited resources. Deep reinforcement learning (DRL) is a machine learning technique that can optimize complex and nonlinear systems, including the processes in wastewater treatment plants, by learning control policies through trial and error. However, applying DRL to chemical and biological processes is challenging due to the need for accurate simulators. This study trained six models to identify the phosphorus removal process and used them to create a simulator for the DRL environment. Although the models achieved high accuracy (>97%), uncertainty and incorrect prediction behavior limited their performance as simulators over longer horizons. Compounding errors in the models’ predictions were identified as one of the causes of this problem. This approach for improving process control involves creating simulation environments for DRL algorithms, using data from supervisory control and data acquisition (SCADA) systems with a sufficient historical horizon without complex system modeling or parameter estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google