Forbedret estimering av vanskelig målte avløpsvannparametere ved bruk av genetisk algoritmebasert symbolsk regresjon og mulige økonomiske driftbesparelser ved forbedret estimering av disse parametere
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2402654Utgivelsesdato
2016-08-30Metadata
Vis full innførselSamlinger
- Master's theses (RealTek) [1826]
Sammendrag
Masteroppgaven handler om å finne den beste estimeringen av avløpsparametere som ikke kan måles direkte med sensorer. Arbeidet bygger direkte på arbeidet som ble gjort av \cite{holm2016} og oppgaven undersøker om estimeringsmodeller kan forbedres ved hjelp av den symbolske regresjonsmetoden utviklet av \cite{eureqa1} som bygger på genetiske algoritmer. Dette er ikke blitt gjort på en adekvat måte fordi det har vært tungvindt og mye å sette seg inn i, men nyutviklede verktøy gjør dette lettere å undersøke. Det ble foretatt eksperimenter ved Solumstrand renseanlegg i Drammen i 5 døgn i 2015 og 6 døgn i 2016, på bakgrunn av dette så ble det bygget modeller med genetiske algoritmer som ble teste ut og sammenlignet med modeller dannet med kovensjonelle metoder. Bedre estimeringer av vanskelig målte parametere vil senke økonomiske driftskostnader og kan potensielt direkte og/eller indirekte føre til mindre bruk av kjemikalier. The master thesis is about finding the best estimation of wastewater parameters that can not be measured directly with sensors. The work builds directly on work done by \cite{holm2016} and examine whether estimation models can be improved by means of symbolic regression developed by \cite{eureqa1} based on genetic algorithms . This has not been done adequately because it has been cumbersome and demanding prosess, but newly developed tools make this easier to examine. We conducted experiments at Solumstranda treatment plant in Drammen for five days in 2015 and for six days in 2016, based on these experiments there were built models with genetic algorithms which were tested and compared with the models formed with conventional methods. Better estimates of these parameters will lower financial costs and can potentially directly and/or indirectly lead to less use of chemicals.