A Recurrent Neural Network for Wastewater Treatment Plant Effuents' Prediction

Abstract

[Abstract] Wastewater Treatment Plants (WWTP) are industries devoted to process water coming from cities' sewer systems and to reduce their contamination. High-pollutant products are generated in the pollutant reduction processes. For this reason, certain limits are established and violations of them are translated into high economic punishments and environmental problems. In this paper data driven methods are performed to monitor the WWTP behaviour. The aim is to predict its effluent concentrations in order to reduce possible violations and their derived costs. To do so, an alarm generation system based on the application of Artificial Neural Networks (ANNs) is proposed. The proposed system shows a good prediction accuracy (errors around 5%) and a reduced miss-detection probability (30%).

[Resumen] Las Plantas de tratamiento de aguas residuales (PTAR) son industrias dedicadas a procesar el agua que proviene de los sistemas de alcantarillado de las ciudades y reducir su contaminación. Los productos de alta contaminación se generan en los procesos de reducción de contaminantes. Por esta razón, se establecen ciertos límites y sus violaciones se traducen en castigos económicos elevados y problemas ambientales. En este documento, se realizan métodos controlados por datos para monitorizar el comportamiento de la EDAR. El objetivo es predecir sus concentraciones de efluentes para reducir las posibles violaciones y sus costos derivados. Para ello, se propone un sistema de generación de alarmas basado en la aplicación de Redes Neuronales Artificiales (ANN). El sistema propuesto muestra una buena precisión de predicción (errores en torno al 5%) y una probabilidad de detección errónea reducida (30%).