인공지능의 갈림길에 있는 활성슬러지 모델 – 프로세스 모델링의 발전에 대한 관점

ASM의 검증 및 복잡성 문제

특히, 프로세스 모델링 분야에서 현재 학술 연구는 점점 더 복잡하고 전문화된 모델을 생성하고 있다 . 

그림1은 이러한 모델을 사용한 연구에 대한 지속적인 관심을 보여줍니다. 공장에서 질소, 인 및 COD 제거 성능을 설명하기 위해 대부분 ASM 모델의 확장을 기반으로 하는 이러한 모델은 수치적 복잡성과 검증 문제로 인해 공정 설계 및 운영 응용 프로그램에 적합하지 않습니다.

검증 문제는 모델의 주어진 구조뿐만 아니라 모델 매개변수 추정(제한적임)에 사용되는 사용 가능한 프로세스 데이터에서 부분적으로 발생합니다. 여러 연구에서 이러한 모델의 식별 가능성을 체계적으로 분석했습니다.

우리 자신의 연구를 포함하여 집중 측정 캠페인에서 수집된 전형적인 식물 데이터를 고려하여 60개 이상의 모델 매개변수 중에서 소수(6-10개의 매개변수 하위 집합)만이 데이터에서 고유하게 추정될 수 있음을 보여주었습니다.

교정 프로토콜에 의해 이미 인식되었습니다. 나머지 모델 매개변수는 활성 슬러지 플랜트를 시뮬레이션하기 위해 이러한 모델을 적용할 때 고정되거나 가정되어야 합니다.

모델 매개변수의 불확실성을 설명하고 설계 및 운영 평가를 수행할 수 있지만 Sin 등이 조사한 바와 같이 광범위한 변동성을 나타내는 모델 매개변수의 불확실성 범위를 정의하는 것과 관련하여 핵심 문제가 남아 있습니다.

이 모델 검증 및 불확실성 문제에 대한 근본적인 이유 중 하나는 이러한 모델이 미생물 성장을 설명하기 위해 Monod 동역학을 사용하기 때문입니다.

Holmberg에 의해 1982년에 이미 수행된 이론적인 식별 가능성 연구.

이미 바이오매스 활동(예: 시간에 따른 기질 측정)을 측정하는 데 사용되는 간단한 회분식 반응기에서 주어진 완벽한 측정(노이즈 없음)이 수확량, 최대 성장 속도 및 바이오매스 농도의 고유한 추정은 불가능합니다.

나중에 Petersen et al. 질화 활성 슬러지 샘플의 활동에 대한 사용된 호흡 측정 및 적정 측정은 동일한 결론을 확인했습니다. 즉, 고유한 매개변수 대신 매개변수의 조합만 고유하게 식별할 수 있습니다(예: ((4.57-YA)/YA*μmax* X )). 이 결론에 대한 중요한 관찰은 X (mgCOD/L)가 실험에 포함된 미생물 그룹의 활성 부분을 나타내도록 정의된 일괄 매개변수라는 것입니다.

예를 들어, 질산화 활동 연구에서 X는 X_AOO 및 X_NOO 로 분류됩니다.

각각 암모니아 산화 유기체 및 아질산염 산화 유기체를 나타냅니다.

이러한 예는 활성화된 슬러지의 다른 미생물 그룹, 예를 들어 탈질 종속 영양 유기체, 인 축적 유기체, 글리코겐 축적 유기체로 확장될 수 있으며, 모두 상태 변수로서 단위 mg COD/L로 가정적으로 모델링됩니다.

결국 바이오매스의 이러한 다양한 부분은 해당 배치 활동 테스트 세트 또는 모델을 사용한 정상 시뮬레이션의 전체 규모 측정을 사용하여 간접적으로 추론됩니다.

여기에서 생물학적 군집이 모델의 의사 매개변수로 표현된다는 아이러니에 주목하십시오. 실제로는 이를 측정할 수 있는 직접적인 방법이 없습니다.

그러므로, 가정 및 변환 계수(예: VSS 대 COD 비율 등)를 만들지 않고 플랜트에서 다양한 기능을 담당하는 이러한 바이오매스 부분의 시뮬레이션 값을 검증하기 위한 독립적인 실험 절차가 없습니다.

대신, 바이오매스의 이러한 비율은 바이오매스의 측정된 활동에 대한 모델 기반 피팅에서 간접적으로 추론됩니다(예: NH 고갈을 통해).

질화 활성 슬러지를 사용한 배치 테스트 동안 4 -N 비율). 완벽한 활동 측정이 있더라도 이러한 비율의 추정 값은 여전히 ​​모델의 생산량 및 최대 성장률 매개변수와 연결되어 있습니다(위에서 Holmberg 35 및 Petersen et al. 37에서 논의한 바와같이).

모델링 커뮤니티가 X를 사용하는 동안이 과정을 연구하는 생물학적 커뮤니티인 WWTP에서 상응하는 활동을 설명하려는 시도는 최신 분자 탐침 기술(예: 메타게노믹스, qPCR, FISH 등)을 사용하여 어떤 유기체(계통수), 상대적 풍부도 및 활동을 식별합니다.

예를 들어, 유입수에 존재하는 많은 오염 물질(NH₄-N에서 COD 등으로)을 대사하는 meta-transcriptomics 분석에서 단백질 유전자의 발현.

메타게노믹스 데이터의 증가와 이에 대한 조치

metagenomics의 연구 분야는 환경 공동체에서 미생물 DNA의 게놈 분석을 조사하며 지난 5-10년 동안 빠르게 성장하여 Scopus에 16,000개 이상의 연구 논문이 색인되어 가장 뜨거운 과학 분야 중 하나가 되었습니다(그림1) . 및 2)

– 미생물 생태, 진화 및 다양성에 상당한 진보를 가져옴.

이 분야는 과학자들에게 샘플에 포함된 내용에 대한 사전 지식 없이도 샘플에서 미생물을 식별할 수 있는 시퀀싱 기반 메타게놈 검사 도구를 제공하여 의학, 환경 과학, 미생물 생태학, 미생물학, 및 폐수 공학(그림2).

이러한 기술 중 FISH(Fluorescence in situ hybridization)는 특정 미생물을 식별하기 위해 DNA에서 특정 관심 유전자를 찾는 데 사용할 수 있지만 처리량이 적은 기술입니다.

정량적 PCR(qPCR)은 민감하고 정량적이며 형광 염료를 사용하여 표적 DNA의 증폭을 모니터링합니다. 따라서 한 번에 몇 개의 미생물만 평가할 수 있습니다.

한편, 16S 리보솜 RNA 시퀀싱은 종 특이성이 높고 대부분의 미생물에 존재하는 16S rRNA 유전자를 표적으로 합니다. 따라서 박테리아를 식별하고 분류할 수 있는 빠르고 저렴한 대안입니다.

시퀀싱 외에도 메타 전사체의 특성화(mRNA 시퀀싱 사용)는 발현된 유전자와 비발현된 유전자를 구별하여 실제 대사 활동을 반영할 수 있는 능력을 제공하여 metagenomic DNA 기반 분석의 단점을 극복합니다.

가격이 더 비쌉니다.

그러나 얻은 데이터는 정보가 더 풍부하여 정량화된 대사 활동을 모델링할 수 있습니다.

폐수 처리에서 활성 슬러지 시스템에 이러한 방법을 적용하는 선구자였으며 연구 커뮤니티를 초대하여 활성 슬러지에 어떤 유기체가 존재하고 그곳에서 무엇을 하는지 이해하도록 했습니다.

미생물 다양성 분석과 함께 16S rRNA 유전자 시퀀싱 기술을 사용하여 활성 슬러지에 활발히 존재하는 미생물의 핵심 커뮤니티를 확인했습니다.

이러한 방법을 적용하면 수백 년 된 활성 슬러지 공정에 대한 매우 포괄적인 정보가 생성됩니다.

이러한 미생물 군집의 빈도와 다양성에 대한 이 새로운 지식과 공간 및 시간에 따른 동적 프로필을 통합하면 N₂O 배출과 같은 폐수 처리 공정의 기본 현상에 대한 정량적 모델링을 지원할 수 있습니다 . 이러한 분자 데이터(metagenomics)를 ODE 기반 수학적 모델과 통합하는 한 가지 가능한 방법은 딥 러닝과 같은 인공 지능 기술을 활용하는 것입니다.

그 이상: ASM도 AI 모델도 아님

이 새로운 연구 분야에서 우리는 활성 슬러지 시스템의 첫 번째 원칙 모델과 AI의 기계 학습(ML) 분기를 통해 생물학적 데이터의 연구 및 시너지 통합을 요구합니다.

사실, 여기서 우리가 제안하는 것은 그 자체로는 새로운 것이 아니며 다양한 응용 프로그램에 대해 광범위하게 연구된 하이브리드 모델링이 아니라는 점에 정당하게 주목됩니다. 예를 들어, 화학 공학(결정화, 건조, 밀링, 중합) 및 생화학 공학(주로 곰팡이에서 박테리아, 효모 및 포유류 세포 배양에 이르기까지 다양한 발효 공정 모델링)의 하이브리드 모델링과 수처리.

초기 하이브리드 모델링의 동기는 첫 번째 원리 모델의 예측을 개선하여 기계적 모델에 의해 계산된 질량 및 에너지 균형에 존재하는 오류/불확실성을 수정하는 것입니다.

다양한 파라메트릭 하이브리드 모델 설계, 예를 들어 병렬, 직렬 및 다중 조합이 제안됩니다. 하이브리드 모델은 복잡한 공정 현상을 예측하는 데에도 사용되는 경우가 많습니다.

그렇지 않으면 기계적으로 설명하기가 매우 어렵습니다(예: 교차 여과 장치의 케이크 형성 또는 발효 공정에서 제품의 형성 속도/역학). 폐수에서 하이브리드 모델 적용은 산업 모두에 대해 연구되었습니다.및 국내 폐수 처리 공장.

예를 들어 ANN 모델을 통합하여 병렬 조합을 사용하여 기계적(ASM2d) 모델의 프로세스 데이터에서 생물학적 운동 속도를 학습하는 반면 확장된 Kalman 필터의 적용과 유사하게 폐수 COD, NH₄ 및 PO₄-3 의 예측을 개선하기 위해 신경망 모델을 사용하여 저자가 기계적 모델(ASM3g-Eawag)의 오류를 모델링한 일련의 조합을 사용했습니다. EKF는 모델의 오류로부터 학습합니다.

이러한 모델은 데이터에 대한 적합도를 개선할 가능성을 제시했지만(모델의 R 2, 결정 계수), 그러나 예를 들어 공정 제어 및 작동을 위한 적용.

더 중요한 것은, 예를 들어 P-제거와 같은 보다 복잡한 현상과 관련된 운동 속도를 모델링하지 못했다는 것입니다 . 이러한 이전 연구는 프로세스 데이터만 사용하고 하이브리드 모델링도 그 자체로는 답이 아님을 보여줍니다. 이를 설명하려면 포괄적인 프로세스 데이터가 필요합니다.

이 관점 논문에서 인용한 예인 N₂O 모델링과 관련하여 몇 가지 다른 메커니즘(예: 단일 경로 대 두 경로 모델 – AOB 탈질화 경로 및 불완전 하이드록실아민 산화 경로 모델)을 가진 ASM 모델의 많은 확장, 화학적 전환 등)이 제안되었다.

이러한 모델은 도입된 많은 매개변수 덕분에 N 2 에 맞게 만들 수 있습니다.보정 중 특정 기간부터 수집된 O 데이터(즉, 모델 매개변수의 하위 집합을 미세 조정하거나 피팅하여).

그러나 이러한 모델은 예를 들어 Mampaey et al.에서 N₂O 방출률을 42%까지 과소 평가하는 것과 같이 보정에 사용되지 않은 다른 데이터 세트에 직면할 때 쉽게 위조됩니다.

예를 들면. 그림3 에서는 Mampaey 등의 연구에서 입증된 대로 보정 및 검증 데이터 세트 간의 모델 성능을 시각화하는 데 도움이 되는 개략도를 제시합니다.

실제로 현재의 수학적 모델은 어떤 대사 경로가 지배적인 기여 요인인지 선험적으로 알지 못하므로 식물의 N₂O 배출 요인을 정량적으로 설명하지 못할 수 있습니다.

대부분의 도시 폐수 처리장은 더 낮은 NO₂ 에서 작동한다는 점에 유의하십시오.

특히 모델의 실패가 두드러지는 수준(30 mgN/L보다 훨씬 낮음). 어떤 면에서 확장 모델은 동일한 활동 측정에서 추정해야 하는 매개변수의 수를 증가시켰고, 따라서 이러한 모델의 기존 식별 가능성 문제를 복잡하게 만들었습니다. 이로 인해 프로세스 설계 및 운영에 대한 이전 가능성 및 일반 적용 가능성이 어렵고 예측할 수 없기 때문에 불가능합니다.

한편, 프로세스 데이터의 ML을 사용하는 것도 적용되어 PCA 기반 클러스터링 기술 57 이 N₂O 배출을 유발하는 운영 상황을 식별하는 데 사용될 수 있음을 보여주었습니다 .

ML 기술로 지원 벡터 머신(SVM)을 사용하는 N₂

상대적으로 단순한 파일럿 규모 원자로의 데이터 세트를 설명하는 경우에도 교차 검증 R2 가 낮게 유지되지만 O 배출량을 설명할 수 있습니다. DNN 59를 사용하는 자체 작업에서 교차 검증 테스트 데이터에서 R 2 최대 0.9 의 높은 정확도로 딥 러닝 네트워크(DNN)를 사용하여 N₂O 를 설명할 수 있는 가능성도 입증했습니다.

이러한 모델은 입력에 대한 민감도 분석을 수행하는 데 유용하지만 여기서 주요 문제는 이러한 순수한 데이터 기반 모델이 프로세스 설계 및 운영 목적에는 유용하지 않다는 것입니다.

단순히 이러한 데이터 기반 모델로 인해 N₂ 의 변화/계절 변동을 다시 예측하지 못합니다.오 배출. 요컨대, 기계적 모델이나 AI(ML) 모델만으로는 N₂O 데이터 를 예측적으로 설명할 수 없다고 주장합니다 .