Tiểu luận mô HÌNH hóa các QUÁ TRÌNH xử lý nước THẢI BẰNG MẠNG NƠRON NHÂN tạo

MỤC LỤC Trang MÔ HÌNH HÓA CÁC QUÁ TRÌNH XỬ LÝ NƯỚC THẢI BẰNG MẠNG NƠRON NHÂN TẠO MỞ ĐẦU Trong năm gần mạng nơron nhân tạo ANN (Artificial Neural Network) ngày ứng dụng rộng rãi công tác dự báo, mô nhiều lĩnh vực: tài chính, lượng, y học, tài nguyên nước khoa học môi trường Đặc biệt lĩnh vực kỹ thuật môi trường ANN ngày chứng tỏ vai trò mô trình xử lý phức tạp mà công cụ mô hình hóa thông thường hay bộc lộ nhược điểm Ở Việt Nam nay, có hệ thống xử lý nước thải điều khiển tự động hóa trình vận hành hệ thống đòi hỏi kinh nghiệm cao nhân viên vận hành Công việc vận hành đòi hỏi phải tiến hành thí nghiệm thường xuyên nhiều thời gian tốn Nếu mạng nơron ứng dụng vào công tác vận hành hệ thống hứa hẹn hiệu cao đáng tin cậy Bài báo trước hết tổng quan vấn đề mô hình hóa trình xử lý nước thải, tiếp giới thiệu sơ lý thuyết mạng nơron nhân tạo Phần trọng tâm báo tập trung vào ứng dụng cho nhà máy xử lý nước thải cụ thể Cuối kết thảo luận I MÔ HÌNH HÓA CÁC QUÁ TRÌNH XỬ LÝ NƯỚC THẢI Muốn mô hệ thống kỹ thuật, người ta phải tìm cách để mô tả quy luật hoạt động hệ thống Hay nói cách khác, người ta phải cố gắng tìm mối liên hệ thông số đầu vào đầu hệ thống Như ta biết, hệ thống xử lý nước thải hệ thống kỹ thuật khác bao gồm nhiều công trình đơn vị Mỗi công trình có chức riêng, tất kết nối thành hệ thống thực chức tổng quát, hệ thống xử lý nước thải là: biến đổi nước thải thành nước theo tiêu chuẩn Ta sơ đồ hóa công trình đơn vị hệ thống xử lý nước thải sau: Các thông số đầu vào xi Quá trình xử lý, f Các thông số đầu Yj = f(xi) Hình Sơ đồ đại diện cho công trình đơn vị hệ thống xử lý nước thải Trong đó: xt đại diện cho thông số đầu vào lưu lượng Q, BOD, pH, NH4+ , Tương tự yi đại diện cho thông số đầu BOD, COD, pH f đại diện trình xử lý, bể lắng cát, bể lắng sơ bộ, bể aerotank, bể lắng cấp hai, bể khử trùng Theo cách diễn đạt ta xem công trình đơn vị hàm số chứa đựng mối liên hệ thông số đầu vào đầu Và ta xem hệ thống hàm số tổng hợp hàm số Trong lĩnh vực xử lý nước thải, người ta cố gắng xây dựng số lý thuyết để tính toán hầu hết mức độ đơn giản, điều kiện tính toán thường lý tưởng kết thu mang tính chất gần đúng, ước lượng Lý chất vấn đề phức tạp, hiệu công trình xử lý phải phụ thuộc vào nhiều yếu tố mà ta xét hết được.Thêm vào chất lượng nước thải, điều kiện môi trường chứa đựng thông số khó kiểm soát Nhìn cách tổng quát công cụ mô hình hóa sử dụng để mô trình xử lý nước thải, ta phân loại sau: • Theo đặc điểm liệu sử dụng: ta có mô hình xác định (Deterministic), gọi mô hình vật lý mô hình thống kê (Stochastic) • Xét mặt phương pháp luận, người ta chia làm mô hình theo nguyên lý hộp trắng “White box” nguyên lý hộp đen “Black box” Ngoài có dạng mô hình kết hợp hai nguyên lý gọi mô hình Hybrid Nguyên lý hộp trắng “White box”: mô hình theo nguyên lý này, người I ta cố gắng mô tả tất trình xảy bên hệ thống phương trình toán học Chẳng hạn hệ thống xử lý nước thải phương pháp sinh học, mô hình dựa nguyên lý mô nhiều trình thủy lực, sinh hóa phương trình toán Nguyên lý hộp đen “Black box”: ngược lại với nguyên lý trên, nguyên lý “Black box” không quan tâm đến xảy bên hệ thống, coi “chiếc hộp đen” Các mô hình dựa nguyên lý quan tâm đến giá trị thông số đầu vào đầu hệ thống Và mối liên hệ thông số thiết lập dựa công cụ thống kê • Xét theo trạng thái, người ta chia mô hình hai loại: tĩnh (static) động (dynamic) Vật lý Thống kê Dữ liệu Chiếc hộp trắng • Logic mờ Chiếc hộphình đen cụ mô hóa Mô hình Hình 2: Sơ đồ phân loại công Nguyên lý Đối với trình mà ta biết rõ tượng, để mô người ta tiến hành Mạng nơron thí nghiệm với thông số nhận thức được, từ kết thí nghiệm ta xây dựng mô hình vật lý (physical model), sau đóKết sử dụng hợpmô hình để mô trình Trạng tháihiểu Tĩnh • Đối với trình mà ta chưa tượng, tượng phức tạp ta không mô tả được, ta có hai hướng để định Nếu ta thu Động “tri thức” (knowledge) từ trình đó, ta lựa chọn công cụ mờ (Fuzziness) để giải Còn trường hợp ta thu “tri thức” từ chất vấn đề, mạng (network) (ở mạng nơron) giải pháp tốt nhiều Qua trình phân tích từ hai sơ đồ trên, ta thấy mạng nơron loại mô hình mà theo đặc điểm liệu thuộc mô hình thống kê, xét mặt phương pháp luận mô hình theo nguyên lý hộp đen, nguyên lý mà ta không quan tâm đến trình xảy bên hệ thống mà quan tâm đến liệu đầu vào đầu hệ thống Theo trạng thái, tùy theo ứng dụng cấu trúc mạng nơron cụ thể mà ta xếp vào loại tĩnh động Và ta nhận thấy mạng nơron giải pháp thích hợp cho mô trình xử lý nước thải vốn xem chất phức tạp, khó kiểm soát Thêm vào kết hợp công cụ mạng nơron với công cụ mô hình khác chẳng hạn mô hình vật lý, lôgic mờ hứa hẹn cho đời công cụ mô mạnh, hiệu tương lai Mạng nơron công cụ mô hình điều khiển sử dụng rộng rãi nhiều trình công nghiệp phi tuyến, chúng mô hình on-line (Ngia and Sj oberg, 2000) [[10]] off-line (Lightbody and Irwin, 1997 [[9]]; Bloch et al., 1997) [[6]] Các hệ thống nhúng mờ sử dụng rộng rãi, kể đến mô hình on-line (Fink et al., 2001 [[6]]) số mô hình off-line (Kovacevic and Zhang , 1997 [[8]]; Zhang and Kovacev ic, 1998 [[12]]; Vieira and M ota, 2003 [[11]]) Hình Lựa chọn kỹ thuật mô hình hóa cho hệ thống kỹ thuật II GIỚI THIỆU MẠNG NƠRON NHÂN TẠO Mạng nơron nhân tạo sử dụng nguyên lý tính toán song song bao gồm nhiều trình tính toán đơn giản kết nối với Trong trình này, phép tính thực đơn giản, nơron đảm trách Nhưng nơron đơn giản lại giải nhiệm vụ phức tạp chúng kết nối, tổ chức với theo cách hợp lý Thực ra, tảng mạng ANN đưa vào năm thập kỷ 50 đến đầu thập kỷ 90, chúng thật chấp nhận rộng rãi trở thành công cụ hữu ích Lý người vượt qua số rào cản lý thuyết phát triển mạnh mẽ khả phần cứng máy tính Thuật ngữ “nhân tạo (Artificial)” thực dùng để công cụ tính toán mạng nơron sản phẩm trí tuệ người mạng nơron sinh học não người Một điều hiển nhiên trình tìm hiểu não người có tính chất định trình phát triển mạng ANN Tuy vậy, so sánh với não người, chế hoạt động mạng ANN mức độ đơn giản Thêm vào mạng ANN thường đề cập mạng kết nối khả tính toán nhấn mạnh tính xác mặt sinh học Nói cách khác, tính kết nối giúp mạng nơron thực nhiệm vụ cố gắng mô xác phần trình sinh học [[3]] Lớp nhập Lớp ẩn Lớp xuất Hình Sơ đồ minh họa mạng nơron [[1]] II.1 Nguyên tắc hoạt động mạng nơron Mạng nơron bao gồm nhiều đơn vị liên kết với theo cách cho phép chúng trao đổi thông tin với Các đơn vị xem nơron, hay nút, phận xử lý đơn giản Khả tính toán đơn vị hạn chế bao gồm phép cộng tín hiệu đầu vào hàm truyền tính toán tín hiệu đầu từ giá trị tín hiệu đầu vào cộng gộp Các tín hiệu đầu (output signals) gởi đến đơn vị (nơron) khác hệ số gọi trọng số Các trọng số làm tăng cường hay giảm thiểu tín hiệu mà nơron trao đổi cho Sơ đồ nơron đơn vị minh họa hình vẽ sau [[5]]: Hình Mô hình nơron đơn vị (a) McCulloch Pitt, (b) biểu diễn toán học Mặc dù nguyên tắc tính toán nơron đơn vị đơn giản, kết hợp với theo cấu trúc đó, có khả xấp xỉ hàm phi tuyến phức tạp II.2 Phát triển mô hình mạng nơron Khi phát triển mô hình mạng nơron người ta thường thực theo bước sau đây: Hình Các bước phát triển mô hình II.3 Ứng dụng mô hình mạng nơron nhân tạo Sau mộtmạngđã đượcxây dựng kiểm chứng, ta đưa ứng dụng hướng sau: theo Sử dụng mô hình cho công tác nghiên cứu Một mạng nơron luyện với sở liệu đầy đủ công cụ • tốt cho công tác nghiên cứu Bản thân mạng chứa đựng nhiều thông tin trình mà "học" nên ta sử dụng khảo sát mối liên hệ thông số trình xử lý nước thải vốn xem phức tạp, điều hứa hẹn góp phần hoàn thiện lý thuyết trình xử lý nước thải • Sử dụng mô hình cho thiết kế Trong trình thiết kế hệ thống nào, trình xử lý thường ước tính thông qua công cụ mô Các mạng nơron sau luyện tỏ hữu ích thiết kế hệ thống tượng tự mà luyện Mạng cung cấp cho người thiết kế thông tin hữu ích hỗ trợ trình định chọn lựa thông số vận hành phù hợp với thông số đầu vào công cụ hệ thống cần phải thiết kế • Sử dụng mô hình cho tối ưu hóa hệ thống Tối ưu hóa trình hiểu góc độ khác Tối ưu hóa trình ngoại tuyến (off-line) nghĩa ta mô trình cho chúng vận hành tối ưu, kết sử dụng kiểm chứng hệ thống full-scale.Tối ưu hóa trình trực tuyến (on-line) hiểu nôm na trình tối ưu hóa thực hệ thống kiểm soát chất lượng hệ thống xử lý hoạt động Cho dù ngoại tuyến hay trực tuyến mạng luyện đóng vai trò quan trọng Ta kết hợp mạng nơron ta vào hệ thống kiểm soát khác "Model Predict Control (MPC)", "Model Based control (MBC)" kỹ thuật kiểm soát khác III ÁP DỤNG CỤ THỂ Việc xây dựng mô hình để chạy số liệu thực tế Nghiên cứu xây dựng chương trình ngôn ngữ MatLab với chức năng: xử lý sơ số liệu, tạo mạng nơron, luyện mạng kiểm chứng mạng, tối ưu hóa mạng để xác định số nút ẩn số vòng lặp tối ưu, sau hiển thị kết đồ thị Để minh họa ứng dụng mạng nơron nhân tạo,kiểm tra hiệu mô hình xây dựng được, nghiên cứu sử dụng số liệu số trạm xử lý nước thải nước Bài báo trình bày kết trường hợp nhà máy sữa Cô Gái Hà Lan Kết trạm xử lý khác bạn đọc tham khảo tài liệu [[1]] III Hệ thống xử lý nước thải nhà máy sữa Cô Gái Hà Lan Hình Sơ đồ hệ thống xử lý nước thải nhà máy sữa Cô Gái Hà Lan III.2 Thu thập tổ chức số liệu Số liệu thu thập vị trí đầu vào đầu hệ thống với đặc trưng sau: • Các thông số đầu vào bao gồm pH, lưu lượng Q, nhu cầu ôxy hóa học COD chất rắn lơ lửng SS • Thông số đầu ra: COD • Số mẫu quan sát: 88 Dữ liệu sau thu thập tổ chức dạng x cell sau: CGHLip = {4x1 cell} [4x67 double] [4x21 double] CGHLopCOD = {1x1 cell} [1x67 double] [1x21 double] Dữ liệu đầu vào: gồm có thông số pH, lưu lượng Q, COD SS Dữ liệu chia làm hai tập: tập để luyện mạng ma trận [4x67] tập để kiểm chứng ma trận [4x21] Dữ liệu đầu ra: có thông số COD Dữ liệu chia làm hai tập: tập để luyện mạng ma trận [1x67] tập để kiểm chứng ma trận [1x21] III.3 Kết Tiêu chí chọn trình luyện mạng kiểm chứng mạng MAE MRSE Sai số MAE (Mean Absoluted Errors): sai số tuyệt đối trung bình Được tính toán sau: đó: ei sai số dự báo quan sát thứ i Ti giá trị thực tế quan sát thứ i n số quan sát Sai số RMSE (Root Mean Squared Errors): sai số bình phương trung bình gốc Được tính toán sau đó: ei n có ý nghĩa giống hệt trường hợp MAE Trong hai trường hợp, ei = Pi - Ti Pi giá trị dự báo quan sát thứ i Trước hết ta tiến hành tối ưu hóa mạng chọn số bước lặp tối ưu 13 với tiêu chí MAE, kết luyện mạng kiểm chứng mạng với 13 vòng lặp sau: Trong trình luyện mạng mối liên hệ MAE số nút ẩn sau: • Khảo sát trình kiểm chứng mạng Qua số liệu từ hai đồ thị ta chọn cấu trúc mạng tốt mạng có 10 nút ẩn cho sai số nhỏ Sau minh họa cụ thể • Quá trình luyện mạng: 10 Trong trường hợp cho sai số MAE = 0,367391 RMSE = 0,135688 • Quá trình kiểm chứng mạng: Trong trường hợp cho sai số MAE = 0,136055 RMSE = 0,084701 III.4 Thảo luận Qua trình luyện mạng nơron cho tập liệu thu từ nhà máy xử lý nước thải công ty sữa Cô Gái Hà Lan, ta rút số kết sau: 11 Trong suốt trình luyện mạng, sai số có xu hướng giảm số nút ẩn tăng trình kiểm chứng mạng sai số giảm đến giá trị nút ẩn tối ưu đó, sau tăng trở lại, qua ta thấy số nút ẩn tối ưu mạng 10 Sử dụng kỹ thuật luyện mạng có so sánh cách tự động tránh tình trạng khớp mạng, giảm đáng kể thời gian thử sai để xác định hệ luyện mạng khớp Nhờ áp dụng thuật toán tối ưu hóa luyện mạng liên tục lặp nhiều lần mà kết thu ổn định tốt nhiều Đặc điểm thuật toán mạng nơron cho kết khác lần luyện khác nhau, cho sai số không ổn định Với tiến trình lặp lại nhiều lần, lần chọn mạng cho sai số nhỏ Nhờ mà khoảng biến thiên sai số ổn định số nút ẩn mạng cho kết tốt thay đổi IV KẾT LUẬN Kết mặt tiến hành nghiên cứu ứng dụng kỹ thuật mạng nơron để dự báo chất lượng hệ thống xử lý nước thải lý thuyết lẫn áp dụng thực tiễn Kết đạt khả quan, mạng nơron dự báo kết đầu hệ thống xử lý nước thải với mức độ xác hoàn toàn chấp nhận Sai số MAE = 0,136055 RMSE = 0,084701 Đã xây dựng chương trình ứng dụng mạng nơron cho dự báo chất lượng đầu hệ thống xử lý nước thải Cùng với thuật toán tối ưu hóa mạng nơron cho số nút ẩn thay đổi để tìm cấu trúc mạng tốt nhất, chương trình thể rõ ưu so với chương trình mạng nơron MatLab Thuật toán tối ưu hóa trình luyện mạng bước cải tiến so với chương trình ứng dụng mạng nơron thông thường, chẳng hạn MatLab Với trình lặp lại nhiều lần ghi nhận mạng cho kết tốt sau lần lặp, ta chọn mạng cho kết tốt sai số ổn định TÀI LIỆU THAM KHẢO Nguyễn Khoa Việt Trường, Ứng dụng mạng nơron nhân tạo để dự báo đầu hệ thống xử lý nước thải, Luận Văn Tốt Nghiệp Thạc Sĩ, tháng 03 năm 2006 Kỳ Phùng, Đậu Thị Dung Ứng dụng mạng nơron tính toán dự đoán đầu hệ thống xử lý nước thải nhà máy sữa Cô gái Hà Lan Tạp chí Khí tượng thủy văn, số 551,11/2006 12 Callan, Robert, Essence of neural networks, Prentice Hall Europe, (1999) The Mathworks, Matlab programming, version 7, (2004) The Mathworks, Neural Network Toolbox User’s Guide for use with Matlab, version 4, (2004) Bloch, G., Sirou, F., Eustache, V., Fatrez, P., Neural intelligent control for a Stell Plant IEEE Transactions on Neural Networks (4), 910-918., (1997) Fink, A., Nelles, O., Fischer, M., Isermann, R., Nonlinear adaptive control of a heat exchanger, International Journal of Adaptive Control and Sig.1 Proc 15 (8), 883-906., (2001) Kovacevic, R., Zhang, Y.M., Neurofuzzy model-based weld fusion state estimation, IEEE Control Systems Magazine 17 (2), 30-42., (1997) Lightbody, G., Irwin, G.W., Nonlinear control structures based on embedded neural system models, IEEE Transactions on Neural Networks (3), 553-567, (1997) 10 Ngia, L., Sj oberg, J., Efficient training of neural nets for nonlinear adaptive filtering using a recursive Levenberg-Marquardt algorithm, IEEE Transactions in Signal Processing 48 (7), 1915-1927., (2000) 11 Vieira, J., Mota, A., Smith predictor based neural fuzzy controller appliedin a water gas heater that presents a large time-delay and load disturbances Proceedings of IEEE International Conference on Control Application, Vol 1, pp 362-367., (2003) 12 Zhang, Y.M., Kovacevic, R., Neurofuzzy model based control of weldfusion zone geometry IEEE Transactions on Fuzzy Systems (3), 389-401., (1998) 13 [...]... = 0,135688 • Quá trình kiểm chứng mạng: Trong trường hợp này cho sai số MAE = 0,136055 và RMSE = 0,084701 III.4 Thảo luận Qua quá trình luyện mạng nơron cho tập dữ liệu thu được từ các nhà máy xử lý nước thải công ty sữa Cô Gái Hà Lan, ta có thể rút ra được một số kết quả sau: 11 Trong suốt quá trình luyện mạng, sai số có xu hướng giảm khi số nút ẩn tăng nhưng trong quá trình kiểm chứng mạng thì sai... của hệ thống xử lý nước thải với mức độ chính xác hoàn toàn có thể chấp nhận được Sai số MAE = 0,136055 và RMSE = 0,084701 Đã xây dựng chương trình ứng dụng mạng nơron cho dự báo chất lượng đầu ra của một hệ thống xử lý nước thải Cùng với thuật toán tối ưu hóa mạng nơron khi cho số nút ẩn thay đổi để tìm ra cấu trúc mạng tốt nhất, chương trình đã thể hiện rõ ưu so với chương trình mạng nơron của MatLab... ưu hóa quá trình luyện mạng là một bước cải tiến so với các chương trình ứng dụng mạng nơron thông thường, chẳng hạn như MatLab Với quá trình lặp lại nhiều lần và ghi nhận những mạng cho kết quả tốt nhất sau mỗi lần lặp, ta có thể chọn được mạng cho kết quả tốt hơn và sai số ổn định hơn TÀI LIỆU THAM KHẢO 1 Nguyễn Khoa Việt Trường, Ứng dụng mạng nơron nhân tạo để dự báo đầu ra của hệ thống xử lý nước. .. tiến trình lặp lại nhiều lần, mỗi lần sẽ chọn mạng cho sai số nhỏ nhất Nhờ vậy mà khoảng biến thiên sai số sẽ ổn định mặc dù số nút ẩn của mạng cho kết quả tốt nhất có thể thay đổi IV KẾT LUẬN Kết quả về mặt cơ bản đã tiến hành nghiên cứu ứng dụng kỹ thuật mạng nơron để dự báo chất lượng của một hệ thống xử lý nước thải cả về lý thuyết lẫn áp dụng thực tiễn Kết quả đạt được rất khả quan, mạng nơron. .. thấy được số nút ẩn tối ưu của mạng là 10 Sử dụng kỹ thuật luyện mạng có so sánh một cách tự động sẽ tránh được tình trạng quá khớp của mạng, giảm được đáng kể thời gian thử và sai để xác định ở thế hệ luyện nào mạng sẽ quá khớp Nhờ áp dụng thuật toán tối ưu hóa luyện mạng liên tục lặp nhiều lần mà kết quả thu được ổn định và tốt hơn nhiều Đặc điểm của thuật toán mạng nơron là có thể cho ra những kết... định hơn TÀI LIỆU THAM KHẢO 1 Nguyễn Khoa Việt Trường, Ứng dụng mạng nơron nhân tạo để dự báo đầu ra của hệ thống xử lý nước thải, Luận Văn Tốt Nghiệp Thạc Sĩ, tháng 03 năm 2006 2 Kỳ Phùng, Đậu Thị Dung Ứng dụng mạng nơron tính toán và dự đoán đầu ra của hệ thống xử lý nước thải nhà máy sữa Cô gái Hà Lan Tạp chí Khí tượng thủy văn, số 551,11/2006 12 3 Callan, Robert, Essence of neural networks, Prentice ...MÔ HÌNH HÓA CÁC QUÁ TRÌNH XỬ LÝ NƯỚC THẢI BẰNG MẠNG NƠRON NHÂN TẠO MỞ ĐẦU Trong năm gần mạng nơron nhân tạo ANN (Artificial Neural Network) ngày ứng dụng rộng rãi công tác dự báo, mô nhiều... Phát triển mô hình mạng nơron Khi phát triển mô hình mạng nơron người ta thường thực theo bước sau đây: Hình Các bước phát triển mô hình II.3 Ứng dụng mô hình mạng nơron nhân tạo Sau mộtmạngđã đượcxây... thuyết mạng nơron nhân tạo Phần trọng tâm báo tập trung vào ứng dụng cho nhà máy xử lý nước thải cụ thể Cuối kết thảo luận I MÔ HÌNH HÓA CÁC QUÁ TRÌNH XỬ LÝ NƯỚC THẢI Muốn mô hệ thống kỹ thuật,