Từ đồ thị trên ta thấy rằng với số lần lặp từ 13 trở đi sai số trong quá trình luyện mạng và kiểm chứng mạng sẽ ổn định. Do đó ta chọn số lần lặp là 18 để tiến hành tối ưu hóa mạng với tập dữ liệu nàỵ Kết quả thu được khi tối ưu mạng từ 1 đến 31 nút ẩn, số lần lặp là 18.
Quá trình luyện mạng:
Quá trình kiểm chứng mạng:
Hình 5.11. Tối ưu hóa quá trình kiểm chứng mạng nhà máy NatSteel Vina
Qua phân tích đồ thị ta nhận thấy mạng có 15 nút ẩn có kết quả tốt nhất. Kết quả chi tiết của mạng 15 nút ẩn như sau:
Quá trình luyện mạng.
Hình 5.12. Quá trình luyện mạng của “LM 15Trained” nhà máy NatSteel Vina
Quá trình kiểm chứng mạng.
Hình 5.13. Quá trình kiểm chứng mạng của “LM 15Sim” nhà máy NatSteel Vinạ
5.6. MỘT SỐ VẤN ĐỀ VỀ TỰ ĐỘNG HOÁ XỬ LÝ NƢỚC THẢI 5.6.1. Mục đích áp dụng tự động hoá xử lý nƣớc thải
Cải thiện điều kiện làm việc: Mục đích đầu tiên của tự động hoá là phải loại bỏ công việc lặp lại và khó nhọc cho việc vận hành, ví dụ: liên tục theo dõi, kiểm tra nhiều thông số công nghệ, tắt bật cơ cấu chấp hành, ghi chép số liệu, sự cố,...Tự động hoá và giám sát bằng máy tính làm tiện lợi thêm khả năng khống chế từ xa một số lượng lớn các thông tin, đơn giản hoá nhiệm vụ khai thác, giám sát và quản lý.
Nâng cao hiệu quả của thiết bị: Trước hết ta có thể cải thiện chất lượng xử lý nước bằng các thiết bị đo và điều chỉnh. Ví dụ như định lượng chất phản ứng, mức độ ô xy hoá, kiểm tra nhiệt độ các bể phản ứng…Tự động hoá quá trình cho phép giải phóng con người và làm tăng tốc độ tin cậy của hệ thống. Nhưng mục tiêu quan trọng là nâng cao độ chắc chắn vận hành của thiết bị có tính đến các tiêu chuẩn độ tin cậy qua việc nghiên cứu các sự cố vận hành. Nghĩa là dự phòng các phương án để thiết bị có thể làm việc liên tục trong trường hợp bị hỏng hóc một bộ phận nào đó bằng cách đưa tự động các thiết bị dự phòng vào làm việc và giải quyết hỏng hóc. Tự động hoá cho phép việc nghiên cứu thống kê các dữ liệu đã thu được, mở ra con đường tối ưu của việc xử lý.
Tăng năng suất lao động: Tự động hoá nhằm nâng cao năng suất bằng cách giảm chi phí vận hành. Ta cũng có thể tối ưu hoá giá thành năng lượng chi phí hàng giờ và chi phí vật liệụ Giảm nhân công vận hành và giảm công việc bảo dưỡng cũng cho phép giảm giá thành.
Trợ giúp việc giám sát: Nó bao gồm việc lắp đặt bộ biến đổi, phát hiện báo động, đặt các phương tiện ghi các dữ liệu và truyền đi xa cho đến nơi giám sát bằng máy tính. Tự động hoá không có mục đích riêng, mức độ phức tạp của thiết bị phải đáp ứng điều kiện của nhà máy và đối tượng xử lý. Tự động hoá chỉ xem như một bộ trợ giúp, không ép buộc. Một trong những hậu quả của một hệ thống tự động không chắc chắn là khi “mất nhớ” nó không tiếp xúc trực tiếp được với quá trình
công nghệ được nữạ Tuy nhiên những ưu điểm của nó quá rõ ràng nếu thiết bị được một chuyên gia về xử lý nước thải thiết kế và vận hành thực hiện.
5.6.2. Yêu cầu và cơ sở xây dựng hệ thống tự động hoá
Hệ thống tự động hoá có thể chia làm hai phần: hệ thống thông tin và hệ thống điều khiển. Hệ thống thông tin có nhiệm vụ thực hiện các chức năng thông tin. Các chức năng này cho phép giám sát quá trình công nghệ: cụ thể là thu thập, bảo quản, thống kê và ghi lại các thông tin đã diễn ra của quá trình điều khiển, cần cho dự báo trước các tình huống sự cố hay thông tin về sự thay đổi yêu cầu đặt trước của quá trình[4].
Hệ thống điều khiển dùng để tạo ra và thực hiện các tác động điều khiển dựa trên các nguyên lý điều khiển các đại lượng phụ thuộc của quá trình công nghệ; thực hiện điều khiển tối ưu; bằng các phương tiện tự động thực hiện các thao tác logic và theo chương trình đối với các phần tử phân tán (điều khiển phân tán các cơ cấu chấp hành, các liên động sự cố, khởi động và dừng hệ thống máỵ..).
Đối với mỗi hệ thống tự động điều khiển quá trình công nghệ không nhất thiết phải thực hiện tất cả các chức năng kể trên. Một số các chức năng không thích hợp với đối tượng công nghệ này lại có thể thích hợp với đối tượng công nghệ trong hệ thống điều khiển ở mức cao hơn. Hệ thống tự động điều khiển quá trình công nghệ thực chất là điều khiển tập trung quá trình đó nhờ các phương tiện kỹ thuật điều khiển tự động.
Vấn đề đo lường từ xa các thông số của hệ thống công nghệ là rất quan trọng. Các thông số cần đo có thể kể đến như: mực nước trong các bể chứa, trong các buồng đầu vào công trình, lưu lượng, các chỉ số chất lượng nước như pH, T, DO,.... Các thiết bị cho tín hiệu từ xa giúp người điều khiển nhìn nhận được toàn cảnh về trạng thái làm việc của các thiết bị.
Lƣu đồ điều chỉnh DO trong Bể hiếu khí
Lưu đồ điều chỉnh DO được hiển thị trên (Hình 5.14) Thiết bị đo DO sẽ đưa giá trị phản hồi cho vòng điều khiển kín trong chương trình điều khiển. Chương
trình sẽ đưa ra tín hiệu điều khiển (dòng hoặc áp) cho biến tần cho động cơ của máy thổi khí để có DO như mong muốn.
Hình 5.14. Lưu đồ điều chỉnh DO
Khả năng áp dụng tự động hóa nhà máy xử lý nƣớc thải
Tại nhiều quốc gia có nền công nghiệp phát triển cao (Mỹ, Nhật, Đức, Anh, Pháp,...), các hệ thống xử lý nước thải công nghiệp đã được nghiên cứu và đưa vào ứng dụng từ lâụ Nhiều hãng hàng đầu trong lĩnh vực này như USFilter, Aquatec Maxcon, Hunter Water Corporation(HWC), Global Industries.Inc...đã đưa ra các giải pháp công nghệ tiên tiến xử lý nước thảị Đặc biệt, trong lĩnh vực điều khiển đã có rất nhiều các lý thuyết điều khiển hiện đại được áp dụng như điều khiển mờ, mạng nơron, điều khiển dự báo trước (predicted control), điều khiển lai ghép (hybrid control),...được ứng dụng trong xử lý nước thải để nâng cao chất lượng điều
khiển và hiệu suất của các công đoạn xử lý. Lý thuyết hệ chuyên gia cũng được áp dụng mở ra khả năng tự động hoá hoàn toàn cho xử lý nước thải[9]. Hầu hết các công nghệ hiện đại ngày nay đều được tự động hoá cao, nhờ đó đảm bảo năng suất, chất lượng, hiệu quả như mong muốn.
Tại Việt Nam đã có những nhà máy xử lý nước thải hiện đại, sử dụng hoàn toàn hoặc phần lớn các công nghệ của nước ngoài do đó mức độ tự động hoá cao, tuy nhiên giá thành đắt, nhiều công nghệ không mang tính mở nên khó làm chủ hoàn toàn, chi phí nâng cấp, bảo trì rất lớn.
Thảo luận.
Từ kết quả mô phỏng đạt được khá khả quan, mạng nơron có thể dự báo
đầu ra của một hệ thống xử lý nước thải trong quá trình kiểm chứng mạng với mức độ sai số chấp nhận được. MAE = 0.0747933 và RMSE = 0.0333335.
Kết quả chương trình dự báo chất lượng nước đầu ra có thể sử dụng cho
các mục đích sau:
Về mặt lý thuyết:
- Kết quả nghiên cứu của đề tài sẽ góp phần bổ sung phương pháp giải quyết cũng như cách tiếp cận bài toán mô hình hóa và điều khiển hệ phức hợp.
- Một mạng nơron đã được huấn luyện với cơ sở dữ liệu hoàn chỉnh sẽ là một công cụ rất tốt cho công tác nghiên cứụ Bản thân mạng đã chứa đựng những thông tin về quá trình mà nó “học” được nên ta có thể sử dụng để khảo sát mỗi liên hệ giữa đầu vào và đầu ra của bài toán dự báo dữ liệu điều này góp phần hoàn thiện hơn các lý thuyết của quá trình dự báo dữ liệụ
Về mặt thực tiễn:
- Có thể thiết kế hệ thống tự động hóa xử lý nước thải dựa trên kết quả dự báo chất lượng nước đầu rạ Sử dụng công cụ này thành công sẽ giảm bớt chi phí rất đáng kể.
- Hỗ trợ quyết định hoặc hệ chuyên gia: Số lượng thông số chất lượng nước cần đảm bảo đạt TCVN là vài chục (TCVN 5945:2009 có khoảng 30), tuy
không cho phép đo tức thời được tất cả các thông số cần cho hệ thống điều khiển. Chỉ một vài thông số như pH, T, DO, Turbidity, NO3,...được đo và điều khiển tự động, các thông số khác phải dùng máy phân tích, có thông số đòi hỏi thời gian phân tích lâu như BOD5 cần tới 5 ngàỵ Mặt khác chất lượng nước đầu vào nói chung là không ổn định, phụ thuộc vào thời gian, thời tiết, vào hoạt động của nhà máy do đó cần hiệu chỉnh lại tham số công nghệ là cần thiết. Chính vì vậy kết quả dự báo sẽ đưa ra các bộ tham số có tính chất gợi ý cho người vận hành khi điều chỉnh (điều chỉnh xung quanh giá trị gợi ý), đồng thời nếu kết quả dự báo các bộ tham số điều chỉnh đem đến chất lượng nước đầu ra đạt yêu cầu thì người vận hành có thể lưu lại trong cơ sở dữ liệu tạo ra kho kinh nghiệm cho các lần điều chỉnh saụ Ở mức cao hơn, hệ chuyên gia sẽ thay cho một chuyên gia công nghệ để tự động phát sinh ra bộ tham số điều chỉnh và tự học.
Kết luận và kiến nghị.
Với nội dung và kết quả đã được trình bày trong luyện văn này, tác giả xin có một số kết luận và kiến nghị như sau:
Kết luận.
Về mặt cơ bản luận văn đã tiến hành tìm hiểu về mạng nơron để giải bài
toán mô hình hóa hệ phức hợp và ở đây là mô hình hóa dự báo chất lương của một hệ thống xử lý nước thảị
Luận văn đã khái quát hóa được kiến thức về hệ phức hợp
Kết quả mô phỏng đạt được khá khả quan, mạng nơron có thể dự báo đầu
ra của một hệ thống xử lý nước thải với mức độ sai số chấp nhận được. MAE = 0.0747933 và RMSE = 0.0333335.
Xây dựng được chương trình ứng dụng mạng nơron trên phần mềm Matlab.
Thuật toán tối ưu hóa quá trình luyện mạng với quá trình lặp lại nhiều lần
và nghi nhận những mạng cho kết quả tốt nhất sau mỗi lần lặp, cho ta chọn được mạng có kết quả tốt hơn và sai số ổn định hơn.
Kiến nghị.
Bên cạnh những vấn đề đã đạt được, chất lượng của đề tài sẽ được nâng cao hơn nữa nếu:
Nguồn tài liệu về hệ phức hợp ở Việt Nam phong phú hơn.
Tìm kiếm một trạm xử lý nước thải để hợp tác cung cấp dữ liệu đầu vào và
đầu ra là rất khó.
Chất lượng dữ liệu quan trắc đầu vào đầu ra chưa cao, dữ liệu có độ tin cậy
chưa cao do điều kiện thí nghiệm cũng như máy móc thiết bị còn hạn chế.
Hƣớng phát triển của đề tài:
Hoàn thiện lý thuyết về hệ phức hợp.
Hoàn thiện thuật toán mạng nơron với các cấu trúc mạng khác nhau cùng
Tài liệu tham khảo
Tài liệu tiếng Việt:
[1] Phạm Hữu Đức Dục - “Nghiên cứu ứng dụng mạng nơron mờ điều khiển thích
nghi rôbôt hai khâu” - Tuyển tập các báo cáo khoa học hội nghị tự động hóa toàn quốc lần thứ 6 (2005).
[2]. Phạm Hữu Đức Dục - “Ứng dụng mạng nơron truyền thẳng nhiều lớp nhận
dạng vị trí rôbôt hai khâu” - Tạp chí KH&CN các trường ĐH Kỹ thuật, số 63, 2008.
[3] Nguyễn Địch, Bùi Công Cường, Lê Văn Phùng, Thái Thanh Sơn - “Lý thuyết hệ thống và điều khiển học” - NXB Thông tin và Truyền thông - 2009.
[4] Phạm Thị Giới - “Tự động hoá các công trình cấp và thoát nước”; NXB Xây
dựng - 2003.
[5] Phan Văn Hiền, Phạm Anh Cường - “Ứng dụng mạng nơron để dự báo phụ tải điện tỉnh Gia Lai” - Tạp chí khoa học công nghệ - Đại học Đà Nẵng - số 2 (43).2011.
[6] Nguyễn Như Hiển, Lại Khắc Lãi - “Hệ mờ và mạng nơron trong kỹ thuật điều
khiển” - NXB khoa học và kỹ thuật - Hà Nội - 2007.
[7] Nguyễn Việt Hùng - “Nghiên cứu ứng dụng mạng nơron Elman nhận dạng vị trí
rôbôt hai khâu” - Luận văn Thạc sĩ kỹ thuật - Đại học Thái Nguyên - 2009
[8] Phạm Minh Hoàng - “Mạng nơron và ứng dụng dự báo chỉ số tiêu dùng” - Luận
văn Thạc sĩ Công nghệ thông tin - Thái Nguyên – 2010
[9] Nguyễn Đắc Nam -“Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp
nhận dạng vị trí rôbôt hai khâu” - Luận văn Thạc sĩ kỹ thuật -Thái Nguyên - 2007
[10] Đinh Thị Thúy Quỳnh - “Ứng dụng mạng nơron trong bài toán xác định lộ
trình cho rôbôt” - Luận văn Thạc sĩ Công nghệ thông tin - Thái Nguyên - 2008.
[11] Nguyễn Khoa Việt Trường – “Nghiên cứu mạng nơron nhân tạo để dự báo kết quả đầu ra của một hệ thống xử lý nước thải” – Luận văn Thạc sĩ – TP Hồ Chí Minh – 2006.
[12] Trung tâm đào tạo Ngành nước và Môi trường - “Sổ tay xử lý nước”(tập1, 2); NXB Xây dựng - 1999.
Tài liệu tiếng Anh:
[13] The Mathworks, “Neural Network Toolbox User’s Guide for use with Matlab”, version 4, 2004.
[14] Sarle, W.S., 1994. "Neural networks and statistical models". In: Proceedings of the Nineteenth Annual SAS Users Group International Conference, pp. 1538– 1550. SAS Institutẹ
[15] Holger R. Maier, Graeme C. Dandy, "Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications", Environmental Modelling & Software 15 (2000) 101–124 [16] Valluru Rao & Hayagriva Rao, "C++ Neural network and Fuzzy Logic",
Mis: Press, 1995.
[17] Michael Hack and Manfre Kohne, “Estimation of wastewater process parameters using neural networks”, Water Science and Technology, Vol 33, Nọ 1, pp 101-115, 1996.
[18] Maged M. Hamed, Mona G. Khalafallah, Ezzat Ạ Hassanien, “Prediction of wastewater treatment plan performance using artificial neural networks”. Environmental Modeling and software 19 (2004) 919-928.
[19] C.Ạ Gontarski, P.R. Rodrigues, M. Mori, L.F. Prenem, “Simulation of an industrial wastewater treatment plant using artificial neural network”. Computers and Chemical Engineering 24 (2000) 1719-1723
[20] J.C. Chen, N.B. Chang, W.K. Shieh, “Assessing wastewater reclamation potential by neural network model”. Engineering Application of Atificial Interlligence 16(2003) 149-157
[21] Petros Ạloannou, Andreas Pitisllides – “Modeling and Control of Complex Systems. CRC Press – Taylor & Francis Group – 2008.
[22]. B. Stevens and F. L. Lewis, “Aircraft Control and Simulation” 2nd edition, John Wiley, New York, 2003.
[23]. Kaastra, I, & Boyd, M.-“Designing a neural network for forecasting financial and economic time series - Neurocomputing” 10 (1996), pp 215-236.
[24]. Hasselblatt, Boris; Anatole Katok - “A First Course in Dynamics: With a Panorama of Recent Developments”. Cambridge University Press - 2003.
PHỤ LỤC
Số liệu đầu vào đầu ra của trạm xử lý nước thải nhà máy NatSteel Vina Bảng 5.2. Số liệu dùng để luyện mạng nhà máy NatSteel Vinạ
Đầu vào Đầu ra
Stt pH DO (mg/l) BOD (mg/l) COD (mg/l) DO (mg/l) 1 7.23 6.43 157 106 8.2 2 7.29 6.67 147 99 8.31 3 7.3 6.21 151 123 7.71 4 7.09 7.12 109 90 8.17 5 7.25 6.78 156 102 8.64 6 6.62 6.67 142 100 8.42 7 7.34 6.61 149 105 8.45 8 7.12 6.45 153 112 8.18 9 7.11 6.52 148 108 8.22 10 6.94 6.64 142 101 7.83 11 7.27 6.09 172 143 7.3 12 7.35 6.73 123 101 8.13 13 7.26 7.16 94 89 8.34 14 7.24 7.09 91 78 8.02 15 7.35 7.31 90 76 8.2 16 7.35 7.34 86 75 8.91 17 7.27 7.41 79 68 8.54 18 7.06 7.2 98 95 8.01 19 7.7 7.1 93 90 8.7 20 7.04 6.99 102 98 8.2