Verhaeghe, L., Verwaeren, J., Kirim, G., Daneshgar, S., Vanrolleghem, P.A., Torfs, E. (2024). Towards good modelling practice for parallel hybrid models for wastewater treatment processes. Water Science & Technology 89, 2971–2990. (link)

Título

Towards good modelling practice for parallel hybrid models for wastewater treatment processes

(Rumo a boas práticas de modelagem para modelos híbridos paralelos para processos de tratamento de águas residuais)

Resumo

This study explores various approaches to formulating a parallel hybrid model (HM) for Water and Resource Recovery Facilities (WRRFs) merging a mechanistic and a data-driven model. In the study, the HM is constructed by training a neural network (NN) on the residual of the mechanistic model for effluent nitrate. In an initial experiment using the Benchmark Simulation Model no. 1, a parallel HM effectively addressed limitations in the mechanistic model’s representation of autotrophic bacteria growth and the data-driven model’s incapability to extrapolate. Next, different versions of a parallel HM of a large pilot-scale WRRF are constructed, using different calibration/training datasets and different versions of the mechanistic model to investigate the balance between the calibration effort for the mechanistic model and the compensation by the NN component. The HM can improve predictions compared to the mechanistic model. Training the NN on an independent validation dataset produced better results than on the calibration dataset. Interestingly, the best performance is achieved for the HM based on a mechanistic model using default (uncalibrated) parameters. Both long short-term memory (LSTM) and convolutional neural network (CNN) are tested as data-driven components, with a CNN HM (root-mean-squared error (RMSE) = 1.58 mg NO3-N/L) outperforming an LSTM HM (RMSE = 4.17 mg NO3-N/L).

TRADUÇÃO LIVRE

Este estudo explora várias abordagens para formular um modelo híbrido paralelo (HM) para Instalações de Recuperação de Água e Recursos (WRRFs), combinando um modelo mecanístico e um modelo baseado em dados. No estudo, o HM é construído treinando uma rede neural (RN) no resíduo do modelo mecanístico para nitrato de efluente. Em um experimento inicial usando o Modelo de Simulação de Referência nº 1, um HM paralelo abordou efetivamente as limitações na representação do crescimento de bactérias autotróficas pelo modelo mecanístico e a incapacidade do modelo baseado em dados de extrapolar. Em seguida, diferentes versões de um HM paralelo de uma WRRF de grande porte em escala piloto são construídas, usando diferentes conjuntos de dados de calibração/treinamento e diferentes versões do modelo mecanístico para investigar o equilíbrio entre o esforço de calibração para o modelo mecanístico e a compensação pelo componente da RN. O HM pode melhorar as previsões em comparação com o modelo mecanístico. O treinamento da RN em um conjunto de dados de validação independente produziu resultados melhores do que no conjunto de dados de calibração. Curiosamente, o melhor desempenho é alcançado para o HM com base em um modelo mecanicista que utiliza parâmetros padrão (não calibrados). Tanto a memória de longo prazo (LSTM) quanto a rede neural convolucional (CNN) são testadas como componentes baseados em dados, com um HM CNN (erro quadrático médio (RMSE) = 1,58 mg NO3-N/L) superando um HM LSTM (RMSE = 4,17 mg NO3-N/L).

Artigo publicado no site Water Science & Technology, no Journal of the International Water Association (IWA).