Lancioni, N., Szelag, B., Sgroi, M., Barbusinski, K., Fatone, F., Eusebi, A.L. (2024). Novel extended hybrid tool for real time control and practically support decisions to reduce GHG emissions in full scale wastewater treatment plants. Journal of Environmental Management 365, 121502. (link)

Título

Novel extended hybrid tool for real time control and practically support decisions to reduce GHG emissions in full scale wastewater treatment plants

(Nova ferramenta híbrida estendida para controle em tempo real e suporte prático a decisões para reduzir emissões de GEE em estações de tratamento de águas residuais em grande escala)

Resumo

In this paper, a novel methodology and extended hybrid model for the real time control, prediction and reduction of direct emissions of greenhouse gases (GHGs) from wastewater treatment plants (WWTPs) is proposed to overcome the lack of long-term data availability in several full-scale case studies. A mechanistic model (MCM) and a machine learning (ML) model are combined to real time control, predict the emissions of nitrous oxide (N2O) and carbon dioxide (CO2) as well as effluent quality (COD – chemical oxygen demand, NH4-N – ammonia, NO3-N – nitrate) in activated sludge method. For methane (CH4), using the MCM model, predictions are performed on the input data (VFA, CODs for aerobic and anaerobic compartments) to the MLM model. Additionally, scenarios were analyzed to assess and reduce the GHGs emissions related to the biological processes. A real WWTP, with a population equivalent (PE) of 125,000, was studied for the validation of the hybrid model. A global sensitivity analysis (GSA) of the MCM and a ML model were implemented to assess GHGs emission mechanisms the biological reactor. Finally, an early warning tool for the prediction of GHGs errors was implemented to assess the accuracy and the reliability of the proposed algorithm. The results could support the wastewater treatment plant operators to evaluate possible mitigation scenarios (MS) that can reduce direct GHG emissions from WWTPs by up to 21%, while maintaining the final quality standard of the treated effluent.

TRADUÇÃO LIVRE

Neste artigo, uma nova metodologia e um modelo híbrido estendido para o controle em tempo real, previsão e redução de emissões diretas de gases de efeito estufa (GEE) de estações de tratamento de águas residuais (ETARs) são propostos para superar a falta de disponibilidade de dados de longo prazo em vários estudos de caso em escala real. Um modelo mecanístico (MCM) e um modelo de aprendizado de máquina (ML) são combinados para controle em tempo real, prever as emissões de óxido nitroso (N2O) e dióxido de carbono (CO2), bem como a qualidade do efluente (DQO – demanda química de oxigênio, NH4-N – amônia, NO3-N – nitrato) no método de lodo ativado. Para o metano (CH4), usando o modelo MCM, as previsões são realizadas nos dados de entrada (VFA, DQO para compartimentos aeróbicos e anaeróbicos) para o modelo MLM. Além disso, cenários foram analisados ​​para avaliar e reduzir as emissões de GEE relacionadas aos processos biológicos. Uma ETE real, com um equivalente populacional (EP) de 125.000 habitantes, foi estudada para a validação do modelo híbrido. Uma análise de sensibilidade global (GSA) do MCM e um modelo de ML foram implementados para avaliar os mecanismos de emissão de GEE do reator biológico. Por fim, uma ferramenta de alerta precoce para a previsão de erros de GEE foi implementada para avaliar a precisão e a confiabilidade do algoritmo proposto. Os resultados podem auxiliar os operadores de estações de tratamento de águas residuais (ETARs) a avaliar possíveis cenários de mitigação (MS) que podem reduzir as emissões diretas de GEE das ETEs em até 21%, mantendo o padrão de qualidade final do efluente tratado.

Artigo publicado no site Science Direct, no Journal of Environmental Management.