Sistemas de soporte a la decisión para EDARs

Transcripción

1 Tratamiento de Aguas Residuales Sistemas de soporte a la decisión para EDARs Implantación en una EDAR de tratamiento biólogico C. Cortés, J. Alemany Sanejament Intel. ligent, S.L. I. Rodríguez-Roda, J. Comas, M. Poch Laboratori de Enginyeria Química i Ambiental Universitat de Girona A. Freixò y J. Arráez Consorci per a la Defensa de la Conca del Besòs El control supervisor de lodos activos para la depuración de aguas residuales presenta dificultades debido a la complejidad intrínseca del proceso, causada, entre otras razones, por la elevada variabilidad, tanto en cantidad como en calidad, del agua residual que recibe una planta depuradora, la falta o retraso en la monitorización, y una población autóctona de múltiples especies de microorganismos, interrelacionados por un gran número de variables. La gestión óptima del proceso de lodos activos requiere la integración del conocimiento experto o heurístico con el control numérico clásico y la utilización de la experiencia obtenida a lo largo del tiempo. En este marco se ha diseñado una nueva herramienta de gestión computerizada para ayudar al jefe de planta en su toma de decisiones. 1. Introducción La implantación en nuestro país de la Directiva para el tratamiento biológico de aguas residuales (91/271/CEE) ha supuesto la construcción de multitud de estaciones depuradoras de aguas residuales (EDAR). Tan sólo en Catalunya, el despliegue del plan de saneamiento por parte de la Agència Catalana de l Aigua ha impulsado la construcción de más de 300 EDAR hasta el momento, además de 175 que están en fase de construcción o prácticamente terminadas ( mediambient.gencat.net/aca). El proceso de lodos activos, en sus múltiples configuraciones, es sin lugar a dudas la tecnología más común para la depuración de las aguas residuales con elevado contenido de materia orgánica biodegradable. Consiste en la oxidación bacteriana del residuo orgánico en un reactor, o serie de reactores, seguido de una separación entre la biomasa en suspensión y el agua tratada (Fig. 1). Simplificando, se puede considerar que la población bacteriana multi-específica presente en los reactores biológicos utiliza como sustrato los contaminantes disueltos (principalmente materia orgánica, y los nutrientes nitrógeno y fósforo), en función de las condiciones creadas en el reactor (básicamente un ambiente aerobio, anóxico o anaerobio). El resultado de esta actividad permite a los microorganismos que constituyen la biomasa de los lodos activos mantener sus funciones vitales, generando a su vez una gran cantidad de nuevos individuos. La capacidad floculante de los microorganismos seleccionados facilita su posterior separación mediante la decantación. La mayor parte de la biomasa decantada se recircula al biorreactor para mantener la concentración celular deseada, mientras que una pequeña fracción se purga del sistema (Fig. 1). Precisamente la magnitud de esta purga permite, en cierto modo, seleccionar la población que va a permanecer en el sistema. El control del proceso de lodos activos presenta las mismas dificultades inherentes a cualquier proceso biotecnológico llevado a cabo a escala industrial, pero con algunas particularidades que dificultan dicho control. El agua residual que recibe la EDAR presenta una elevada variabilidad, tanto en cantidad como en calidad, sin que esto pueda ser controlado por el operador de la estación depuradora. Esta variación no sólo se produce a lo largo del día, sino que también existen patrones de comportamiento semanal y en función de la estación climatológica. Además, no se trata de un cultivo puro del que se controlen las condiciones y se evite su contaminación, sino que se dispone de una población Ingeniería Química 119

2 autóctona multiespecífica de microorganismos, interrelacionados por un gran número de variables, la mayor parte de ellas totalmente desconocidas o de difícil determinación. Si a ello se añade el, en general, poco valor añadido del producto final (agua tratada, que habitualmente se vierte al lecho receptor), se entiende el hecho de que el uso de sondas y equipos de monitorización en línea es todavía muy escaso en España. Esta escasa monitorización hace que el trabajo del jefe de la planta depuradora requiera un elevado componente heurístico. Los principales parámetros de proceso, como caudales (de agua, de lodos en recirculación o purga y de aire), ph, oxígeno disuelto, temperatura y turbidez, suelen estar monitorizados en continuo y centralizados en un SCADA, aunque en pocos casos llega a utilizarse la señal para cerrar un lazo de control automático [4]. El resto de variables, así como la concentración de contaminantes, tanto en el agua residual de entrada, como en el reactor y en el agua tratada, se determinan en el laboratorio mediante el análisis de muestras puntuales o integradas. Recientemente se está popularizando, ya en las EDAR de un tamaño medio, la observación microbiológica de la biomasa con el objeto de controlar el proceso a partir del conocimiento de las poblaciones de protozoos y bacterias filamentosas presentes en los lodos activos (biomasa). Figura 1. Configuración clásica del proceso de lodos activos para el tratamiento biológico de aguas residuales Son pocas las variables de proceso sobre las que realmente se puede actuar, básicamente la concentración de oxígeno disuelto, los caudales de recirculación externa e interna, así como el caudal de purga y la adición de determinados reactivos químicos. Entonces, son los operarios y los jefes de planta los que realmente integran e interpretan la información disponible y que asumen la responsabilidad de establecer la estrategia de operación que optimice el proceso, garantizando la calidad estipulada del agua vertida, al mínimo coste y riesgo posible. Por esto, en las EDAR que funcionan mediante el proceso de lodos activos es fundamental disponer de un personal suficientemente cualificado, y sobre todo que cuente con experiencia suficiente en el manejo de situaciones de inestabilidad de la biomasa (causada en general por problemas de origen biológico, de dinámica lenta, todavía hoy poco estudiados, y, por lo tanto, de difícil interpretación teórica). Por otra parte, hace años que la disciplina de la inteligencia artificial viene desarrollando distintas técnicas basadas en el conocimiento que permiten hacer frente a la supervisión de procesos complejos de un modo automático, emulando el comportamiento humano. Estas técnicas, debidamente complementadas con un tratamiento estadístico y matemático de los datos disponibles, se integran en unos programas informáticos avanzados que responden al nombre de sistemas de soporte a la decisión (SSD). Un SSD es un sistema computacional que ayuda a quien tenga la responsabilidad en la toma de decisiones, aplicando conocimiento acerca del dominio, para llegar a recomendaciones respecto a las diferentes opciones [5]. El sistema incorpora un procedimiento de decisión explícito basado en un conjunto de principios teóricos que justifican la "racionalidad" del proceso. Así pues, un SSD ayuda a reducir el tiempo necesario para tomar decisiones, y mejora la consistencia y calidad de las mismas. Además, se retroalimenta continuamente con nuevas experiencias, para ir conformando un "aprendizaje" que permite solucionar con una mayor eficiencia las diferentes situaciones que se expresan en la planta depuradora. BIORREACTOR La incertidumbre que rodea los procesos ambientales, así como la multiplicidad de escalas con las que se debe afrontar su gestión, han generado una amplia expectativa en el uso de SSD en este campo [11], con recientes aplicaciones en temas asociados a la gestión del agua, gestión del riesgo, gestión de bosques, calidad del aire, etc. El uso integrado de técnicas numéricas y de gestión del conocimiento permite acceder al "know-how" del experto, mientras que su flexibilidad les hace capaces de afrontar los procesos de aprendizaje y toma de decisiones. En conjunto, esta integración en un único sistema permite mayor precisión, confianza y utilidad [3]. Estas capacidades confieren a los SSD la posibilidad de afrontar problemas complejos en el campo ambiental, en los que la experiencia proporciona una ayuda fundamental para la búsqueda de una solución del problema. También proporciona una más rápida identificación del problema y permite centrar la atención en su evaluación [9]. 2. SSD para estaciones depuradoras de aguas residuales Los grupos de investigación del Laboratori d Enginyeria Química i Ambiental (LEQUIA) de la Universitat de Girona y del Knowledge Engineering and Machine Learning (KEMLG) de la Universitat Politècnica de Catalunya, en colaboración con el Consorci per a la Defensa de la Conca del Besòs (CDCB), han estado desarrollando en los últimos años un SSD para la gestión del proceso de lodos activos. DECANTADOR 120

3 Este SSD se ha implantado y validado en varias de las EDAR gestionadas por el Consorci per a la Defensa de la Conca del Besòs y ha demostrado su capacidad para proporcionar un control del proceso en tiempo real y la información sobre perturbaciones del proceso (desde choques hidráulicos a bulking) las 24 horas del día. La estructura multi-nivel del SSD propuesta para la gestión del proceso de lodos activos se muestra en la figura 2 y está descrita detalladamente en Poch et al., 2004 [9]. El nivel inferior del SSD, correspondiente a la gestión de los datos, consiste en la adquisición e integración de la totalidad de los datos y señales disponibles del proceso (caudales, ph, DQO, etc). Estos datos, tras el pertinente filtrado y validación, se registran de un modo automático en la base de datos evolutiva del proceso. Cabe destacar el hecho de que las características intrínsecas del proceso de lodos activos implican que esta base de datos deba manejar al mismo tiempo valores de distinto origen, formato y frecuencia. Por ejemplo, se reciben en línea datos de los sensores y/o analizadores instalados en el proceso, en general diversos caudales de agua, lodos y aire, concentraciones de oxígeno disuelto en el reactor, ph, conductividad y, en el mejor de los casos, turbidez en el efluente o nivel de lodos en los decantadores. A su vez, desde el laboratorio se recogen muestras puntuales o integradas diarias en distintos puntos del proceso, y se analizan los principales contaminantes correspondientes a materia orgánica, nutrientes, sólidos en suspensión, y algunos metales pesados. Finalmente, con una frecuencia semanal, suele realizarse una observación microscópica del estado de la biomasa, que se combina con observaciones cualitativas de los operarios en las distintas unidades del proceso, como, por ejemplo, la presencia de espumas en determinadas zonas, la existencia de ciertos olores desagradables, o el color de los lodos. Parámetros que pueden resultar indicativos de determinadas condiciones o estado del proceso. Dentro de este nivel, y en general gestionado desde el SCADA, situaríamos cual- Figura 2. Estructura multi-nivel del SSD propuesto para la gestión del proceso de lodos activos de una EDAR mediante un sistema de soporte a la decisión quiera de los posibles lazos de control existentes para la regulación del nivel de oxígeno disuelto, el caudal de recirculación, o la edad celular ( así como la gestión de pequeñas alarmas correspondientes a motores y unidades auxiliares del proceso, o asociadas a programas de mantenimiento de estos equipos (bombas, válvulas, etc.). A partir del nivel intermedio, correspondiente a la diagnosis del estado del proceso, se aplican métodos de razonamiento basados en el conocimiento para procesar y convertir en información útil la totalidad de datos recogidos en el nivel inferior. Sistemas expertos basados en reglas heurísticas (establecidas a partir de la experiencia), así como sistemas de razonamiento basados en casos, son las técnicas de la inteligencia artificial que se han mostrado más robustas y adecuadas para este tipo de procesos complejos, como el tratamiento biológico de aguas residuales. Los sistemas expertos son seguramente la técnica más popular de la inteligencia artificial y con mayor presencia en el campo de la ingeniería química. La codificación del conocimiento del experto en forma de reglas IF-THEN en una base de conocimiento, gestionada por un motor de inferencia, permite disponer de un programa informático que razona de un modo automático para proporcionar una diagnosis del estado del proceso a partir de los datos disponibles. La calidad de la base de conocimiento de los sistemas expertos es fundamental, y determina el éxito de su aplicación. Existen métodos rigurosos de extracción de conocimiento específico del proceso a partir de entrevistas con los expertos y de la exploración de datos de operación, cuya posterior integración con conocimiento general del campo de aplicación garantiza el correcto desarrollo del sistema experto [13]. Ya desde principios de los años ochenta, existen referencias sugiriendo el potencial de los sistemas expertos basados en simples algoritmos de pregunta-respuesta para la diagnosis de los problemas de 122

4 operación del proceso de lodos activos [8]. Con el paso del tiempo, estas propuestas se han ido sofisticando, hasta llegar a los sistemas expertos actuales, que trabajan en tiempo real y con exhaustivos árboles de decisión capaces de manejar información cualitativa y cuantitativa [2, 10, 1]. Por otro lado, la aplicación de sistemas de razonamiento basados en casos también ha mostrado su eficacia para la supervisión del proceso de lodos activos [12]. Esta técnica de la inteligencia artificial se basa en la resolución de problemas a partir de la similitud con experiencias propias vividas en el pasado [6]. Un sistema de razonamiento basado en casos dispone de una biblioteca o base de datos en las que están almacenadas la totalidad de experiencias relevantes afrontadas en el pasado. Cada una de estas experiencias está descrita por las principales variables del proceso que la caracterizan, la estrategia de control aplicada y el resultado de la misma. De este modo, cuando se debe afrontar algún tipo de problema en el proceso, un procedimiento automático explora en la biblioteca y recupera una situación similar del pasado con el fin de aprovechar la experiencia y aplicar una estrategia de operación debidamente adaptada al nuevo caso. Una vez finalizado y evaluado el caso, se cierra el ciclo registrando la nueva experiencia en la base de datos, por lo que se dispone así de una memoria dinámica que contiene conocimiento específico del proceso y que aprende con el paso del tiempo. En la propuesta de SSD para la supervisión del proceso de lodos activos, el nivel de razonamiento lanza en paralelo un sistema experto basado en reglas y un sistema de razonamiento basado en casos, con el objetivo de diagnosticar la situación y estado del proceso, y proponer al nivel superior una actuación de control correctiva en caso de que sea necesaria. Por supuesto, la cantidad y, principalmente, la calidad de los datos disponibles condicionan el resultado de este nivel de razonamiento. Ambas diagnosis, la del sistema experto y la de sistema de razonamiento basado en casos, llegan finalmente al nivel superior del SSD, donde el usuario (en general el jefe de planta) recibe la información, y puede simular la estrategia de control propuesta para predecir las consecuencias y a partir de aquí definir el plan de acción final. Este puede concretarse mediante la modificación temporal, o prolongada, de los puntos de consigna de los lazos de control existentes, o establecer las tareas concretas que los operarios del proceso deben llevar a cabo. La simulación del proceso se lleva acabo mediante el uso de modelos, en general mecanísticos, aunque también se contempla la posibilidad de utilizar modelos de caja negra que incorporen variables cualitativas. 3. Implantación de un SSD en la EDAR de Granollers La EDAR de Granollers ha sido una de las instalaciones en las que se ha trabajado, desarrollando y aplicando el sistema de soporte a la decisión [14]. La EDAR de Granollers vierte sus aguas en el rio Besós, y trata un agua residual con importante contribución industrial, correspondiente a habitantes-equivalentes. Presenta una configuración clásica de línea de aguas con pretratamiento, tratamiento primario y tratamiento secundario, con dos líneas en paralelo de lodos activos (biorreactor flujo pistón compartimentado y decantación posterior) que reduce el contenido de materia orgánica y de sólidos en suspensión, y, en determinadas condiciones de operación, el nitrógeno. El nivel inferior del SSD instalado en la EDAR de Granollers gestiona un total de 210 datos digitales y 20 señales analógicas recogidas directamente del SCA- DA. Estos datos se someten a un filtrado antes de introducirse en el SSD. Entre los datos manejados se incluyen los valores en línea de los caudales de agua tratada, de lodos recirculados, de biomasa purgada y de aire añadido en los distintos compartimentos del reactor biológico, el ph, la conductividad, así como el estado de determinados equipos de bombeo y válvulas de proceso. Además, se centralizan en este nivel 158 variables de proceso, algunas de ellas determinadas analíticamente en el laboratorio (demanda química de oxígeno, sólidos en suspensión, amonio, nitratos, etc.), y otras procedentes de observaciones cualitativas, tanto del propio proceso, tales como la aparición súbita de burbujas en los decantadores o la aparición de espumas cubriendo la superficie del reactor, y también del estado de la biomasa determinado a través del microscopio. El nivel de razonamiento se ha programado en un entorno comercial de sistemas expertos en tiempo real (G2, de Gensym) y actualmente se está desarrollando en lenguaje de programación Java. La base de conocimiento del sistema experto incluye un total de 700 reglas y hasta 200 procedimientos algorítmicos de inferencia. El conocimiento está estructurado en tres módulos principales, uno para la determinación de problemas mecánicos o eléctricos, otro para la diagnosis de problemas operacionales, que incluye sobrecarga, desnitrificación incontrolada, choque hidráulico, proliferación de microorganismos filamentosos, espumas biológicas, etc., y un tercer módulo de prevención de problemas o estados transitorios. Por lo que respecta al sistema de razonamiento basado en casos, se han definido casos o experiencias diarias mediante el valor de 16 variables de proceso, entre las que se incluyen caudales medianos de agua y lodos, concentraciones de materia orgánica y nutrientes en distintos puntos del proceso, especie microbiológica predominante, biodiversidad y sedimentabilidad de los lodos. La biblioteca de casos se ha estructurado de memoria plana (cada caso nuevo se compara con la totalidad de casos existentes), con algoritmos automáticos de comparación y aprendizaje, y se ha realizado una siembra inicial de 25 experiencias reales del proceso, 124

5 Tratamiento de Aguas Residuales Figura 3. Interfaz del usuario para el SSD de la EDAR Granollers Cabe señalar que las situaciones detectadas durante este período ya formaban parte del historial de Granollers. La detección precoz de estas situaciones permitió estar alerta para tomar las medidas oportunas para minimizar su impacto en el proceso. 4. Conclusiones para que el sistema se muestre efectivo desde sus inicios. La interfaz con el usuario también se ha desarrollado en la plataforma comercial G2 (Fig. 3) y se ha procurado que incluya la mayor parte de la información utilizada por el SSD para facilitar el trabajo al operador de la EDAR que utilice el SSD. El SSD fue pertinentemente validado durante cuatro meses tras su instalación en la EDAR de Granollers. Durante este periodo, el SSD identificó 123 situaciones anómalas o problemáticas (Tabla I), aproximadamente un 80% de las mismas identificadas correctamente, un 8% incorrectamente, y también hubo un 12% que no fueron identificadas. Por otro lado, una tercera parte de las diagnosis correctas fueron determinadas por el SSD como mínimo un día antes de que los operarios del proceso constataran el problema en el proceso, mientras que las dos otras terceras partes se diagnosticaron el mismo día. En la Tabla I se muestra el número de situaciones detectadas, así como si fueron detectadas anticipadamente o, por el contrario, evidenciadas el mismo día. Tabla I. Listado de los problemas identificados por el SSD durante el periodo de validación en la EDAR Granollers Situaciones # detectado # detectado en avance el mismo día Proliferación de filamentosos 5 4 Espumas biológicas 7 10 Desnitrificación incontrolada - 2 Carga baja 8 8 Sobrecarga orgánica 3 1 Choque orgánico - 3 Choque nitrógeno - 7 Sobrecarga hidráulica 3 7 Desfloculación 4 4 Baja eficacia en decantación primaria - 5 Problemas biológicos en decantación primaria - 2 Fallos eléctricos o mecánicos - 15 TOTAL La actividad rutinaria del jefe de planta incluye diversas actividades (gestión de fangos, atención a proveedores, relaciones con la administración, gestión de recursos humanos, etc.), que dificultan que pueda centrarse en el control y la optimización del proceso biológico de depuración. Así, el contraste e interpretación de los datos obtenidos del proceso se realiza atendiendo solamente a las principales variables de control, lo cual impide descubrir tendencias hacia estados transitorios no deseados del proceso de depuración. Por otra parte, la falta de control continuo hace que la diversidad de posibles entradas de efluentes potencialmente peligrosos para el buen funcionamiento de la proceso pasen desapercibidos. El control clásico, incluso utilizando los modernos SCADA, no soluciona estos problemas, mientras que la inclusión de un SSD permite atender todos los datos recopilados de la EDAR, los procesa y proporciona información sobre el estado del proceso en tiempo real las 24 horas del día. En la experiencia descrita, se constató que el 80% de los episodios fueron detectados correctamente, algunos de ellos incluso predichos por anticipado. También se constató un escepticismo inicial en las primeras diagnosis del SSD. A medida que se empezaron a detectar situaciones problemáticas, algunas anticipadamente, la confianza en el SSD aumentó. Otro aspecto a tener presente es la implicación del personal de la EDAR -desde el jefe de planta a los operarios-, ya sea para introducir datos, como para ajustar las reglas de las diagnosis. La implementación de un SSD en la EDAR de Granollers ha permitido al equipo que controla la 125

6 planta conocer en tiempo real la aparición de potenciales problemas (alteraciones) y tomar las medidas oportunas para minimizar sus consecuencias y poder continuar manteniendo la calidad del agua de salida en sus valores óptimos y con el consiguiente beneficio económico. Se había documentado que, a pesar de las experiencias positivas y del interés de los SSD para ser aplicados en EDAR, aún no existía un modelo comercial [7]. En estos momentos se está iniciando la presentación de una aplicación comercial que se ha desarrollado a partir de estas investigaciones. Este éxito ha permitido la constitución de una empresa "spin off" de la Universidad, que está reestructurando el SSD (bautizado ahora como atl_edar) para enfocarlo a los posibles clientes y, por lo tanto, poder comercializarlo. 5. Bibliografía [1] Baeza, J.A., Gabriel, D. y Lafuente, J. Improving the nitrogen removal efficiency of an A2/O based WWTP by using an on-line knowledge based expert system. Water Research, 36 (8), (2002). [2] Comas, J., Rodríguez-Roda, I., Sànchez-Marrè, M., Cortés, U., Freixó A., Arráez, J. y Poch, M. A knowledge-based approach to the deflocculation problem: integrating on-line, off-line, and heuristic information. Water Research, 37, (2003). [3] Cortés, U., Sànchez-Marrè, M., Cecaronni, L., R.-Roda, I. y Poch, M., Artificial Intelligence and Environmental Decision Support Systems. Applied Intelligence, 13(1), (2000). [4] Fiter, M., Rodríguez-Roda, I., Colprim, J. y Poch, M. Optimización del rendimiento de eliminación de nitrógeno en una EDAR urbana mediante la regulación del aporte de aire. Tecnología del Agua, 230, (2002). [5] Fox, J. y Das, S. Safe and sound. Artificial Intelligence in Hazardous Applications. AAAI Press / The MIT Press. (2000). [6] Kolodner, J. Case-Based Reasoning. ISBN Morgan Kaufmann., San Mateo, USA (1993). [7] Olsson, G., Newell, B., Rosen, C. y Ingildsen, P. Application of information technology to decision support in treatment plant operation. Water Science and Technology, 45 (12), (2002). [8] Patry, G. y Chapman, D. Dynamic modelling and expert systems in wastewater engineering. Lewis Publishers, Chelsea (1989). [9] Poch, M., Comas, J., Rodríguez-Roda, I., Sànchez-Marrè, M. y Cortés, U. Designing and building real environmental decision support systems. Environmental Modelling & Software, 19(9), (2004). [10] Puñal, A., Roca, E. y Lema, J.M. An expert system for monitoring and diagnosis of anaerobic wastewater treatment plants. Water Research, 36(10), (2002). [11] Rizzoli, A.E. y Young, W.Y. Delivering Environmental Decision Support Systems: software tools and techniques. Environmental Modelling and Software, 12(2-3), (1997). [12] Rodríguez-Roda, I., Sànchez-Marrè, M., Cortés, U., Lafuente J. y Poch M. Consider a Case-Based System for Control of Complex Processes. Chemical Engineering Progress, 95(6), (1999). [13] Rodríguez-Roda, I., Comas, J., Poch, M., Sànchez-Marrè, M. y Cortés, U. Automatic Knowledge Acquisition from Complex Processes for the development of Knowledge Based Systems. Industrial & Engineering Chemical Research, 40(15), (2001). [14] Rodríguez-Roda, I., Sànchez-Marrè, M., Comas, J., Baeza, J., Colprim, J., Lafuente, J., Cortés, U., y Poch, M.A. Hybrid Supervisory System to Support Wastewater Treatment Plant Operation, Water Science and Technology, 45 (4/5), (2002).