Databehov för specifika modelleringsprojekt

Beroende på vilka frågor som ställs inom ett modelleringsprojekt kommer olika typer av delmodeller att användas och data med olika tidsupplösning att behövas samlas in. Statiska modeller använder generellt medelvärden av olika parametrar för att beskriva medeleffektiviteten av vissa processer över lägre tidsperioder och dynamiska modeller använder tidsvarierande indata för att beskriva systemets egenskaper och ingående processer under tidsförlopp. Syftet med detta inlägg är att sammanställa när olika typer av modeller är nödvändiga och att ge läsaren en inblick i vilka data som behöver samlas in, och med vilken upplösning, för att kunna genomföra olika typer av modelleringsprojekt. Nedan följer några vanliga exempel på modelleringsprojekt.
Statisk modellering

1. Beräkning av slamproduktion: Uppskatta mängden slam som kommer att produceras under bestämda tidsperioder för att kunna dimensionera maskiner för slamhantering. Exemplet i tabellen nedan antar att systemet inte är näringsbegränsat.

2. Bedömning av ett verks kapacitet för kväverening: Bedöma kapaciteten hos ett verk att möta nya utsläppskrav för totalkväve under ökad belastning med redan befintlig design och layout.

3. Utveckling av en processlösning för kväve- och/eller fosforrening: Jämföra olika möjliga konfigurationer av biologiska reningssteg för att undersöka olika processalternativ för att nå ett visst utsläppskrav.

Dynamisk modellering

1. Utveckling av en processlösning för att klara krav på maximala kvävehalter i utgående vatten: Designa ett reningssteg som klarar av att behandla den största timvärdesbelastningen av ammonium och krav på månadsmedelvärden på utgående totalkväve.

2. Design av ett luftningssystem: Designa ett nytt luftningssystem, dimensionera luftare och utveckla en layout för hur diffunderare bör placeras.

3. Optimering av syrereglering: Justera en nuvarande reglerstrategi för DO för att minska energikostnader samtidigt som utgående vatten klarar utsläppskraven för kväve och fosfor.

4. Undersökning av effekter av att ta bassänger ur drift: Undersöka riskerna att överskrida utsläppskrav som finns om en bassäng behöver tas ur bruk för underhåll.

Vidare läsning
För den intresserade läsaren finns databehov för presenterade modelleringsprojekt sammanställt via länken i rutan nedan.

Databehov

Databehov för specifika modelleringsprojekt

Exempel 1: Beräkning av slamproduktion

För att modellera slamproduktion är det tillräckligt att använda sig av statisk modellering. Är syftet att undersöka de ekonomiska aspekterna av slamproduktionen är databehovet relativt litet. Det är typiskt tillräckligt med årsmedelvärden av flöde, olika fraktioner av COD, BOD, TSS och VSS i olika vattenströmmar samt MLSS, MLVSS, överskottsslamflöde och slamålder för att kunna genomföra massbalanser för slamflödet. Är syftet däremot att dimensionera utrustning för slamhantering är det nödvändigt att använda sig av månadsmedelvärden av samma parametrar för att kunna fånga upp variationer i slamproduktionen över året

Exempel 2: Utveckling av en processlösning för kväve- och/eller fosforrening

För att kunna jämföra den övergripande effektiviteten av olika processlösningar och konfigurationer för kväve- och fosforrening är det möjligt att använda sig av statiska modeller och månads- eller årstidsmedelvärden av olika processvariabler. Det är typiskt tillräckligt med månads- eller årstidsmedelvärden av flöde, olika fraktioner av COD, BOD, TSS och VSS i olika vattenströmmar samt MLSS, MLVSS, överskottsslamflöde och slamålder för att kunna genomföra massbalanser för slamflödet. För att kunna modellera näringsämnena är det också viktigt att ha data över näringsämnenas olika fraktioner (exempelvis NH4-N och NO3-N) i olika delströmmar

Insamling av data

Insamling av statiska data: För statiska data rekommenderas att flödesproportionerliga 24-timmars samlingsprover för in- och för utflöden samlas in för de parametrar som behövs för modellen som ska konstrueras, detta för att säkerställa att modellen predikterar in- och utflödeskaraktäriseringen korrekt. Speciella mätkampanjer bör resultera i tio till tjugo datapunkter per flöde för att tillåta statistisk analys av insamlade data. Det är också fördelaktigt att genomföra denna mätkampanj under en period som motsvarar två till fyra gånger reningsverkets normala slamålder med mätningar gjorda minst tre gånger per vecka. För VA-organisationer som vet med sig om kommande skärpta utsläppskrav är det fördelaktigt att påbörja rutinmässig sampling innan ett modelleringsprojekt påbörjas för att öka noggrannheten och pålitligheten av modelleringsinsatsen.

Insamling av dynamiska data: Dynamisk modellering genomförs typiskt efter det att en statisk kalibrering har gjorts för de parametrar som är relevanta för modelleringssyftet. Målet med att samla in data för dynamiska modeller är att kunna karaktärisera tim- och dygnsvariation i belastningen på reningsverket och beskriva mer högupplöst processdynamik jämfört med statiska modeller. Följande rekommendationer kan lämnas gällande sampling av dynamiska data
  • För majoriteten av dynamiska mätkampanjer krävs minst två dagars data över in- och utflöden med värden uppmätta varje till varannan timme under typiska belastningsförhållanden,
  • Mätningarna kan behöva genomföras under helger om effekterna av helgbelastning är av intresse för frågorna som ställs i projektet,
  • För modelleringsprojekt där maximala halter av utgående näringsämnen ska undersökas behövs minst två dagars dynamisk sampling med en frekvens av en sampel per en till två timmar på utgående vatten. Att tillfälligt installera sensorer eller analysatorer för att övervaka utgående halter är ett alternativ och ett föredraget tillvägagångssätt.
Insamlade mätdata innehåller typiskt flera osäkerhetskällor (ex. mätfel, kalibreringsfel, fouling, mätosäkerheter etc.) och måste således analyseras och eventuellt bearbetas innan de kan användas som indata till modellen eller för modellkalibrering och validering. Det är viktigt att notera att en modell bara kommer vara så noggrann som indata till modellen är, dåliga indata kommer att resultera i mindre pålitlig modell.