Modellkalibrering och validering

Matematiska modeller är förenklade representationer av komplexa system och processer och kommer därigenom inte att kunna fånga all den dynamik och alla de interaktioner som sker i det verkliga system som modellerna skall beskriva. En användbar modell ska dock kunna beskriva de nödvändiga nyckelprocesserna. Förenklingar i modellstrukturen, begränsad förståelse av fysiska, kemiska och biologiska processer och begränsad kunskap om inflödet och andra faktorer kan kräva att olika delar av modellen behöver justeras för att den ska vara användbar. Modellkalibrering kan anses vara en iterativ process där små justeringar görs på olika modellparametrar till dess att simuleringsresultaten överensstämmer med insamlade mätdata.

Enligt god modelleringssed föreslås en generell procedur för att kalibrera och validera modeller. Detaljerade beskrivningar av delmomenten och föreslagen arbetsgång för kalibreringsprocessen kan hittas i boken ”Guidelines for Using Activated Sludge Models” av Rieger et al. (2012). En kort sammanfattning av den föreslagna proceduren följer nedan.

Inom den föreslagna kalibreringsproceduren är det första steget att stopkriterierna för kalibreringen bör justeras från det som har bestämts i projektdefinitionsfasen beroende på datakvalitén och mängden data som har samlats in tidigare i projektet (stopkriterierna används för att ge kalibreringsproceduren ett tydligt mål och ett slut). Efter det att stoppkriterierna har justerats bör modellen köras med standard- eller uppmätta parametervärden. Med standard-värden menas här värden på parametrar som har validerats och använts inom andra modelleringsprojekt. Simulerade data från den ursprungliga modellkörningen bör därefter jämföras med uppmätta data och sedan bör parameterjusteringar genomföras om modellen inte producerar tillräckligt väl överensstämmande resultat. Processen att justera modellparametrar och köra om modellen bör fortsätta till dess att stopkriterierna är nådda. Den slutgiltiga parameteruppsättningen valideras sedan genom olika valideringstest där det undersöks om modellen kan prediktera valideringsdata tillräckligt väl med de framtagna parametrarna.
1. Kalibrering

När simuleringsresultaten ligger utanför det angivna noggrannhetsintervallet är ett bra första steg att dubbelkolla data och att modellen är korrekt uppsatt i simuleringsmjukvaran. Om inga ytterligare mätningar eller ändringar görs i reningsverksmodellen kan parameterjusteringar göras manuellt eller automatiskt med hjälp av olika algoritmer för att få modellen att producera tillräckliga resultat. Enligt god modelleringssed bör modellparametrar kopplade till följande delar av modellen bör justeras i följande ordning:

  1. Parametrar kopplade till hydrodynamiken: hur vattenflödet modelleras inom verket och den resulterande omblandningen är de första parametrarna som kan övervägas att modifieras. Hydrodynamiken har mycket stor påverkan på dygnsvariationen av olika lösta koncentrationer. Spårämnesförsök är en bra metod för att undersöka flöden även om försöken kan vara svåra och tidskrävande att genomföra.
  2. Sammansättningen av inkommande vatten eller slamflöden (primär-, överskotts- och recirkulationsslam) kan justeras för att anpassa den simulerade slamproduktionen. Justering av slamflöden är i princip att korrigera slamåldern i systemet. Om tillfredsställande resultat inte kan nås kan det vara ett möjligt alternativ att modifiera reningsverksmodellen i detta läge, exempelvis genom att ändra inputmodellen.
  3. Parametrar för sedimenteringsmodellen är specifika för reningsverket som ska modelleras och behöver typiskt justeras när andra modeller än punkt eller ideala sedimenteringsmodeller inte är tillräckliga för projektbehovet.
  4. Delmodellerna för luftningen kan justeras, speciellt när DO-mätningarna inte är tillräckliga, vare sig det vore på grund av dåligt placerade sensorer eller inexakta data.
  5. Ändringar i biokinetiska parametrar bör vara de sista parameterjusteringarna som övervägs och bör endast ändras om det finns välmotiverade anledningar till detta från processynpunkt.
2. Validering

Aktivslammodeller av olika slag har använts sedan 1980-talet och generell modellvalidering har ökat med ökad användning av modellerna, dock behövs modellspecifika valideringstest för kritiska förhållanden beroende på målet med modelleringsprojektet (ex. vinterförhållanden, dynamiska simuleringar). Dessa situationer måste specificeras och de valideringsdata som används bör likna de förhållanden där modellen förväntas användas för prediktion. Valideringstester kan exempelvis inkludera:

  • Ingenjörskontroller, jämförelse av modellresultat och mätdata för specifika variabler eller jämförelser med andra metoder (designtabeller, ekvationer etc.)
  • Valideringskörningar med dataset för definierade specifika/kritiska förhållanden.
I praktiken är data svåra och dyra att samla in och behandla vilket ofta innebär att de data som samlas in tenderar att användas i kalibreringsfasen. Det blir således också svårt att säkerställa modellens kvalitet och validera modellen då data för alla olika typer av inflödes- och väderförhållanden inte finns att tillgå. Det är önskvärt att se till att det finns tillräckliga mängder data för kalibrering och för validering för de förhållanden som är kritiska för projektet.