Simulering och resultattolkning

Om tidigare delar av projektet är korrekt genomförda finns det i detta steg en fullt fungerande och kalibrerad modell av reningsverket som kan producera resultat med förväntad noggrannhet som krävs för att kunna undersöka målen med modelleringsprojektet. I detta steg körs typiskt flera olika statiska och dynamiska modellkörningar för att analysera olika ”scenarier”. Dessa scenarier har bör ha definierats tidigare i projektet och syftar till att analysera projektets olika frågeställningar. Enligt god modelleringssed föreslås en flerstegsprocedur för simulering och resultattolkning där huvudmomenten och deras innehåll sammanfattas i nedanföljande avsnitt.

1. Definiera scenarier

Vanligtvis krävs det ett betydande antal olika scenarier för att kunna svara på alla de frågor som har ställts i projektdefinitionsfasen. Det är viktigt att se till att det finns realistiska och praktiska scenarier definierade innan dess att simuleringarna påbörjas. Genom att simulera många olika förhållanden i flera olika layouter av en modell kan det totala antalet simulerade scenarier snabbt bli väldigt stort vilket kommer att ta lång tid att simulera och analysera. Nedan följer en checklista med några saker att ta hänsyn till vid planeringen av scenarioanalys vilket kan leda till signifikanta tidsbesparingar:

• Statisk eller dynamisk modell: Krävs det en dynamisk modell för att kunna svara på en viss fråga eller är det tillräckligt att sätta upp en statisk modell?
• Inkludera alla inputs som behövs för simuleringen: Finns alla inputs som behövs för att modellera scenariot tillgängliga?
• Simulera regleringsåtgärder: Är det nödvändigt att simulera manuella justeringar eller automatiska regleringar av processen till följd av ändrad processdynamik?
• Inse tidsbegränsningar i simuleringstid: Hur lång tid tar det att köra ett scenario och kommer alla önskade scenarier att kunna undersökas inom de satta tidsramarna för projektet? Simuleringar kan ta allt från några sekunder att köra till flertalet timmar för mer komplicerade modeller.
• Välj rätt outputs: Vilka outputs behövs för att utvärdera en modellkörning? På grund av praktiska begränsningar sparar inte någon simuleringsprogramvara all data som genereras under en modellkörning. Det är upp utan användaren själv se till så att all nödvändig data sparas. Missas någon eller några parametrar att sparas kommer scenariot att behövas köras en gång till vilket kommer att slösa med tid.

2. Sätta upp och modifiera modellen för olika scenarier

Flera olika typer av frågeställningar och scenarier kräver att den ursprungliga kalibrerade och validerade modellen modifieras. Några av dessa scenarier inkluderar:

1. Expandering av reningsverket – hur kan verket förväntas fungera om nya bassänger eller nya processlinjer läggs? För att analysera detta scenario kan det behövas nya bassängvolymer och andra processenheter. Hydrauliken kan behöva ändras och de nya bassängerna kan ha andra djup och annan utrustning vilket måste tas hänsyn till.
2. Uppgradering av reningsverket – hur kan verket förväntas prestera om verket modifieras för att klara hårdare utsläppskrav? För att analysera detta scenario kan signifikanta ändringar behöva göras till den ursprungliga layouten av modellen.
3. Optimering av reningsverket – hur påverkar ändringar i driften eller förbättrade reglerstrategier verkets prestanda? För att analysera detta scenario kan det krävas mer sofistikerade modeller av regulatorer men det kan tillåta finjusteringar av regulator-parametrar.
4. Påverkan av underhåll och konstruktion – hur kommer verket att fungera om bassänger eller specifik utrustning tas ur drift? Detta scenario kan komma att kräva att storlekar på bassänger och/eller att maxgränsen för olika utrustning justeras.
5. Bedömning av extremhändelse – hur kommer verket att svara på höga flöden till följd av stora regn eller snösmältning? Dessa scenarier kan komma att behöva separata inflödesfiler och modifikationer till driften och regleringen av verket. Modellens hydrodynamik kan också behövas justeras för denna typ av scenario.

3. Köra simuleringar

Att genomföra simuleringar har över åren blivit allt enklare med mer lätthanterliga programvaror som tar hand om de matematiska formuleringarna och numeriska lösningarna bakom kulisserna. Dock krävs det fortfarande en förståelse för de grundläggande koncepten bakom programvarorna för att de ska kunna användas korrekt och effektivt.

 

Att köra statiska simuleringar:
Det finns två fundamentalt olika sätt att få statiska resultat från en modell:

1. Köra en modell dynamiskt till steady-state: En initialgissning för koncentrationen av alla tillståndsvariabler anges och en dynamisk simulering startas från den punkten men med konstanta inputs. Vid varje modellsteg kommer tillståndsvariablerna att ändras av simuleringsprogrammet genom att uppdatera de ursprungliga gissningarna med de framräknade värdena av variablerna från ekvationerna,

2. Använda en ”steady-state”-lösare: Modellen körs iterativt med ett set av inputs och driftsvariabler till dess att tillståndsvariablerna inte längre förändras. Detta ger en unik så kallad ”steady state”-lösning och idealt beror den inte på initialgissningarna.

I vissa lägen kan det finnas två eller flera giltiga ”steady state”-lösningar för ett givet set med inputs och modellparametrar (det kan exempelvis finnas en nitrifierande lösning och en icke-nitrifierande lösning för en specifik uppsättning ekvationer). Försiktighet och sunt ingenjörsförnuft måste användas för att se till att den mest lämpliga lösningen används. Inom olika programvaror kan det dock finnas tekniker och tillvägagångssätt för att nå bra numeriska lösningar

Att köra dynamiska simuleringar:
Ett viktigt första steg som behöver genomföras innan dess att dynamiska simuleringar kan genomföras är att fastställa initialvillkor till modellen. De initiala värdena på tillståndsvariablerna och uppskattningar för var och en av dem behövs för att kunna köra en simulering. Det finns flera metoder att få fram skattningar av dessa initialvärden varav tillvägagångssättet nedan rekommenderas enligt god modelleringssed:

• Ta ett typiskt värde för varje tillståndsvariabel vid starten av simuleringen (vid t = 0).
• Köra en statisk simulering innan den dynamiska simuleringen och använda resultaten som initialvillkor.
• En förbättring från b) är att starta från en ”steady state”-lösning och sedan följa detta med flera dagar eller flera veckor med dygnsvariation för att få upp koncentrationerna från dygnsmedelvärden till korrekta koncentrationer för simuleringens starttid.

Utförligare beskrivningar av metoderna för att få fram initialvärden presenteras i faktarutorna. En kort introduktion till numeriska lösare och lösningsmetoder finns presenterad i boken Guidelines for using Activated Sludge Models av Rieger et al. från 2012 för den intresserade läsaren.

4. Presentera och tolka resultat

För att göra analysen och tolkningen av data enklare att genomföra är det viktigt att se till att presentera data på ett sådant sätt som förenklar analysen. I tabell 6 nedan sammanfattas några vanliga metoder att presentera data för statiska och dynamiska simuleringar enligt Rieger et al. (2013).

Statiska simuleringar	Dynamiska simuleringar
Tabeller	Grafer över tidsbaserade outputs
Stapel-, linje- och cirkeldiagram	Animerade varianter av stapel-, linje- och cirkeldiagram
Processflödesscheman	Tabeller med outputdata och sammanfattande statistik

Kontrollera att resultaten ser rimliga ut
Modelleraren måste undersöka så att resultaten från modellen ser rimliga ut innan de används som beslutsunderlag. Då modellerna inte är fysikaliskt begränsade som ett riktigt reningsverk är det viktigt att kontrollera resultaten innan några slutsatser dras. Enligt god modelleringssed kan många fallgropar undvikas genom att använda nedanstående kontroller och riktlinjer:

• Tunnelseende: Se alltid till hela modellen. Genom att endast titta på ett fåtal variabler finns det en risk att modelleraren missar variabler som är inte är rimliga och gör hela modellen ogiltig.
• Nonsensvärden: Kontrollera att alla värden (MLSS, OUR, utgående TSS etc.) är inom rimliga intervall.
• Rimlighetsbedömningar: Jämför modellresultaten med liknande resultat från riktig drift. Om modellen exempelvis predikterar god biologisk fosforrening trots att det riktiga reningsverket inte klarar av det under liknande förhållanden. Sannolikt finns det ett felaktigt antagande någonstans i modellen eller så används dåliga data.
• Alternativa metoder: Jämför modellresultaten med andra metoder så som olika designkurvor eller designekvationer från olika manualer och riktlinjer.

Statistisk analys av resultat
Två generella typer av statistisk analys kan genomföras för att analysera olika scenarier:

1. Beskrivande statistik för olika dynamiska simuleringar
2. Jämförelse av olika scenarier

Många gånger är det tillräcklig att använda sig av enkla statistiska mått så som medelvärden, min- och maxvärden, standardavvikelser och varians hos olika parametrar för att kunna analysera olika scenarier. Scenariojämförelser kan genomföras för både statiska och dynamiska körningar. Resultat från statiska simuleringar kan enkelt tabelleras och jämföras i termer av olika utvärderingsparametrar (exempelvis utgående koncentrationer eller driftskostnader) och skillnader kan beskrivas i absoluta tal, procent av ett basscenario eller relativt den ursprungliga kalibrerade modellen. Jämförelsen av outputs från dynamiska modeller kan vara något mer komplicerad men kan göras genom att jämföra olika beskrivande statistik för olika scenarier eller genom att visuellt jämföra olika tidsserier av olika parametrar.

Säkerhetsfaktorer
Traditionella designmetoder inkluderar olika säkerhetsfaktorer för att hantera osäkerheter vid dimensionering. Modeller innehåller inga säkerhetsfaktorer vilket innebär att ingenjörsmässiga bedömningar behöver göras och praktisk driftserfarenhet behöver tillämpas när resultaten från en processmodell ska tolkas och användas. Detaljerade mekanistiska modeller kan ersätta vissa säkerhetsfaktorer genom att förklara den faktiska bakomliggande mekanismen men resultaten från en modell ska inte litas på blint. Etablerade design- och driftskriterium motsäger sällan modelleringsresultaten om modellen har satts upp ordentligt och om korrekta design och driftskriterium används.

5. Typiska fallgropar

I listan nedan följer en sammanställning av vanliga fallgropar vid simulering, resultattolkning och vid rapportering till beställare:

1. Ofullständig eller otillräcklig rapportering: Reproducerbarheten av ett modelleringsprojekt är direkt beroende av att arbetsgången inom projektet tydligt har dokumenterats och att använda filer finns tillgängliga. Om inte modelleringsproceduren har dokumenterats tillräckligt är det svårt att utvärdera modellkvalitén.
2. Odefinierade antaganden: Alla antaganden som har gjorts bör tydligt anges vid rapportering.
3. Inga rimlighetsbedömningar: Överskattning av modellresultaten kan leda till att modelleraren förbiser sunt förnuft och ingenjörsmässiga bedömningar.
4. Inkompletta eller saknade datafiler: Validerade datafiler och inputfiler tillhandahålls inte alltid efter ett färdigställt projekt. Dessa filer är särskilt viktiga om modellen ska återanvändas efter det att projektet ha genomförts.
5. Dålig kommunikation eller opassande rapporteringsformat: Tekniska resultat bör kunna förstås och vara användbara av beslutsfattarna/beställarna. Det är god praxis att tillhandahålla detaljerade teknisk information som stödjer de huvudsakliga slutsatserna i en bilaga snarare än i huvuddelen av rapporten för att förtydliga huvudtexten.