Издаётся с сентября 1923 года
DOI: 10.33622/0869-7019
Russian Science Citation Index (RSCI) на платформе Web of Science


  • ВОДОСНАБЖЕНИЕ, КАНАЛИЗАЦИЯ,
    СТРОИТЕЛЬНЫЕ СИСТЕМЫ ОХРАНЫ ВОДНЫХ РЕСУРСОВ
  • Оптимизация процесса грануляции активного ила аэротенков с помощью машинного обучения
  • УДК 628.3
    doi: 10.33622/0869-7019.2026.04.73-81
    Игорь Алексеевич ГУЛЬШИН1, кандидат технических наук, доцент кафедры, gulshinia@mgsu.ru
    Елена Васильевна СПАСИБО, инженер Института научно-технического сопровождения строительства1, ведущий инженер2, spasibo.elena@mail.ru
    Елена Сергеевна ГОГИНА, кандидат технических наук, доцент, главный научный сотрудник2, зав. кафедрой «Строительство систем и сооружений водоснабжения и водоотведения»3, gogina-es@yandex.ru
    Николай Алексеевич МАКИША1, кандидат технических наук, доцент, доцент кафедры, makishana@mgsu.ru
    Ольга Николаевна КУЗИНА1, кандидат технических наук, доцент, зав. кафедрой "Информационные системы, технологии и автоматизация в строительстве", kuzinaon@mgsu.ru
    1 Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ), 129337 Москва, Ярославское ш., 26
    2 Научно-исследовательский институт строительной физики Российской академии архитектуры и строительных наук (НИИСФ РААСН), 127238 Москва, Локомотивный пр., 21
    3 Российский государственный геологоразведочный университет им. Серго Орджоникидзе (МГРИ), 117997 Москва, ГСП-7, ул. Миклухо-Маклая, 23.
    Аннотация. В работе представлена автоматизированная система предиктивного управления процессами биологической очистки сточных вод в лабораторном AGS-реакторе на базе SCADA-платформы Siemens SIMATIC WinCC с интеграцией моделей машинного обучения N-BEATS и Temporal Fusion Transformer для прогноза биологического потребления кислорода за пять суток по онлайн-данным аналитических датчиков. Источник данных формировался при очистке синтетических сточных вод, имитирующих состав сточных вод Московского региона, с контролем растворенного кислорода, соотношения углерод-азот-фосфор, дозы активного ила и основных показателей качества воды, при этом модель N-BEATS продемонстрировала наилучшие метрики и была внедрена в контур управления. Реализация связки SCADA-ML через связку Apache Airflow-FastAPI-PostgreSQL позволила в режиме, близком к реальному времени, корректировать дозу активного ила и временные параметры циклов аэрации, отстаивания и слива на основе прогнозных значений биологического потребления кислорода. Это привело к снижению вариабельности органической нагрузки и стабилизации гранулированной структуры ила, что продемонстрировало потенциальную применимость подобных решений на полноразмерных сооружениях.
    Ключевые слова: гранулированный активный ил, биологическая очистка сточных вод, SCADA, предиктивное управление, машинное обучение, N-BEATS, Temporal Fusion Transformer, временные ряды
  • СПИСОК ИСТОЧНИКОВ
    1. Brad S., Murar M., Vlad G., Brad E. et al. Lifecycle design of disruptive SCADA systems for waste-water treatment installations [Проектирование жизненного цикла прорывных SCADA-систем для установок по очистке сточных вод]. Sustainability, 2021, vol. 13, no 9, p. 4950.
    2. Phuyal S., Bista D., Izykowski J., Bista R. Design and implementation of cost efficient SCADA system for industrial automation [Проектирование и внедрение экономичной SCADA-системы для промышленной автоматизации]. International Journal of Engineering and Manufacturing, 2020, vol. 10, no. 2, p. 15.
    3. Alzahrani A., Aldhyani T. H. H. Design of efficient based artificial intelligence approaches for sustainable of cyber security in smart industrial control system [Разработка эффективных подходов на основе искусственного интеллекта для устойчивого обеспечения кибербезопасности в умной промышленной системе управления]. Sustainability, 2023, vol. 15, no. 10, p. 8076.
    4. Kaittan K. H., Mohammed S. J. PLC-SCADA automation of inlet wastewater treatment processes: design, implementation, and evaluation [Автоматизация входных процессов очистки сточных вод на базе PLC-SCADA: проектирование, внедрение и оценка]. Journal Europйen des Systиmes Automatisйs, 2024, vol. 57, no. 3, pp. 787-796.
    5. Rajhans A. R., More S. S., Gambhir S. V., Deshmukh V. H. Review paper on wastewater treatment plant using PLC & SCADA [Обзорная статья по очистным сооружениям сточных вод с использованием PLC и SCADA]. International Journal of Engineering and Applied Science and Technology, 2020, vol. 4, pp. 667-671.
    6. Velбsquez D., Vallejo P., Toro M. et al. EDAR 4.0: Machine Learning and Visual Analytics for Wastewater Management [EDAR 4.0: машинное обучение и визуальная аналитика для управления сточными водами]. Sustainability, 2024, vol. 16, no. 9, p. 3578.
    7. Lowe M., Qin R., Mao X. A review on machine learning, artificial intelligence, and smart technology in water treatment and monitoring [Обзор по машинному обучению, искусственному интеллекту и смарт-технологиям в очистке и мониторинге воды]. Water, 2022, vol. 14, no. 9, p. 1384.
    8. Zhang Y., Wu H., Xu R. et al. Machine learning modeling for the prediction of phosphorus and nitrogen removal efficiency and screening of crucial microorganisms in wastewater treatment plants [Моделирование на основе машинного обучения для прогнозирования эффективности удаления фосфора и азота и выделения ключевых микроорганизмов на очистных сооружениях сточных вод]. Science of The Total Environment, 2024, vol. 907, p. 167730.
    9. Alprol A. E., Mansour A. T., Ibrahim M. E. E. D., Ashour M. Artificial intelligence technologies revolutionizing wastewater treatment: current trends and future prospective [Технологии искусственного интеллекта, революционизирующие очистку сточных вод: текущие тенденции и перспективы]. Water, 2024, vol. 16, no. 2, p. 314.
    10. Coito T., Viegas J. L., Martins M. S. et al. A novel framework for intelligent automation [Новая структура (фреймворк) для интеллектуальной автоматизации]. IFAC.PapersOnLine, 2019, vol. 52, no. 13, pp. 1825-1830.
    11. Wang Y., Cheng Y., Liu H. et al. A review on applications of artificial intelligence in wastewater treatment [Обзор применения искусственного интеллекта в очистке сточных вод]. Sustainability, 2023, vol. 15, no. 18, p. 13557.
    12. Wang D., Thunйll S., Lindberg U. et al. A machine learning framework to improve effluent quality control in wastewater treatment plants [Фреймворк машинного обучения для повышения качества контроля очищенной воды на очистных сооружениях]. Science of the Total Environment, 2021, vol. 784, p. 147138.
    13. Abdel Basset M., Gamal A., Moustafa N. et al. A risk assessment model for cyber-physical water and wastewater systems: towards sustainable development [Модель оценки рисков для киберфизических систем водоснабжения и водоотведения: на пути к устойчивому развитию]. Sustainability, 2022, vol. 14, no. 8, p. 4480.
    14. Zhang W., Tooker N. B., Mueller A. V. Enabling wastewater treatment process automation: leveraging innovations in real-time sensing, data analysis, and online controls [Обеспечение автоматизации процессов очистки сточных вод: использование инноваций в области датчиков реального времени, анализа данных и онлайн-управления]. Environmental Science: Water Research & Technology, 2020, vol. 6, no. 11, pp. 2973-2992.
    15. Wang Q., Li Z., Cai J. et al. Spatially adaptive machine learning models for predicting water quality in Hong Kong [Пространственно адаптивные модели машинного обучения для прогнозирования качества воды в Гонконге]. Journal of Hydrology, 2023, vol. 622, p. 129649.
    16. El Alaoui El Fels A., Mandi L., Kammuon A. et al. Artificial intelligence and wastewater treatment: a global scientific perspective through text mining [Искусственный интеллект и очистка сточных вод: глобальный научный взгляд с использованием текстовой аналитики]. Water, 2023, vol. 15, no. 19, p. 3487.
    17. Xu B., Pooi C. K., Tan K. M. et al. A novel long short-term memory artificial neural network (LSTM)-based soft-sensor to monitor and forecast wastewater treatment performance [Новый "мягкий датчик" на основе LSTM-нейронной сети для мониторинга и прогноза эффективности очистки сточных вод]. Journal of Water Process Engineering, 2023, vol. 54, p. 104041.
    18. Zaghloul M. S., Hamza R. A., Iorhemen O. T., Tay J. H. Comparison of adaptive neuro-fuzzy inference systems (ANFIS) and support vector regression (SVR) for data-driven modelling of aerobic granular sludge reactors [Сравнение адаптивных нейро-нечетких выводимых систем (ANFIS) и опорных векторных регрессий (SVR) для моделирования реакторов с аэробным гранулированным илом на основе данных]. Journal of Environmental Chemical Engineering, 2020, vol. 8, no. 3, p. 103742.
    19. Liang Y., Pan Z., Guo T. et al. Filamentous bacteria and stalked ciliates for the stable structure of aerobic granular sludge treating wastewater [Нитчатые бактерии и прикрепленные ресничные инфузории как фактор устойчивой структуры аэробного гранулированного ила при очистке сточных вод]. International Journal of Environmental Research and Public Health, 2022, vol. 19, no. 23, p. 15747.
    20. Zaghloul M. S., Iorhemen O. T. et al. Development of an ensemble of machine learning algorithms to model aerobic granular sludge reactors [Разработка ансамбля алгоритмов машинного обучения для моделирования реакторов с аэробным гранулированным илом]. Water Research, 2021, vol. 189, p. 116657.
    21. Jayaraman P., Nagarajan K. K., Partheeban P. Predictive modeling of groundwater quality near urban dump yards using N-BEATS and fuzzy inference systems [Прогнозное моделирование качества подземных вод вблизи городских полигонов твердых отходов с использованием N-BEATS и нечетких выводимых систем]. Environmental Science and Pollution Research, 2025, vol. 32, pp. 1-30.
    22. Srinath S., Tuppad P. Data driven multi-stage transformer based framework for intelligent water quality monitoring [Многостадийный фреймворк на основе трансформеров, ориентированный на данные, для интеллектуального мониторинга качества воды]. Scientific Reports, 2025, vol. 15, no. 1, p. 41680.
  • Для цитирования: Гульшин И. А., Спасибо Е. В., Гогина Е. С., Макиша Н. А., Кузина О. Н. Оптимизация процесса грануляции активного ила аэротенков с помощью машинного обучения // Промышленное и гражданское строительство. 2026. № 4. С. 73-81. doi: 10.33622/0869-7019.2026.04.73-81

НАЗАД