Tratamiento del agua simplificado y más sostenible

Actualmente, EVS Agua solo funciona en la infraestructura de Amazon Web Services (AWS), ya que está estrechamente vinculada a las capacidades de AWS para el aprendizaje automático y la ciencia de datos. Existen algunas posibilidades de alojar algunos datos localmente, pero dependen en gran medida de los requisitos específicos del proyecto, se tendrían en cuenta y tendrían que debatirse con nuestro equipo de gestión de datos.

Prevemos que el sistema esté en funcionamiento entre 1 y 2 meses. El modelo determinista calibrado garantiza una base estable para las predicciones de aprendizaje automático. Esto supone una gran ventaja frente a los enfoques basados únicamente en el aprendizaje automático, que pueden requerir años de datos para entrenarse adecuadamente.

EVS Water utiliza redes neuronales recurrentes (RNN) impulsadas por TensorFlow y Keras para calibrar modelos en torno a una línea de base determinista. Se han elegido estas herramientas porque son marcos ampliamente aceptados para aplicar RNN a retos que requieren la identificación de patrones en conjuntos de datos complejos. Estos marcos están enfocados a la producción e integrados en el código fuente para permitir previsiones precisas para aplicaciones EVS Water y permiten tiempos de implementación y procesamiento relativamente rápidos. Las características de entrada a la RNN pueden incluir pH de alimentación/coagulación, DOC, UV254, temperatura, turbidez de alimentación/desbordamiento de Lamella y dosis de coagulante, utilizando tanto los instrumentos existentes como los instalados por un proveedor.

La capacidad de sorción utilizada en el modelo determinista también se calibra mediante este modelo RNN en función de las condiciones específicas del emplazamiento. El diseño detallado de los modelos RNN se desarrolla como resultado de un estrecho compromiso con el cliente y el personal del emplazamiento y depende del diseño de la planta y de los datos de monitorización disponibles.

Utilizamos un procedimiento de previsión de datos de series temporales basado en un modelo aditivo en el que las tendencias no lineales se ajustan con estacionalidad anual, semanal y diaria, además de efectos de vacaciones. Funciona mejor con series temporales que tienen fuertes efectos estacionales y varias temporadas de datos históricos. También es resistente a los datos que faltan y a los cambios de tendencia, y suele manejar bien los valores atípicos.

Aunque técnicamente es factible conectar con sistemas DCS/SCADA, se recomienda que los datos para Optimizador de planta se obtienen del historiador de datos y no del sistema DCS/SCADA. La latencia entre los sistemas DCS/SCADA no suele ser motivo de preocupación en aplicaciones de este tipo, que requieren una resolución de datos aproximadamente horaria.

Además, las aplicaciones conectadas a DCS/SCADA suelen estar asociadas a plazos mucho más largos relacionados con los permisos y las políticas de acceso a los datos allí almacenados. Los historiadores de datos (por ejemplo, PI) están diseñados para interactuar con una amplia variedad de partes interesadas, incluidos los proveedores de terceros, y confiamos en que se acepte uno de nuestros tres métodos preferidos para la gestión de datos (código a la API de Envirosuite, transferencia ftp a un sitio WSD o transferencia ftp a un sitio Envirosuite). Las alternativas a este diseño requerirán una variación del alcance del trabajo en esta propuesta.

Los PID, PFD, puntos de control, datos de control representativos, lugares de dosificación y hojas de datos de los equipos deberán compartirse al inicio del proyecto. Los datos de los puntos de control designados deberán compartirse al menos diariamente durante la fase operativa del proyecto con protocolos acordados al inicio del proyecto.

Para facilitar la evaluación de los beneficios económicos, el coste unitario medio de los productos químicos y el consumo de electricidad, eliminación de residuos sólidos y los costes de mano de obra de la planta se solicitarán al inicio del proyecto.