Tecnología “digital twin” para el tratamiento del agua, creada en base al aprendizaje automático y el uso de modelos determinísticos.

Actualmente, EVS Water funciona únicamente en la infraestructura de Amazon Web Services (AWS), ya que está estrechamente vinculado 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 considerarían y tendrían que discutirse con nuestro equipo de gestión de datos.

EVS Water utiliza redes neuronales recurrentes (RNN) con TensorFlow y Keras para calibrar los modelos en torno a una línea de base determinista. Se han elegido estas herramientas porque son marcos ampliamente aceptados para aplicar las 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 las aplicaciones de EVS Water y permiten una implementación y tiempos de procesamiento relativamente rápidos. Las características de entrada a la RNN pueden incluir el pH de la alimentación/coagulación, el DOC, la UV254, la temperatura, la turbidez del desbordamiento de la alimentación/lamella y la dosis de coagulante, utilizando tanto los instrumentos existentes como los instalados por un proveedor.

La capacidad de absorción utilizada en el modelo determinista también se calibra mediante este modelo RNN a 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 sitio 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 se ajustan las tendencias no lineales con estacionalidad anual, semanal y diaria, además de los efectos de las vacaciones. Funciona mejor con series temporales que tienen fuertes efectos estacionales y varias franjas estacionales de datos históricos. También es resistente a los datos no disponibles y a los cambios de tendencia, y suele manejar bien los valores atípicos.

La línea de base determinista para las recomendaciones de coagulación se basa en una serie de modelos clave que incluyen una versión modificada del modelo de coagulación basado en Langmuir de Edwards (1997), desarrollado específicamente para representar la coagulación mejorada utilizando coagulantes basados en aluminio y sales férricas, considerado el más preciso de los modelos disponibles para la eliminación de DOC durante la coagulación (Tseng y Edwards, 1999).

Las entradas clave para este modelo son el DOC de la alimentación [mg/L] y el pH de la alimentación/coagulación que conducen a una predicción de la dosis de coagulante [mg/L], basada en un análisis inorgánico reciente o en una medición de alcalinidad en línea si está disponible.

Al inicio del proyecto se deberán compartir los PID, los PFD, los puntos de control, los datos de control representativos, los lugares de dosificación y las hojas de datos de los equipos. 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 mismo.

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