[論文レビュー] Enhancing Operation of a Sewage Pumping Station for Inter Catchment Wastewater Transfer by Using Deep Learning and Hydraulic Model

Duo Zhang, Erlend Skullestad Hølland+2 more|arXiv (Cornell University)|Nov 9, 2018

Flood Risk Assessment and Management参考文献 31被引用数 5

ひとこと要約

本稿では、ノルウェーのドラムンに所在する下水ポンプ所の運用を向上させるために、ハイブリッドディープラーニングと水理モデルを組み合わせた手法を提案する。LSTMに基づくマルチステップの水位予測モデルを用いることで、GRU、RNN、FFNN、SVRよりも優れた性能を達成し、溢流の緩和とシステムのレジリエンス向上が顕著に改善された。

ABSTRACT

This paper presents a novel Inter Catchment Wastewater Transfer (ICWT) method for mitigating sewer overflow. The ICWT aims at balancing the spatial mismatch of sewer flow and treatment capacity of Wastewater Treatment Plant (WWTP), through collaborative operation of sewer system facilities. Using a hydraulic model, the effectiveness of ICWT is investigated in a sewer system in Drammen, Norway. Concerning the whole system performance, we found that the Søren Lemmich pump station plays a vital role in the ICWT framework. To enhance the operation of this pump station, it is imperative to construct a multi-step ahead water level prediction model. Hence, one of the most promising artificial intelligence techniques, Long Short Term Memory (LSTM), is employed to undertake this task. Experiments demonstrated that LSTM is superior to Gated Recurrent Unit (GRU), Recurrent Neural Network (RNN), Feed-forward Neural Network (FFNN) and Support Vector Regression (SVR).

研究の動機と目的

• 都市下水排水システムにおける下水流量と下水処理施設の処理能力の空間的不一致を是正すること。
• 下水処理施設（WWTP）の処理能力制限によって引き起こされる下水の溢流を緩和すること。
• 予測水位モデルを用いて、Søren Lemmich下水ポンプ所の運用効率を向上させること。
• リアルタイムポンプ制御のためのデータ駆動型、ディープラーニングベースの予測モデルの開発と検証すること。
• 長短期記憶（LSTM）ネットワークを水理モデルと統合し、ICWTの性能を最適化すること。

提案手法

• ドラムン下水システムのキャリブレーション済み水理モデルとディープラーニングモデルを統合したハイブリッドフレームワークを構築した。
• Søren Lemmichポンプ所におけるマルチステップ水位予測に、長短期記憶（LSTM）ネットワークを適用した。
• 将来の水位を高時間分解能で予測するために、履歴流入量および水位データに基づいてLSTMモデルを学習させた。
• 同一のデータセットと評価指標を用いて、LSTMの性能をGRU、RNN、FFNN、SVRと比較した。
• 予測結果を水理モデルに統合し、さまざまな流量条件下でのICWT運用のシミュレーションと最適化を実施した。
• 予測精度とモデル性能の評価に、平均二乗誤差（RMSE）および決定係数（R²）を用いた。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースの水位予測は、流域間下水移転システムにおける下水ポンプ所の運用効率を向上させることができるか？
• RQ2 実世界の下水システムにおいて、LSTMのマルチステップ水位予測性能は、他の機械学習モデル（GRU、RNN、FFNN、SVR）と比べてどのように差がつくか？
• RQ3 ディープラーニングと水理モデルの統合が、ドラムンの事例において下水の溢流をどの程度低減できるか？
• RQ4 Søren Lemmichポンプ所は、効果的な流域間下水移転を実現するために果たす役割は何か？
• RQ5 ディープラーニングに基づく予測制御は、空間的・時間的流量不均衡にさらされる都市下水システムのレジリエンスを向上させることができるか？

主な発見

• LSTMは、Søren Lemmichポンプ所におけるマルチステップ水位予測において、GRU、RNN、FFNN、SVRを上回った。
• LSTMモデルは、テストしたすべてのモデルの中で最小の平均二乗誤差（RMSE）と最大の決定係数（R²）を達成した。
• 水理モデルのシミュレーションにより、ICWTが流域間での流量の再配分によって下水の溢流リスクを顕著に低減することが確認された。
• Søren Lemmichポンプ所は、流量再配分における中心的役割を果たすため、ICWTフレームワークにおける重要なノードであると特定された。
• LSTMの予測結果と水理モデルの統合により、能動的なポンプ制御が可能となり、システムの安定性が向上し、溢流発生が減少した。
• 提案手法は、複雑な都市下水ネットワークにおけるリアルタイム運用において、頑健性とスケーラビリティを示した。