earticle

영어

Biological wastewater treatment systems are characterized by large temporal variability of inflow, variable concentrations of components in the incoming wastewater to the plant, and highly variable biological reactions within the process. This paper proposes an automatic process model induction system using an evolutionary computional intelligence, called grammar-based genetic programming (GBGP), that is specially designed to automatically discover multivariate dynamic process models that best fit observed process data. This automatic process model induction system combines an evolutionary self-organizing system of genetic programming paradigm with various mathematical functions for a multivariate nonlinear model evolution using a grammar system via the mechanism of genetics and natural selection. In the GBGP, a four-step modelling procedure was performed: (1) initialization: generatr an initial population of P models using contex-free grammar. generation K=0; (2) optimize each model (variables and constants) in the population; (3) execute and evaluate the fitness of each model in the population; (4) genetic loop: repeat until termination criterion is met (maximum generation Kmax). The results demonstrate that the multivariate dynamic process modelling technique presented using a grammar-based genetic programming (GBGP) provides a valuable tool for predicting the out puts with high levels of accuracy and identifying key operating variables for the full-scale KNR biological nutrient removal process. These modells are derived automatically in the form of understandable mathematical formulas that enable engineers to extract important knowledge hidden in the data and develop better operation and control strategies.

한국어

생물학적 폐수처리 시스템은 시간에 따른 유입 폐수량의 변화가 크고, 처리장으로 유입되는 폐수내의 다양한 성분과 농도의 변화 가 클 뿐 만 아니라, 처리공정 내에서 매우 가변적인 생물학적 반응을 나타내는 특징을 가진다. 본 논문에서는 측정된 공정 데이터에 가장 적합한 다변량 동적 공정 모델이 자동으로 생성되도록 고안된 학습기반 유전자 프로그래밍(GBGP)이라는 진화적 전산 지능을 사용한 자동 공정 모델 유도 시스템을 제안하였다. 이 자동 공정 모델 유도 시스템은 유전자 프로그래밍의 진화적 자기구성 시스템 과 유전학 및 자연선택 메카니즘을 통해 학습 시스템을 사용하여 만들어진 다변형 비선형 모델 진화를 위한 다양한 수학적 기능과 결합되어 있다. GBGP에서 4단계의 모델링 절차가 수행되었다. (1) context-free grammar를 이용하여 P 모델의 초기 개체군(세대 K=0)을 생성시키는 초기화, (2) 변수와 상수의 각 모델에 대한 최적화, (3) 각 모델에 대한 적합도 실행 및 평가, (4) 세대 K=Kmax 가 될 때까지 반복 실행하는 유전자 루프(genetic loop). 모델링 결과 학습기반 유전자 프로그래밍(GBGP)으로 만들어지는 다변량 동 적 공정 모델링 기술이 실제 처리장 규모의 KNR 생물학적 고도처리 공정을 높은 정확도로 출력을 예측하고 주요 작동 변수를 식별 하는 데 유용한 도구임을 보여주었다. 이 모델은 엔진니어가 데이터에 숨겨진 중요한 지식을 알아내고 더 나은 처리장 운영 및 제어 전략을 개발할 수 있도록 이해하기 쉬운 수학 공식의 형태로 자동적으로 생성된다