แบบจำลองโครงข่ายประสาทเทียมสำหรับ Clarifier กรณีศึกษา : โรงงานผลิตน้ำประปาบางเขน

Abstract

ABSTRACT The objective of this research is to apply Artificial Neural Networks (ANN) modeling for predicting clarified water turbidity, using operation data in time series format. The input data includes raw water turbidity, raw water alkalinity, raw water pH, alum dosage, polyelectrolyte dosage, plant flow rate, turbine speed, sludge drainage rate, sludge concentration, and clarified water turbidity. This data belongs to Bangkhen Water Treatment Plant, Metropolitan Waterworks Authority. The data was collected during the period of January 1st to December 31st, 2010, covering seasonal changes. As a typical ANN modeling, the input data was divided into 3 sets consisting of Training, Validation, and Testing sets. The best model architecture was obtained by considering the Coefficient of Determination (r2) and the Mean Absolute Error (MAE), obtained from a number of numerical experiments based on trial and error. The experiment was limited to two hidden layer models, and the number of neurons was set from 5 to 100 neurons. By considering the Autocorrelation Function (ACF), there is a suggestion of using less than an 8-hour temporal span. However, the numerical experiment was carried out from the present to a temporal span of 20 hours in order to assure that the model performance was entirely evaluated. ANN model with two hidden layers obviously exhibited better performance than the one hidden layer model. The best prediction performance model came with the two hidden layer architecture, which is 45 neurons in the first hidden layer and 80 neurons in the second hidden layer and an 8 hours temporal span. This model gave an r2 of 0.92 and a Mean Absolute Error of 0.016 NTU. This clarified that the ANN model is promising for practical application because its MAE of 0.016 NTU was less than the measurement error of the turbidity meter. Keyword: Artificial Neural Network, Prediction, Time series บทคัดย่อ งานวิจัยนี้มีวัตถุประสงค์ในการประยุกต์ใช้แบบจำลองโครงข่ายประสาทเทียม สำหรับการทำนายค่าความขุ่นของน้ำที่ออกจากแคลริไฟเออร์ ด้วยข้อมูลการปฏิบัติงานในรูปแบบของอนุกรมเวลา โดยข้อมูลอินพุตประกอบด้วย ค่าความขุ่นน้ำดิบ, ค่าความเป็นด่างของน้ำดิบ, ค่าความความเป็นกรด-เบสของน้ำดิบ, ค่าปริมาณความเข้มข้นสารส้มที่จ่าย, ค่าปริมาณความเข้มข้นโพลีอิเล็คโทรไลต์ที่จ่าย, ค่าอัตราการไหล, ค่าความเร็วรอบของใบกวน, ค่าอัตราการระบายตะกอน, ค่าความเข้มข้นตะกอน และค่าความขุ่นของน้ำที่ออกจากแคริไฟเออร์ ของสำนักงานประปาบางเขน การประปานครหลวง เป็นข้อมูลที่เก็บรวบรวมตั้งแต่วันที่ 1 มกราคม พ.ศ. 2553  ถึงวันที่ 31 ธันวาคม พ.ศ. 2553 ซึ่งครอบคลุมถึงการเปลี่ยนแปลงตามฤดูกาล โดยรูปแบบของแบบจำลอง ANN ข้อมูลอินพุตจะแบ่งออกเป็น 3 กลุ่ม คือ กลุ่มข้อมูลฝึกสอน กลุ่มข้อมูลตรวจสอบ และกลุ่มข้อมูลทดสอบ สถาปัตยกรรมของแบบจำลองที่ดีที่สุดหาได้จากค่าสัมประสิทธิ์การตัดสินใจ (r2) และค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ที่ได้จากผลการทดลองด้วยการเรียนรู้แบบการลองผิดลองถูก ซึ่งการทดลองกำหนดให้มีชั้นซ่อนไม่เกิน 2 ชั้น และจำนวนนิวรอนในชั้นซ่อนตั้งแต่ 5 ถึง 100 จากการพิจารณาค่า Autocorrelation Function (ACF) ควรใช้ช่วงเวลาย้อนหลังไม่เกิน 8 ชั่วโมง อย่างไรก็ตามเพื่อให้แน่ใจว่าได้ทำการตรวจสอบประสิทธิภาพของแบบจำลอง ดังนั้นจะทำการทดลองตั้งแต่ช่วงเวลาปัจจุบัน ถึงช่วงเวลาย้อนหลัง 20 ชั่วโมง จะพบว่าแบบจำลอง ANN ที่ชั้นซ่อน 2 ชั้น แสดงผลประสิทธิภาพการทำนายที่ดีกว่าแบบจำลองชั้นซ่อน 1 ชั้น แบบจำลองที่มีประสิทธิภาพดีในการทำนายที่ดีที่สุด คือแบบจำลองแบบ 2 ชั้นซ่อน โดยชั้นซ่อนที่หนึ่งมีจำนวนนิวรอนเท่ากับ 45 นิวรอน และชั้นซ่อนที่สองเท่ากับ 80 นิวรอน โดยใช้ข้อมูลย้อนหลังในการทำนายเท่ากับ 8 ชั่วโมง โดยแบบจำลองนี้ให้ค่าสัมประสิทธิ์การตัดสินใจ (r2) เท่ากับ 0.92 และ ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) เท่ากับ 0.016 NTU แบบจำลอง ANN สำหรับการทำนายค่าความขุ่นของน้ำที่ออกจากแคริไฟเออร์นี้แสดงให้เห็นว่าประสิทธิภาพของการทำนายของแบบจำลองเป็นที่ยอมรับได้ เนื่องจากให้ค่าความผิดพลาดน้อยกว่าความคลาดเคลื่อนของเครื่องมือวัด คำสำคัญ: โครงข่ายประสาทเทียม  การทำนาย อนุกรมเวลา