JP2021079310A - Information processing device, information processing method, and program - Google Patents
Information processing device, information processing method, and program Download PDFInfo
- Publication number
- JP2021079310A JP2021079310A JP2019206525A JP2019206525A JP2021079310A JP 2021079310 A JP2021079310 A JP 2021079310A JP 2019206525 A JP2019206525 A JP 2019206525A JP 2019206525 A JP2019206525 A JP 2019206525A JP 2021079310 A JP2021079310 A JP 2021079310A
- Authority
- JP
- Japan
- Prior art keywords
- concentration
- time
- information
- input
- substance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 39
- 238000003672 processing method Methods 0.000 title claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 254
- JLPUXFOGCDVKGO-TUAOUCFPSA-N (-)-geosmin Chemical compound C1CCC[C@]2(O)[C@@H](C)CCC[C@]21C JLPUXFOGCDVKGO-TUAOUCFPSA-N 0.000 claims abstract description 148
- 239000001075 (4R,4aR,8aS)-4,8a-dimethyl-1,2,3,4,5,6,7,8-octahydronaphthalen-4a-ol Substances 0.000 claims abstract description 148
- JLPUXFOGCDVKGO-UHFFFAOYSA-N dl-geosmin Natural products C1CCCC2(O)C(C)CCCC21C JLPUXFOGCDVKGO-UHFFFAOYSA-N 0.000 claims abstract description 148
- 229930001467 geosmin Natural products 0.000 claims abstract description 148
- 239000004576 sand Substances 0.000 claims abstract description 99
- 239000000126 substance Substances 0.000 claims abstract description 72
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims abstract description 39
- 229910052801 chlorine Inorganic materials 0.000 claims abstract description 39
- 239000000460 chlorine Substances 0.000 claims abstract description 39
- 238000011282 treatment Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims description 58
- 239000013049 sediment Substances 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 44
- 238000013528 artificial neural network Methods 0.000 abstract description 36
- 239000008399 tap water Substances 0.000 abstract 4
- 235000020679 tap water Nutrition 0.000 abstract 4
- 230000008569 process Effects 0.000 description 48
- 238000012795 verification Methods 0.000 description 38
- 238000012360 testing method Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 26
- 230000004913 activation Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 20
- 230000007774 longterm Effects 0.000 description 12
- 230000015654 memory Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000004062 sedimentation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000011144 upstream manufacturing Methods 0.000 description 8
- 230000007787 long-term memory Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006403 short-term memory Effects 0.000 description 7
- LFYXNXGVLGKVCJ-FBIMIBRVSA-N 2-methylisoborneol Chemical compound C1C[C@@]2(C)[C@](C)(O)C[C@@H]1C2(C)C LFYXNXGVLGKVCJ-FBIMIBRVSA-N 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 241000192700 Cyanobacteria Species 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 241000186361 Actinobacteria <class> Species 0.000 description 1
- 241000192542 Anabaena Species 0.000 description 1
- 241000192497 Oscillatoria Species 0.000 description 1
- 241000192608 Phormidium Species 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000249 desinfective effect Effects 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035943 smell Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Water Treatment By Sorption (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
Description
本発明は上水処理に用いられる情報処理装置、情報処理方法、及びプログラムに関する。 The present invention relates to an information processing apparatus, an information processing method, and a program used for water treatment.
従来より、河川水やダム水又は湖沼水等の原水（以下、単に「原水」という。）を飲料水等にするための上水処理が知られている（例えば、特許文献１参照。）。特許文献１の上水処理は、原水に含まれる砂等の異物を沈降除去する沈砂池と、原水に凝集剤を添加して原水の濁質が凝集したフロックを形成するフロック形成池と、形成されたフロックを沈殿させる沈澱池と、フロックが沈殿した後の上水を濾過する濾過池と、濾過された上水を消毒する消毒槽とを備える上水処理システムで実行される。 Conventionally, water treatment for converting raw water such as river water, dam water or lake water (hereinafter, simply referred to as “raw water”) into drinking water or the like has been known (see, for example, Patent Document 1). The clean water treatment of Patent Document 1 is formed by forming a sand basin that sediments and removes foreign substances such as sand contained in the raw water, and a floc forming basin that forms flocs in which the turbidity of the raw water is aggregated by adding a flocculant to the raw water. It is carried out in a water treatment system including a settling basin for precipitating the frozen flocs, a filtration basin for filtering the clean water after the flocs have settled, and a disinfection tank for disinfecting the filtered clean water.
原水には、例えば、フォルミディウム、オシラトリア、及びアナベナ等の藍藻類及び放線菌類が生息し、これらは２−ＭＩＢ（Methylisoborneol）やジェオスミンを生成する。２−ＭＩＢやジェオスミンが飲料水等の上水処理が施された原水（以下、「処理済水」という。）に一定量以上含まれるとき、例えば、処理済水を飲む者はカビの臭いであるカビ臭を感じる。したがって、水道法は処理済水に含まれる２−ＭＩＢ又はジェオスミンの濃度が１０ng/L以下であることを規定し、処理済水を飲む者がカビ臭を感じるのを防止している。 Cyanobacteria and actinomycetes such as Phormidium, Oscillatoria, and Anabaena inhabit the raw water, and they produce 2-MIB (Methylisoborneol) and geosmin. When 2-MIB or geosmin is contained in a certain amount or more in raw water that has been treated with clean water such as drinking water (hereinafter referred to as "treated water"), for example, a person who drinks treated water smells of mold. I feel a certain musty odor. Therefore, the Waterworks Law stipulates that the concentration of 2-MIB or geosmin contained in the treated water is 10 ng / L or less, and prevents those who drink the treated water from feeling a musty odor.
上水処理の管理者は処理済水に含まれる２−ＭＩＢ又はジェオスミンの濃度を１０ng/L以下に制御するために、例えば、主に粒径２０μｍ以下の活性炭で構成される粉末活性炭を有する粉末活性炭槽を、フロック形成池の前に設置する。したがって、上水処理システムに導水された原水は、まず、粉末活性炭槽において粉末活性炭に接触するので、原水に含まれる２−ＭＩＢ及びジェオスミンは粉末活性炭に吸着される。 In order to control the concentration of 2-MIB or geosmin contained in the treated water to 10 ng / L or less, the water treatment manager has, for example, a powder having powdered activated carbon mainly composed of activated carbon having a particle size of 20 μm or less. An activated carbon tank will be installed in front of the floc formation pond. Therefore, the raw water introduced into the clean water treatment system first comes into contact with the powdered activated carbon in the powdered activated carbon tank, so that 2-MIB and geosmine contained in the raw water are adsorbed on the powdered activated carbon.
しかしながら、水道法は処理済水に含まれる２−ＭＩＢ又はジェオスミンの濃度が１０ng/L以下であることを規定しているが、原水に含まれる２−ＭＩＢ又はジェオスミンの濃度について規定していない。また、原水に含まれる２−ＭＩＢ又はジェオスミンの濃度の変動は大きい。そのため、原水に含まれる２−ＭＩＢ又はジェオスミンの濃度は測定されていない。したがって、上水処理の管理者は原水に含まれる２−ＭＩＢ及びジェオスミンの濃度を測定し、測定されたこれらの濃度に基づいて粉末活性炭槽への粉末活性炭の添加量を決定することができない。 However, although the Waterworks Law stipulates that the concentration of 2-MIB or geosmin contained in treated water is 10 ng / L or less, it does not stipulate the concentration of 2-MIB or geosmin contained in raw water. In addition, the concentration of 2-MIB or geosmin contained in raw water fluctuates greatly. Therefore, the concentration of 2-MIB or geosmin contained in raw water has not been measured. Therefore, the manager of the clean water treatment cannot measure the concentrations of 2-MIB and geosmin contained in the raw water and determine the amount of the powdered activated carbon added to the powdered activated carbon tank based on these measured concentrations.
これに対応して、上水処理の管理者は処理済水に含まれる２−ＭＩＢ又はジェオスミンの濃度を確実に１０ng/L以下に制御するために、粉末活性炭槽に過剰な粉末活性炭を添加している。その結果、無駄な粉末活性炭の添加に基づく経済的負担が増大するだけでなく、２−ＭＩＢ又はジェオスミンが吸着した大量の粉末活性炭が汚泥を生成するため、大量の活性炭汚泥の処分に困るという問題が生じる。 In response to this, the water treatment manager added excess powdered activated carbon to the powdered activated carbon tank to ensure that the concentration of 2-MIB or geosmin contained in the treated water was controlled to 10 ng / L or less. ing. As a result, not only the economic burden due to the unnecessary addition of powdered activated carbon increases, but also a large amount of powdered activated carbon adsorbed by 2-MIB or geosmin produces sludge, which makes it difficult to dispose of a large amount of activated carbon sludge. Occurs.
すなわち、処理済水に含まれる２−ＭＩＢ又はジェオスミン等のカビ臭原因物質の濃度を確実に１０ng/L以下に制御するために、適切な量の粉末活性炭を適切なタイミングに添加することができないという問題がある。 That is, in order to surely control the concentration of the musty odor-causing substance such as 2-MIB or geosmin contained in the treated water to 10 ng / L or less, an appropriate amount of powdered activated carbon cannot be added at an appropriate timing. There is a problem.
本発明の目的は、適切な量の粉末活性炭を適切なタイミングに添加することができる情報処理装置、情報処理方法、及びプログラムを提供することにある。 An object of the present invention is to provide an information processing device, an information processing method, and a program capable of adding an appropriate amount of powdered activated carbon at an appropriate timing.
上記目的を達成するために、請求項１記載の情報処理装置は、上水処理が施される原水に含まれる物質の濃度を推定する情報処理装置であって、前記物質の濃度以外の少なくとも１つの情報を入力する入力手段と、前記入力された少なくとも１つの情報及び前記入力された少なくとも１つの情報の重要性を示す重みに基づいて前記原水に含まれる物質の濃度を出力する出力手段と、を備えることを特徴とする。 In order to achieve the above object, the information processing device according to claim 1 is an information processing device that estimates the concentration of a substance contained in the raw water to be treated with clean water, and is at least one other than the concentration of the substance. An input means for inputting one piece of information, an output means for outputting the concentration of a substance contained in the raw water based on the weight indicating the importance of the input at least one piece of information and the input at least one piece of information. It is characterized by having.
上記目的を達成するために、請求項３記載の情報処理装置は、第１の時刻から第２の時刻までの上水処理が施される原水に含まれる物質の濃度及び前記第１の時刻から前記第２の時刻までの前記物質の濃度以外の少なくとも１つの情報を入力する入力手段と、前記入力手段によって入力された物質の濃度、前記入力手段によって入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力手段と、を備えることを特徴とする。 In order to achieve the above object, the information processing apparatus according to claim 3 is based on the concentration of the substance contained in the raw water to be treated with water from the first time to the second time and the first time. An input means for inputting at least one information other than the concentration of the substance up to the second time, a concentration of the substance input by the input means, at least one information input by the input means, and these. It is characterized by including an output means for outputting the concentration of the substance at a predicted time when a certain time has elapsed from the second time based on a weight indicating importance.
上記目的を達成するために、請求項１０記載の情報処理方法は、上水処理が施される原水に含まれる物質の濃度を推定する情報処理方法であって、前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、前記入力された少なくとも１つの情報及び前記入力された少なくとも１つの情報の重要性を示す重みに基づいて前記原水に含まれる物質の濃度を出力する出力ステップと、を有することを特徴とする。
In order to achieve the above object, the information processing method according to
上記目的を達成するために、請求項１１記載の情報処理方法は、第１の時刻から第２の時刻までの上水処理が施される原水に含まれる物質の濃度及び前記第１の時刻から前記第２の時刻までの前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、前記入力された物質の濃度、前記入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力ステップと、を有することを特徴とする。
In order to achieve the above object, the information processing method according to
上記目的を達成するために、請求項１２記載のプログラムは、上水処理が施される原水に含まれる物質の濃度を推定する情報処理方法をコンピュータに実行させるプログラムであって、前記情報処理方法は、前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、前記入力された少なくとも１つの情報及び前記入力された少なくとも１つの情報の重要性を示す重みに基づいて前記原水に含まれる物質の濃度を出力する出力ステップと、を有することを特徴とする。
In order to achieve the above object, the program according to
上記目的を達成するために、請求項１３記載のプログラムは、情報処理方法をコンピュータに実行させるプログラムであって、前記情報処理方法は、第１の時刻から第２の時刻までの上水処理が施される原水に含まれる物質の濃度及び前記第１の時刻から前記第２の時刻までの前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、前記入力された物質の濃度、前記入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力ステップと、を有することを特徴とする。
In order to achieve the above object, the program according to
本発明によれば、適切な量の粉末活性炭を適切なタイミングに添加することができる。 According to the present invention, an appropriate amount of powdered activated carbon can be added at an appropriate timing.
以下、本発明の実施の形態について図面を参照しながら詳述する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図１は、本発明の実施の形態に係る情報処理装置１０の内部構成を概略的に示すブロック図である。
FIG. 1 is a block diagram schematically showing an internal configuration of the
図１の情報処理装置１０は、ＣＰＵ１１、ＲＡＭ１２、ＲＯＭ１３、及びＨＤＤ１４を備え、これらは内部バス１５を介して互いに接続されている。ＣＰＵ１１は、ＲＯＭ１３又はＨＤＤ１４に格納されたプログラム、例えば、深層学習に関するプログラムをＣＰＵ１１のワークメモリであるＲＡＭ１２に展開して実行する。深層学習に関するプログラムには、例えば、順伝播型ニューラルネットワークＦＦＮＮ（Feed Forward Neural Network）及び長短期記憶ＬＳＴＭ（Long Short Term Memory）等があり、「深層学習」（機械学習プロフェッショナルシリーズ 岡谷貴之 著）に詳細が記載されている。
The
ＨＤＤ１４は、各種プログラムの他に後述の第１の学習処理（図３）で用いられるＦＦＮＮ入力情報（表１）及びＦＦＮＮ正解データ（表２）、並びに、後述の第１の検証処理（図４）で用いられるＦＦＮＮテストデータ（表３）及びＦＦＮＮ検証用正解データ（表４）を格納する。また、ＨＤＤ１４は、後述の第２の学習処理（図６）で用いられるＬＳＴＭ入力情報（表５）及びＬＳＴＭ正解データ（表６）、並びに、後述の第２の検証処理（図７）で用いられるＬＳＴＭテストデータ（表７）及びＬＳＴＭ検証用正解データ（表８）を格納する。
In addition to various programs, the
表１のＦＦＮＮ入力情報は、時刻、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報（カビ臭原因物質の濃度以外の情報）から構成されている。ＦＦＮＮ入力情報において、時刻は原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、原水濁度は上水処理システムに流入する原水（以下、「流入原水」という。）の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。 The FFNN input information in Table 1 is composed of a plurality of information (information other than the concentration of the substance causing the musty odor) of time, raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, and river water level. There is. In the FFNN input information, the time indicates the time when each information of raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, and river water level was measured, and the raw water turbidity is the raw water flowing into the clean water treatment system. (Hereinafter referred to as "inflow raw water") turbidity, pH indicates the pH of the sedimentation pond, alkalinity indicates the alkalinity of the sedimentation pond, conductivity indicates the conductivity of the sedimentation pond, and chlorine requirement Indicates the chlorine requirement of the sand pond, the water temperature indicates the water temperature of the sand pond, and the river water level indicates the river water level at a predetermined point of the river that is the source of the inflow raw water, for example, about 10 km upstream of the water treatment system. ..
表２のＦＦＮＮ正解データは、時刻、２−ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ＦＦＮＮ正解データにおいて、時刻は２−ＭＩＢ濃度及びジェオスミン濃度を測定した時刻を示し、２−ＭＩＢ濃度は流入原水に含まれるカビ臭原因物質としての２−ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるカビ臭原因物質としてのジェオスミンの濃度を示す。 The FFNN correct answer data in Table 2 is composed of a plurality of information of time, 2-MIB concentration, and geosmin concentration. In the FFNN correct answer data, the time indicates the time when the 2-MIB concentration and the geosmin concentration were measured, the 2-MIB concentration indicates the concentration of 2-MIB as a mold odor-causing substance contained in the inflow raw water, and the geosmin concentration indicates the inflow raw water. Shows the concentration of geosmin as a fungal odor-causing substance contained in.
表３のＦＦＮＮテストデータは、時刻、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報から構成されている。ＦＦＮＮテストデータにおいて、時刻は原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、原水濁度は流入原水の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。 The FFNN test data in Table 3 is composed of a plurality of information such as time, raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, and river water level. In the FFNN test data, the time indicates the time when each information of raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, and river water level was measured, and the raw water turbidity indicates the turbidity of the inflow raw water. pH indicates the pH of the sand basin, turbidity indicates the alkalinity of the sand basin, conductivity indicates the conductivity of the sand basin, chlorine requirement indicates the chlorine requirement of the sand basin, and water temperature indicates the water temperature of the sand basin. The river water level indicates the river water level at a predetermined point of the river that is the source of the inflow raw water, for example, about 10 km upstream of the clean water treatment system.
表４のＦＦＮＮ検証用正解データは時刻、２−ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ＦＦＮＮ検証用正解データにおいて、時刻は２−ＭＩＢ濃度及びジェオスミン濃度を測定した時刻を示し、２−ＭＩＢ濃度は流入原水に含まれる２−ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるジェオスミンの濃度を示す。 The correct answer data for FFNN verification in Table 4 is composed of a plurality of information of time, 2-MIB concentration, and geosmin concentration. In the correct answer data for FFNN verification, the time indicates the time when the 2-MIB concentration and the geosmin concentration were measured, the 2-MIB concentration indicates the concentration of 2-MIB contained in the inflow raw water, and the geosmin concentration indicates the geosmin contained in the inflow raw water. Indicates the concentration of.
本実施の形態において、ＦＦＮＮ入力情報、ＦＦＮＮ正解データ、ＦＦＮＮテストデータ又はＦＦＮＮ検証用正解データである原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、河川水位、２−ＭＩＢ濃度及びジェオスミン濃度の測定は定性的な測定であればよいため、上水処理の分野で通常使用されている濁度計、ｐＨ計、アルカリ度計、導電率計、塩素要求量計、水温計、河川水位計、及び濃度計などの測定機器を用いて行うことができる。これらの各情報又は各データの測定機器はそれぞれ所定の位置に固定して使用される。流入原水の濁度又は流入原水に含まれる２−ＭＩＢ濃度若しくはジェオスミン濃度は、例えば、沈砂池に流入する前の原水又は沈砂池に流入した直後の原水に対し濁度計又は濃度計を設置して測定することができる。また、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温の測定は、砂等の異物の沈降物を含まない原水に対して行うのであれば沈砂池のいずれの場所で測定してもよい。 In the present embodiment, FFNN input information, FFNN correct answer data, FFNN test data or FFNN verification correct answer data such as raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, river water level, 2-MIB concentration. And since the measurement of geosmin concentration may be qualitative measurement, turbidity meter, pH meter, alkalinity meter, conductivity meter, chlorine requirement meter, water temperature meter, which are usually used in the field of water treatment, It can be performed using a measuring device such as a river water level meter and a concentration meter. Each of these pieces of information or the measuring device of each data is fixed at a predetermined position and used. For the turbidity of the inflowing raw water or the 2-MIB concentration or geosmin concentration contained in the inflowing raw water, for example, a turbidity meter or a densitometer is installed for the raw water before flowing into the sand basin or the raw water immediately after flowing into the sand basin. Can be measured. In addition, the pH of the sand basin, the alkalinity of the sand basin, the conductivity of the sand basin, the chlorine requirement of the sand basin, and the water temperature of the sand basin are measured for raw water that does not contain sediments of foreign substances such as sand. If there is, it may be measured at any place in the sand basin.
本実施の形態において、約１２５００のＦＦＮＮ入力情報及び約１２５００のＦＦＮＮ正解データ、並びに、約３１００のＦＦＮＮテストデータ及び約３１００のＦＦＮＮ検証用正解データがＨＤＤ１４に格納されている。なお、所定の時刻に測定された各情報がＦＦＮＮ入力情報及びＦＦＮＮ正解データ、又は、ＦＦＮＮテストデータ及びＦＦＮＮ検証用正解データに分類されるか否かはＣＰＵ１１によって不規則に決定されている。
In the present embodiment, about 12500 FFNN input information, about 12500 FFNN correct answer data, about 3100 FFNN test data, and about 3100 FFNN verification correct answer data are stored in the
表５のＬＳＴＭ入力情報は、時刻、２−ＭＩＢ濃度、ジェオスミン濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報から構成されている。ＬＳＴＭ入力情報において、時刻は２−ＭＩＢ濃度、ジェオスミン濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、２−ＭＩＢ濃度は流入原水に含まれる２−ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるジェオスミンの濃度を示し、原水濁度は流入原水の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。 The LSTM input information in Table 5 is composed of a plurality of information such as time, 2-MIB concentration, geosmin concentration, raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, and river water level. In the LSTM input information, the time indicates the time when each information of 2-MIB concentration, geosmine concentration, raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, and river water level was measured, and 2-MIB concentration. Indicates the concentration of 2-MIB contained in the inflow raw water, the geosmin concentration indicates the concentration of geosmin contained in the inflow raw water, the raw water turbidity indicates the turbidity of the inflow raw water, the pH indicates the pH of the sedimentation pond, and alkali. Degree indicates the turbidity of the sand pond, conductivity indicates the conductivity of the sand pond, chlorine requirement indicates the chlorine requirement of the sand pond, water temperature indicates the water temperature of the sand pond, and river water level indicates the source of the inflow raw water. Indicates a river water level at a predetermined point of the river, for example, a point about 10 km upstream of the water treatment system.
表６のＬＳＴＭ正解データは予測時刻、２−ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ところで、本実施の形態において、長短期記憶ＬＳＴＭは第１の時刻ｔｍから第２の時刻ｔｎ（ｔｎ＞ｔｍ）の間に測定された時系列データに基づいて時刻ｔｎから一定の時間が経過した時刻の流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を出力することを前提とし、時刻ｔｎから一定の時間が経過した時刻を予測時刻ｔｔとしている。したがって、ＬＳＴＭ正解データにおいて、予測時刻は２−ＭＩＢ濃度及びジェオスミン濃度を測定した予測時刻ｔｔを示し、２−ＭＩＢ濃度は予測時刻ｔｔの流入原水に含まれる２−ＭＩＢの濃度を示し、ジェオスミン濃度は予測時刻ｔｔの流入原水に含まれるジェオスミンの濃度を示す。 The LSTM correct answer data in Table 6 is composed of a plurality of information on the predicted time, 2-MIB concentration, and geosmin concentration. By the way, in the present embodiment, the long- and short-term storage RSTM is constant from the time t n based on the time series data measured between the first time t m and the second time t n (t n > t m). assumes that the time to output the density and concentration of geosmin of 2-MIB included in the inflow raw water elapsed time, the time at which the predetermined time has elapsed from the time t n is the prediction time t t. Accordingly, in LSTM correct data, the predicted time indicates the predicted time t t was measured 2-MIB concentration and geosmin concentration, 2-MIB concentration represents the concentration of 2-MIB included in the inflow raw water predicted time t t, geosmin concentration indicates the concentration of geosmin contained in the inflow raw water of the prediction time t t.
表７のＬＳＴＭテストデータは、時刻、２−ＭＩＢの濃度、ジェオスミンの濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の複数の情報から構成されている。ＬＳＴＭテストデータにおいて、時刻は原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報を測定した時刻を示し、２−ＭＩＢ濃度は流入原水に含まれる２−ＭＩＢの濃度を示し、ジェオスミン濃度は流入原水に含まれるジェオスミンの濃度を示し、原水濁度は流入原水の濁度を示し、ｐＨは沈砂池のｐＨを示し、アルカリ度は沈砂池のアルカリ度を示し、導電率は沈砂池の導電率を示し、塩素要求量は沈砂池の塩素要求量を示し、水温は沈砂池の水温を示し、河川水位は流入原水の水源である河川の所定の地点、例えば、上水処理システムの約１０ｋｍ上流地点の河川水位を示す。 The LSTM test data in Table 7 consists of multiple pieces of information: time, 2-MIB concentration, geosmin concentration, raw water turbidity, pH, alkalinity, conductivity, chlorine requirements, water temperature, and river water level. .. In the RSTM test data, the time indicates the time when each information of raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, and river water level was measured, and the 2-MIB concentration is 2-MIB concentration contained in the inflow raw water. The MIB concentration, the geosmin concentration indicates the concentration of geosmin contained in the inflow raw water, the raw water turbidity indicates the turbidity of the inflow raw water, the pH indicates the pH of the sedimentation pond, and the alkalinity indicates the alkalinity of the sedimentation pond. The conductivity indicates the conductivity of the sand pond, the chlorine requirement indicates the chlorine requirement of the sand pond, the water temperature indicates the water temperature of the sand pond, and the river water level indicates the predetermined point of the river which is the source of the inflow raw water. For example, the river water level at a point about 10 km upstream of the clean water treatment system is shown.
表８のＬＳＴＭ検証用正解データは予測時刻、２−ＭＩＢ濃度、及びジェオスミン濃度の複数の情報から構成されている。ところで、本実施の形態において、長短期記憶ＬＳＴＭは、第３の時刻ｔｘから第４の時刻ｔｙ（ｔｙ＞ｔｘ）又は第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１（ｔｙ＋１＞ｔｘ＋１）の間に測定された時系列データ（ｔｙ＋１＞ｔｘ＋１＞ｔｙ＞ｔｘ）からなるＬＳＴＭテストデータに基づいて時刻ｔｙ，ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ１，ｔｔ２の流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を出力することを前提としている。したがって、ＬＳＴＭ検証用正解データにおいて、予測時刻は予測時刻ｔｔ１，ｔｔ２を示し、２−ＭＩＢ濃度は予測時刻ｔｔ１，ｔｔ２の流入原水に含まれる２−ＭＩＢの濃度を示し、ジェオスミン濃度は予測時刻ｔｔ１，ｔｔ２の流入原水に含まれるジェオスミンの濃度を示す。 The correct answer data for LSTM verification in Table 8 is composed of a plurality of information of predicted time, 2-MIB concentration, and geosmin concentration. Incidentally, in the present embodiment, short- and long-term storage LSTM the third time t x the fourth time t y (t y> t x ) or the fifth time t x + 1 from the sixth time t y + 1 (t y + 1> t x + 1 ) time-series data (t y + 1 measured during the> t x + 1> t y > t x time t y on the basis of the LSTM test data consisting of), the predicted time has elapsed a certain time from t y + 1 It is assumed that the concentration of 2-MIB and the concentration of geosmin contained in the inflow raw water of t t1 and t t2 are output. Therefore, in the correct answer data for RSTM verification, the predicted time indicates the predicted times t t1 and t t2 , and the 2-MIB concentration indicates the concentration of 2-MIB contained in the inflow raw water at the predicted times t t1 and t t2, and the geosmin concentration. Indicates the concentration of geosmin contained in the inflow raw water at the predicted times t t1 and t t2.
本実施の形態において、ＬＳＴＭ入力情報、ＬＳＴＭ正解データ、ＬＳＴＭテストデータ又はＬＳＴＭ検証用正解データである原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、河川水位、２−ＭＩＢ濃度及びジェオスミン濃度の測定は定性的な測定であればよいため、上水処理の分野で通常使用されている濁度計、ｐＨ計、アルカリ度計、導電率計、塩素要求量計、水温計、河川水位計、及び濃度計などの測定機器を用いて行うことができる。これらの各情報又は各データの測定機器はそれぞれ所定の位置に固定して使用される。流入原水の濁度又は流入原水に含まれる２−ＭＩＢ濃度若しくはジェオスミン濃度は、例えば、沈砂池に流入する前の原水又は沈砂池に流入した直後の原水に対し濁度計又は濃度計を設置して測定することができる。また、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温の測定は、砂等の異物の沈降物を含まない原水に対して行うのであれば沈砂池のいずれの場所で測定してもよい。 In the present embodiment, LSTM input information, LSTM correct answer data, LSTM test data, or LSTM verification correct answer data such as raw water turbidity, pH, alkalinity, conductivity, chlorine requirement, water temperature, river water level, 2-MIB concentration. And since the measurement of geosmin concentration may be qualitative measurement, turbidity meter, pH meter, alkalinity meter, conductivity meter, chlorine requirement meter, water temperature meter, which are usually used in the field of water treatment, It can be performed using a measuring device such as a river water level meter and a concentration meter. Each of these pieces of information or the measuring device of each data is fixed at a predetermined position and used. For the turbidity of the inflowing raw water or the 2-MIB concentration or geosmin concentration contained in the inflowing raw water, for example, a turbidity meter or a densitometer is installed for the raw water before flowing into the sand basin or the raw water immediately after flowing into the sand basin. Can be measured. In addition, the pH of the sand basin, the alkalinity of the sand basin, the conductivity of the sand basin, the chlorine requirement of the sand basin, and the water temperature of the sand basin are measured for raw water that does not contain sediments of foreign substances such as sand. If there is, it may be measured at any place in the sand basin.
本実施の形態において、約１２５００のＬＳＴＭ入力情報及び約１２５００のＬＳＴＭ正解データ、並びに、約３１００のＬＳＴＭテストデータ及び約３１００のＬＳＴＭ検証用正解データがＨＤＤ１４に格納されている。なお、所定の時刻に測定された各情報がＬＳＴＭ入力情報及びＬＳＴＭ正解データ、又は、ＬＳＴＭテストデータ及びＬＳＴＭ検証用正解データに分類されるか否かはＣＰＵ１１によって不規則に決定されている。
In the present embodiment, about 12500 LSTM input information, about 12500 LSTM correct answer data, about 3100 LSTM test data, and about 3100 LSTM verification correct answer data are stored in the
さらに、ＨＤＤ１４は、後述の第１の検証処理において用いられる誤差閾値及び決定係数閾値を格納する。また、ＨＤＤ１４は予測時刻ｔｔ，ｔｔ１，ｔｔ２を決定するための基準である後述の時間差ｔｄ、並びに、後述のタイムステップ情報を格納する。
Further, the
図２は、図１におけるＣＰＵ１１によって実行される順伝播型ニューラルネットワークＦＦＮＮを概略的に示す概念図であり、図２（ａ）は順伝播型ニューラルネットワークＦＦＮＮの一例を説明するために用いられる概念図であり、図２（ｂ）は図２（ａ）の順伝播型ニューラルネットワークＦＦＮＮの変形例を説明するために用いられる概念図である。
FIG. 2 is a conceptual diagram schematically showing a feedforward neural network FFNN executed by the
図２（ａ）において、順伝播型ニューラルネットワークＦＦＮＮは入力層２１、隠れ層２２、及び出力層２３から構成され、入力層２１は複数の入力層ノード２１ａ及び入力層バイアス２１ｂを備え、隠れ層２２は複数の隠れ層ノード２２ａ及び隠れ層バイアス２２ｂを備え、出力層２３は出力層ノード２３ａを備える。各入力層ノード２１ａ及び入力層バイアス２１ｂは各隠れ層ノード２２ａに接続され、各隠れ層ノード２２ａ及び隠れ層バイアス２２ｂは出力層ノード２３ａに接続されている。
In FIG. 2A, the feedforward neural network FFNN is composed of an
入力層２１にはＦＦＮＮ入力情報又はＦＦＮＮテストデータの情報が入力され、各入力層ノード２１ａは入力されたＦＦＮＮ入力情報又はＦＦＮＮテストデータの情報を有する。各隠れ層ノード２２ａは、各入力層ノード２１ａが有する情報、各入力層ノード２１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算によって得られる情報を有する。出力層ノード２３ａは、各隠れ層ノード２２ａが有する情報、各隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、隠れ層バイアス２２ｂ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを用いた活性化関数の演算によって得られる情報を有する。本実施の形態において用いられた活性化関数はシグモイド関数又はソフトマックス関数等の非線形関数である。
FFNN input information or FFNN test data information is input to the
図２（ａ）の順伝播型ニューラルネットワークＦＦＮＮは、入力層２１、１層の隠れ層２２、及び出力層２３から構成されているが、隠れ層２２は複数の層、例えば、２〜８層から構成されてもよい（図２（ｂ））。
The feedforward neural network FFNN of FIG. 2A is composed of an
図２（ｂ）において、順伝播型ニューラルネットワークＦＦＮＮが入力層２１、２層の隠れ層２２，２９、及び出力層２３から構成され、２層の隠れ層が入力層２１側に位置する第１の隠れ層２２、出力層２３側に位置する第２の隠れ層２９から構成されるとき、第１の隠れ層２２は複数の第１の隠れ層ノード２２ａ及び第１の隠れ層バイアス２２ｂを有し、第２の隠れ層２９は複数の第２の隠れ層ノード２９ａ及び第２の隠れ層バイアス２９ｂを有する。
In FIG. 2B, the feedforward neural network FFNN is composed of an
各入力層ノード２１ａは入力されたＦＦＮＮ入力情報又はＦＦＮＮテストデータの情報を有する。第１の隠れ層ノード２２ａの各々は、各入力層ノード２１ａが有する情報、各入力層ノード２１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算によって得られる情報を有する。第２の隠れ層ノード２９ａの各々は、第１の隠れ層ノード２２ａの各々が有する情報、第１の隠れ層ノード２２ａの各々が有する情報の重要性を示す重みＷｈ１、第１の隠れ層バイアス２２ｂ、及び第１の隠れ層バイアス２２ｂの重要性を示す重みＷｈｂ１を用いた活性化関数の演算によって得られる情報を有する。
Each
出力層ノード２３ａは、第２の隠れ層ノード２９ａの各々が有する情報、第２の隠れ層ノード２９ａの各々が有する情報の重要性を示す重みＷｈ２、第２の隠れ層バイアス２９ｂ、及び第２の隠れ層バイアス２９ｂの重要性を示す重みＷｈｂ２を用いた活性化関数の演算によって得られる情報を有する。
The output layer node 23a has a weight W h2 indicating the importance of the information possessed by each of the second
図３は、図２（ａ）の順伝播型ニューラルネットワークＦＦＮＮを用いてＦＦＮＮ入力情報及びＦＦＮＮ正解データの関係を学習する第１の学習処理の手順を示すフローチャートである。 FIG. 3 is a flowchart showing a procedure of the first learning process for learning the relationship between the FFNN input information and the FFNN correct answer data using the feedforward neural network FFNN of FIG. 2 (a).
図３において、まず、ＣＰＵ１１は全てのＦＦＮＮ入力情報及びＦＦＮＮ正解データを分割して複数のミニバッチに格納する（Ｓ３１）。本実施の形態では、全てのＦＦＮＮ入力情報及びＦＦＮＮ正解データは９８のミニバッチに分割され、各ミニバッチは１２８のＦＦＮＮ入力情報及びＦＦＮＮ正解データを格納する。このとき、同一のミニバッチに格納されている各ＦＦＮＮ入力情報が示す時刻及び各ＦＦＮＮ正解データが示す時刻は一致する。例えば、２０１９年１月１日１０：００の時刻を示すＦＦＮＮ入力情報がミニバッチに格納されているとき、２０１９年１月１日１０：００の時刻を示すＦＦＮＮ正解データが同一のミニバッチに格納されている。
In FIG. 3, first, the
次いで、ＣＰＵ１１はミニバッチ毎にＦＦＮＮ入力情報及びＦＦＮＮ正解データの関係を学習する。具体的に、一のミニバッチに格納されている全てのＦＦＮＮ入力情報及びＦＦＮＮ正解データが順伝播型ニューラルネットワークＦＦＮＮに入力され（Ｓ３２）、入力されたＦＦＮＮ入力情報毎に各入力層ノード２１ａが形成される（Ｓ３３）。以下のＳ３４〜Ｓ３６の各ステップの処理は、順伝播型ニューラルネットワークＦＦＮＮに入力されたＦＦＮＮ入力情報の１つに基づいて複数の入力層ノード２１ａが形成された場合を説明する。
Next, the
続くＳ３４において、順伝播型ニューラルネットワークＦＦＮＮは各入力層ノード２１ａ、各入力層ノード２１ａの重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算をし、複数の隠れ層ノード２２ａを形成する。さらに、順伝播型ニューラルネットワークＦＦＮＮは各隠れ層ノード２２ａが有する情報、各隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、隠れ層バイアス２２ｂ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを用いた活性化関数の演算をし、出力層ノード２３ａを形成する（Ｓ３５）。
In subsequent S34, forward propagation neural network FFNN each
本実施の形態において、順伝播型ニューラルネットワークＦＦＮＮは特定の時刻が示されているＦＦＮＮ入力情報が入力層２１に入力されたとき、その特定の時刻の流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、特定の時刻が示されているＦＦＮＮ入力情報に基づいて形成された出力層ノード２３ａは、ＦＦＮＮ入力情報が示す特定の時刻と、当該時刻の流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度の推定値とから構成される情報を有する。
In the present embodiment, the feedforward neural network FFNN has, when the FFNN input information indicating a specific time is input to the
その後、ＣＰＵ１１は、出力層ノード２３ａが有する情報と、その出力層ノード２３ａが示す時刻と同一の時刻を示すＦＦＮＮ正解データとを比較し、それぞれから２−ＭＩＢの濃度に関する誤差及びジェオスミンの濃度に関する誤差を式１によって平均二乗誤差MSE（Mean Square Error）(ng/L)2として算出する。
After that, the
続いて、ＣＰＵ１１は、算出された２−ＭＩＢの濃度に関する誤差及びジェオスミンの濃度に関する誤差を出力層２３から隠れ層２２、入力層２１へ順次伝播し（誤差逆伝播法）、それぞれの誤差が小さくなるように入力層ノード２１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス２１ｂの重要性を示す重みＷｉｂ、隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを更新する（Ｓ３６）。
Subsequently, the
Ｓ３２〜Ｓ３６の各ステップの処理が一のミニバッチに格納されている全てのＦＦＮＮ入力情報について実行されたとき、一のミニバッチの学習が終了するが、続くＳ３７において、ＣＰＵ１１は全てのミニバッチの学習が終了したか否かを判別する。Ｓ３７の判別の結果、全てのミニバッチの学習が終了していないとき、本処理はＳ３２に戻って他のミニバッチを学習し、全てのミニバッチの学習が終了したとき、本処理は終了する。本実施の形態では、図３の第１の学習処理を１０００回（１０００エポック）繰り返した。
When the processing of each step of S32 to S36 is executed for all the FFNN input information stored in one mini-batch, the learning of one mini-batch ends, but in the following S37, the
ところで、図３の第１の学習処理が正しく実行されたか否かについて検証する必要がある。図３の第１の学習処理が正しく実行されたか否かは、ＦＦＮＮテストデータを順伝播型ニューラルネットワークＦＦＮＮに入力して出力された情報及びＦＦＮＮ検証用正解データを比較することによって検証する。 By the way, it is necessary to verify whether or not the first learning process of FIG. 3 has been executed correctly. Whether or not the first learning process of FIG. 3 is correctly executed is verified by inputting the FFNN test data to the feedforward neural network FFNN and comparing the output information with the correct answer data for FFNN verification.
図４は、図３の第１の学習処理が正しく実行されたか否かを検証する第１の検証処理の手順を示すフローチャートである。 FIG. 4 is a flowchart showing a procedure of the first verification process for verifying whether or not the first learning process of FIG. 3 is correctly executed.
図４において、まず、ＣＰＵ１１は全てのＦＦＮＮテストデータを分割して複数のミニバッチに格納する（Ｓ４１）。本実施の形態では、全てのＦＦＮＮテストデータは２４のミニバッチに分割され、各ミニバッチは１２８のＦＦＮＮテストデータを格納する。次いで、一のミニバッチに格納されている全てのＦＦＮＮテストデータが順伝播型ニューラルネットワークＦＦＮＮに入力され（Ｓ４２）、入力されたＦＦＮＮテストデータ毎に複数の入力層ノード２１ａが形成される（Ｓ４３）。以下のＳ４４〜Ｓ４７の各ステップの処理は、順伝播型ニューラルネットワークＦＦＮＮに入力されたＦＦＮＮテストデータの１つに基づいて複数の入力層ノード２１ａが形成された場合を説明する。
In FIG. 4, first, the
続くＳ４４において、順伝播型ニューラルネットワークＦＦＮＮは各入力層ノード２１ａ、各入力層ノード２１ａの重要性を示す重みＷｉ、入力層バイアス２１ｂ、及び入力層バイアス２１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算をし、複数の隠れ層ノード２２ａを形成する。さらに、順伝播型ニューラルネットワークＦＦＮＮは各隠れ層ノード２２ａが有する情報、各隠れ層ノード２２ａが有する情報の重要性を示す重みＷｈ、隠れ層バイアス２２ｂ、及び隠れ層バイアス２２ｂの重要性を示す重みＷｈｂを用いた活性化関数の演算をし、出力層ノード２３ａを形成する（Ｓ４５）。
In subsequent S44, forward propagation neural network FFNN each
本実施の形態において、順伝播型ニューラルネットワークＦＦＮＮは特定の時刻が示されているＦＦＮＮテストデータが入力層２１に入力されたとき、その特定の時刻の流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、特定の時刻が示されているＦＦＮＮテストデータに基づいて形成された出力層ノード２３ａは、ＦＦＮＮテストデータが示す特定の時刻と、当該時刻の流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度の推定値とから構成される情報を有する。
In the present embodiment, the feedforward neural network FFNN has the concentration of 2-MIB contained in the inflow raw water at a specific time and the concentration of 2-MIB when the FFNN test data indicating a specific time is input to the
その後、ＣＰＵ１１は、各ＦＦＮＮテストデータに基づいて形成された出力層ノード２３ａが有する情報と、ＨＤＤ１４に格納されているＦＦＮＮ検証用正解データを参照した上でその出力層ノード２３ａが示す時刻と同一の時刻を示すＦＦＮＮ検証用正解データとを比較し、それぞれから２−ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差を式１によって算出するとともに（Ｓ４６）、２−ＭＩＢの濃度に関する決定係数Ｒ２（相関係数Ｒの２乗値）及びジェオスミンの濃度に関する決定係数Ｒ２を式２によって算出する（Ｓ４７）。
After that, the
ここで決定係数Ｒ２とは、順伝播型ニューラルネットワークＦＦＮＮにより出力された２−ＭＩＢの濃度又はジェオスミンの濃度の推定値が、ＦＦＮＮ検証用正解データである２−ＭＩＢの濃度又はジェオスミンの濃度の実測値とどの程度一致しているかを示す指標である。決定係数Ｒ２は通常０〜１の範囲の値をとり、決定係数Ｒ２の値が大きい程、順伝播型ニューラルネットワークＦＦＮＮが２−ＭＩＢの濃度又はジェオスミンの濃度を正しく出力できていることを意味する。 Here, the determination coefficient R 2 is the concentration of 2-MIB or the concentration of geosmin whose estimated value of 2-MIB concentration or geosmin concentration output by the feedforward neural network FFNN is the correct answer data for FFNN verification. It is an index showing how much it matches the measured value. The coefficient of determination R 2 usually takes a value in the range of 0 to 1, and the larger the value of the coefficient of determination R 2 , the more correctly the feedforward neural network FFNN can output the 2-MIB concentration or the geosmin concentration. means.
Ｓ４４〜Ｓ４７の各ステップの処理が一のミニバッチに格納されている全てのＦＦＮＮテストデータについて実行されたとき、ＣＰＵ１１は全てのミニバッチについて２−ＭＩＢの濃度の誤差、ジェオスミンの濃度の誤差、２−ＭＩＢの濃度に関する決定係数、及びジェオスミンの濃度に関する決定係数を算出したか否かを判別する（Ｓ４８）。Ｓ４８の判別の結果、全てのミニバッチについて２−ＭＩＢの濃度の誤差、ジェオスミンの濃度の誤差、２−ＭＩＢの濃度に関する決定係数、及びジェオスミンの濃度に関する決定係数が算出されていないとき、本処理はＳ４２に戻り、全てのミニバッチについて２−ＭＩＢの濃度の誤差、ジェオスミンの濃度の誤差、２−ＭＩＢの濃度に関する決定係数、及びジェオスミンの濃度に関する決定係数が算出されているとき、本処理はＳ４９に進む。
When the processing of each step of S44 to S47 is executed for all the FFNN test data stored in one mini-batch, the
続くＳ４９において、ＣＰＵ１１はＳ４６において算出された２−ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差が所定の閾値（以下、当該閾値を「誤差閾値」という。）以下であり且つＳ４７において算出された２−ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数が所定の閾値（以下、当該閾値を「決定係数閾値」という。）以上であるか否かを判別する（Ｓ４９）。
In the following S49, the
Ｓ４９の判別の結果、Ｓ４６において算出された２−ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差が誤差閾値以下であり且つＳ４７において算出された２−ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数が決定係数閾値以上であるとき、ＣＰＵ１１は第１の学習処理が正しく実行され、その結果、順伝播型ニューラルネットワークＦＦＮＮが所定の時刻に測定された原水濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位の情報から当該所定の時刻における流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を正しく出力することを認定し（Ｓ４１０）、本処理は終了する。
As a result of the determination of S49, the 2-MIB concentration error and the geosmin concentration error calculated in S46 are equal to or less than the error threshold, and the 2-MIB concentration determination coefficient and the geosmin concentration determination calculated in S47 are determined. When the coefficient is equal to or greater than the determination coefficient threshold, the
一方、Ｓ４９の判別の結果、Ｓ４６において算出された２−ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差のいずれかが誤差閾値よりも大きく、又は、Ｓ４７において算出された２−ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数のいずれかが決定係数閾値よりも小さいとき、ＣＰＵ１１は第１の学習処理が正しく実行されず、その結果、順伝播型ニューラルネットワークＦＦＮＮが所定の時刻に測定された原水濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位の情報から当該所定の時刻における流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を正しく出力しないことを認定し（Ｓ４１１）、本処理は終了する。
On the other hand, as a result of the determination of S49, either the 2-MIB concentration error calculated in S46 or the geosmin concentration error is larger than the error threshold, or the determination regarding the 2-MIB concentration calculated in S47 is made. When either the coefficient or the determination coefficient for the concentration of geosmin is smaller than the determination coefficient threshold, the
本実施の形態において、第１の学習処理が正しく実行されているか否かは、誤差閾値及び決定係数閾値に基づいて判別される。２−ＭＩＢ及びジェオスミンは藍藻類及び放線菌類によって生成され、２−ＭＩＢの濃度及びジェオスミンの濃度は藍藻類及び放線菌類の生息量や生息環境によって変動するが、通常、上水処理が施される原水が河川水の場合、当該河川水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度はそれぞれ４ng/L以下である。上水処理の管理者は流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度がそれぞれ４ng/L以上であるか否かについて関心があり、また、流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度がそれぞれ４ng/L以上のときを確実に把握できればよい。したがって、本実施の形態では、上水処理が施される原水が河川であることを前提とし、誤差閾値は１(ng/L)2に設定されるとともに、決定係数閾値は０．８５に設定されている。さらに、２−ＭＩＢ濃度の誤差閾値を０．６(ng/L)2、又はジェオスミンの濃度の誤差閾値を０．０８(ng/L)2に設定することができ、２−ＭＩＢ濃度の決定係数閾値を０．０．９２、又はジェオスミンの濃度の決定係数閾値を０．８９に設定することができる。 In the present embodiment, whether or not the first learning process is correctly executed is determined based on the error threshold value and the coefficient of determination threshold value. 2-MIB and geosmin are produced by blue-green algae and geosmin, and the concentration of 2-MIB and geosmin varies depending on the abundance and habitat of blue-green algae and geosmin, but water treatment is usually performed. When the raw water is river water, the concentration of 2-MIB and the concentration of geosmin contained in the river water are 4 ng / L or less, respectively. The water treatment manager is interested in whether the concentration of 2-MIB and geosmin contained in the inflowing raw water is 4 ng / L or more, respectively, and the concentration of 2-MIB contained in the inflowing raw water and It suffices to be able to reliably grasp when the concentration of geosmin is 4 ng / L or more. Therefore, in the present embodiment, it is assumed that the raw water to be treated with clean water is a river, the error threshold is set to 1 (ng / L) 2, and the coefficient of determination threshold is set to 0.85. Has been done. Furthermore, the error threshold of the 2-MIB concentration can be set to 0.6 (ng / L) 2 or the error threshold of the geosmin concentration can be set to 0.08 (ng / L) 2 , and the 2-MIB concentration is determined. The coefficient of determination threshold can be set to 0.0.92, or the coefficient of determination threshold for determining the concentration of geosmin can be set to 0.89.
順伝播型ニューラルネットワークＦＦＮＮが２−ＭＩＢの濃度及びジェオスミンの濃度を出力する精度は、Ｓ４６において算出された２−ＭＩＢの濃度の誤差及びジェオスミンの濃度の誤差が小さいほどよく、また、Ｓ４７において算出された２−ＭＩＢの濃度に関する決定係数及びジェオスミンの濃度に関する決定係数は大きいほどよい。 The accuracy with which the forward propagation type neural network FFNN outputs the 2-MIB concentration and the geosmin concentration is better as the error of the 2-MIB concentration and the error of the geosmin concentration calculated in S46 are smaller, and is calculated in S47. The larger the determination coefficient for the concentration of 2-MIB and the determination coefficient for the concentration of geosmin, the better.
これに対応して、順伝播型ニューラルネットワークＦＦＮＮが２−ＭＩＢの濃度及びジェオスミンの濃度を精度よく出力するための最適な隠れ層２２の層数及び各隠れ層２２のノード数が検討された。その結果、２−ＭＩＢの濃度は、隠れ層２２の層数を６に設定するとともに、各隠れ層２２のノード数を６４に設定したとき、２−ＭＩＢの濃度の誤差が０．４１(ng/L)2であり且つ２−ＭＩＢの濃度に関する決定係数が０．９３の精度で出力され、ジェオスミンの濃度は、隠れ層２２の層数を５に設定するとともに、各隠れ層２２のノード数を６４に設定したとき、ジェオスミンの濃度の誤差が０．０７(ng/L)2であり且つジェオスミンの濃度に関する決定係数が０．９０の精度で出力された。これにより、２−ＭＩＢの濃度及びジェオスミンの濃度が正しく出力されることがわかった。
Correspondingly, the optimum number of
また、本実施の形態では、所定の時刻に測定された流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位がＦＦＮＮ入力情報として入力層２１に入力されているが、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位をＦＦＮＮ入力情報から削除したとき、２−ＭＩＢの濃度の誤差は増大するとともに、２−ＭＩＢの濃度に関する決定係数は減少し、沈砂池の導電率、沈砂池の塩素要求量、及び沈砂池の水温をＦＦＮＮ入力情報から削除したとき、ジェオスミンの濃度の誤差は増大するとともに、ジェオスミンの濃度に関する決定係数は減少した。
Further, in the present embodiment, the turbidity of the inflow raw water measured at a predetermined time, the pH of the sand basin, the alkalinity of the sand basin, the conductivity of the sand basin, the chlorine requirement of the sand basin, the water temperature of the sand basin, And the river water level is input to the
これにより、順伝播型ニューラルネットワークＦＦＮＮが２−ＭＩＢの濃度を正しく出力するために、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位は必要な情報であり、ジェオスミンの濃度を正しく出力するために、沈砂池の導電率、沈砂池の塩素要求量、及び沈砂池の水温は必要な情報であることがわかった。 As a result, in order for the feedforward neural network FFNN to correctly output the 2-MIB concentration, the alkalinity of the sand basin, the conductivity of the sand basin, the chlorine requirement of the sand basin, the water temperature of the sand basin, and the river water level are determined. It was found that the necessary information is the conductivity of the sand basin, the chlorine requirement of the sand basin, and the water temperature of the sand basin in order to correctly output the concentration of geosmin.
図３及び図４の処理によれば、所定の時刻に測定された流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位と、これらの情報が測定された同時刻の２−ＭＩＢの濃度及びジェオスミンの濃度との関係を学習した順伝播型ニューラルネットワークＦＦＮＮは、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位、並びに、これらの情報を測定した時刻から構成される新しい情報に基づいてその時刻における２−ＭＩＢの濃度及びジェオスミンの濃度を出力する。 According to the treatments of FIGS. 3 and 4, the turbidity of the inflow raw water measured at a predetermined time, the pH of the sand basin, the alkalinity of the sand basin, the conductivity of the sand basin, the chlorine requirement of the sand basin, and the sand basin The forward propagation neural network FFNN, which learned the relationship between the water temperature and river water level of the river and the 2-MIB concentration and the geosmin concentration at the same time when these information were measured, is based on the turbidity of the inflowing raw water and the turbidity of the sand basin. The time based on new information consisting of pH, sand basin turbidity, sand basin conductivity, sand basin chlorine requirements, sand basin water temperature, and river water level, as well as the time these information was measured. 2-MIB concentration and geosmin concentration in.
これにより、上水処理の管理者は流入原水に含まれる２−ＭＩＢ及びジェオスミンの濃度を測定しなくても、流入原水に含まれる２−ＭＩＢ及びジェオスミンの濃度を把握することができる。その結果、上水処理の管理者は把握した流入原水に含まれる２−ＭＩＢ及びジェオスミンの濃度に応じて粉末活性炭槽に適切な量の粉末活性炭の添加することができ、もって、過剰な粉末活性炭が粉末活性炭槽に添加されることを回避することができる。 As a result, the manager of the clean water treatment can grasp the concentration of 2-MIB and geosmin contained in the inflowing raw water without measuring the concentration of 2-MIB and geosmin contained in the inflowing raw water. As a result, the manager of the clean water treatment can add an appropriate amount of the powdered activated carbon to the powdered activated carbon tank according to the concentration of 2-MIB and geosmine contained in the inflow raw water as grasped, and thus the excess powdered activated carbon. Can be avoided from being added to the powdered activated carbon tank.
図５は、図１におけるＣＰＵ１１によって実行される長短期記憶ＬＳＴＭを概略的に示す概念図である。長短期記憶ＬＳＴＭは、時間の経過に従って測定された時系列データが入力されると、その時系列データに基づいて将来の情報を出力する。本実施の形態では、第１の時刻ｔｍから第２の時刻ｔｎの間に測定された複数の時系列データ、又は、第３の時刻ｔｘから第４の時刻ｔｙの間に測定された複数の時系列データ若しくは第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１の間に測定された複数の時系列データが長短期記憶ＬＳＴＭに入力されたとき、長短期記憶ＬＳＴＭは時刻ｔｎ，ｔｙ，ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ，ｔｔ１，ｔｔ２の２−ＭＩＢの濃度及びジェオスミンの濃度を出力する。
FIG. 5 is a conceptual diagram schematically showing a long-short-term memory RSTM executed by the
図５において、長短期記憶ＬＳＴＭは入力層５１，５４，５７、隠れ層５２，５５，５８、及び出力層５３，５６，５９から構成され、入力層５１，５４，５７は複数の入力層ノード５１ａ，５４ａ，５７ａ及び入力層バイアス５１ｂ，５４ｂ，５７ｂを備え、隠れ層５２，５５，５８は複数の隠れ層ノード５２ａ，５５ａ，５８ａを備え、出力層５３，５６，５９は出力層ノード５３ａ，５６ａ，５９ａを備える。各入力層ノード５１ａ，５４ａ，５７ａ及び入力層バイアス５１ｂ，５４ｂ，５７ｂは各隠れ層ノード５２ａ，５５ａ，５８ａに接続されている。各隠れ層ノード５２ａは出力層ノード５３ａ及び各隠れ層ノード５５ａに接続され、各隠れ層ノード５５ａは出力層ノード５６ａ及び各隠れ層ノード５８ａに接続され、各隠れ層ノード５８ａは出力層ノード５９ａに接続されている。
In FIG. 5, the long-short-term memory RSTM is composed of input layers 51, 54, 57, hidden
例えば、時刻ｔ１，ｔ２，ｔ３（ｔ３＞ｔ２＞ｔ１）に流入原水に含まれる２−ＭＩＢ濃度及びジェオスミン濃度、並びに、原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位が測定され、これらに基づいてＬＳＴＭ入力情報が作成されているとき、まず、時刻ｔ１のＬＳＴＭ入力情報が入力層５１に入力され、時刻ｔ１のＬＳＴＭ入力情報を有する複数の入力層ノード５１ａが形成される。
For example, at time t 1 , t 2 , t 3 (t 3 > t 2 > t 1 ), the 2-MIB concentration and geosmin concentration contained in the inflow raw water, as well as the turbidity of the raw water, the pH of the sand basin, and the sand basin The turbidity, the conductivity of the sand basin, the chlorine requirement of the sand basin, the water temperature of the sand basin, and the river water level at a point about 10 km upstream of the water treatment system are measured, and the LSTM input information is created based on these. At this time, first, the LSTM input information at time t 1 is input to the
各隠れ層ノード５２ａは、各入力層ノード５１ａが有する情報、各入力層ノード５１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５１ｂ、及び入力層バイアス５１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算によって得られる情報を有する。出力層ノード５３ａは、各隠れ層ノード５２ａが有する情報及び隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。本実施の形態において用いられた活性化関数はシグモイド関数又はソフトマックス関数等の非線形関数である。
Each hidden
次いで、時刻ｔ２のＬＳＴＭ入力情報が入力層５４に入力され、時刻ｔ２のＬＳＴＭ入力情報を有する複数の入力層ノード５４ａが形成される。各隠れ層ノード５５ａは、各入力層ノード５４ａが有する情報、各入力層ノード５４ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５４ｂ、入力層バイアス５４ｂの重要性を示す重みＷｉｂ、各隠れ層ノード５２ａが有する情報、及び各隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。出力層ノード５６ａは、各隠れ層ノード５５ａが有する情報及び各隠れ層ノード５５ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。
Next, the LSTM input information at time t 2 is input to the
続いて、時刻ｔ３のＬＳＴＭ入力情報が入力層５７に入力され、時刻ｔ３のＬＳＴＭ入力情報を有する複数の入力層ノード５７ａが形成される。各隠れ層ノード５８ａは、各入力層ノード５７ａが有する情報、各入力層ノード５７ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５７ｂ、入力層バイアス５７ｂの重要性を示す重みＷｉｂ、各隠れ層ノード５５ａが有する情報、及び各隠れ層ノード５５ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。出力層ノード５９ａは、各隠れ層ノード５８ａが有する情報及び各隠れ層ノード５８ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算によって得られる情報を有する。
Subsequently, the LSTM input information at time t 3 is input to the input layer 57, and a plurality of
時刻ｔ１，ｔ２，ｔ３の各ＬＳＴＭ入力情報が入力層５１，５４，５７に入力されたとき、長短期記憶ＬＳＴＭは少なくとも時刻ｔ３から一定の時間が経過した予測時刻ｔｔの流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、時刻ｔ３のＬＳＴＭ入力情報に基づいて得られる出力層ノード５９ａはＬＳＴＭ入力情報に示される時刻から一定の時間が経過した予測時刻ｔｔと、当該予測時刻ｔｔの流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度の予測値とから構成される情報を有する。
When the LSTM input information of the times t 1 , t 2 , and t 3 is input to the input layers 51, 54, 57, the long-short-term memory LSTM is the inflow of the predicted time t t at least a certain time has passed from the time t 3. The concentration of 2-MIB and the concentration of geosmin contained in raw water are output. Therefore, the
図６は、図５の長短期記憶ＬＳＴＭを用いてＬＳＴＭ入力情報及びＬＳＴＭ正解データの関係を学習する第２の学習処理の手順を示すフローチャートである。 FIG. 6 is a flowchart showing a procedure of a second learning process for learning the relationship between the LSTM input information and the LSTM correct answer data using the long-short-term memory LSTM of FIG.
長短期記憶ＬＳＴＭは、図６の第２の学習処理が終了したとき、例えば、第１の時刻ｔｍから第２の時刻ｔｎの間に測定された複数の時系列データに基づいて、時刻ｔｎから一定の時間が経過した予測時刻ｔｔの２−ＭＩＢの濃度及びジェオスミンの濃度を予測する。ここで、ＨＤＤ１４は予測時刻ｔｔを決定するための基準、すなわち、予測時刻ｔｔ及び時刻ｔｎの時間差ｔｄを格納する。これにより、ＣＰＵ１１は時刻ｔｎ及び時間差ｔｄに基づいて予測時刻ｔｔを決定する。例えば、時刻ｔｎが２０１９年１月２日９：００であるとともに、時間差ｔｄが２４時間のとき、予測時刻ｔｔは２０１９年１月３日９：００である。
The long-short-term memory RSTM is set to time when the second learning process of FIG. 6 is completed, for example, based on a plurality of time-series data measured between the first time t m and the second time t n. The concentration of 2-MIB and the concentration of geosmine at the predicted time t t when a certain time has passed from t n are predicted. Here, the
また、ＨＤＤ１４は予測時刻ｔｔの２−ＭＩＢの濃度及びジェオスミンの濃度を予測するために用いられる時系列データの数をタイムステップ情報として格納する。例えば、２０１９年１月１日１０：００から１時間毎に時系列データが測定されている場合において、ＨＤＤ１４に格納されているタイムステップ情報が２４のとき、２０１９年１月１日１０：００（第１の時刻ｔｍ）から２０１９年１月２日９：００（第２の時刻ｔｎ）までの１時間毎に測定された２４の時系列データが予測時刻ｔｔの２−ＭＩＢの濃度及びジェオスミンの濃度を予測するために用いられることを示し、ＨＤＤ１４に格納されているタイムステップ情報が３００のとき、２０１９年１月１日１０：００（第１の時刻ｔｍ）から２０１９年１月１３日２１：００（第２の時刻ｔｎ）までの１時間毎に測定された３００の時系列データが予測時刻ｔｔの２−ＭＩＢの濃度及びジェオスミンの濃度を予測するために用いられることを示す。タイムステップ情報としては、例えば、１０〜５００時系列データを用いることができる。
Further, the
図６において、まず、ＣＰＵ１１はＨＤＤ１４に格納されている時間差ｔｄ及びタイムステップ情報を参照し、ＬＳＴＭ入力情報の各々に関連付けるＬＳＴＭ正解データを作成し（Ｓ６１）、作成したＬＳＴＭ正解データをＬＳＴＭ入力情報の各々に関連付ける。例えば、２０１９年１月１日１０：００から２０１９年１月１３日２１：００までの１時間毎の２−ＭＩＢ濃度、ジェオスミン濃度、原水濁度、ｐＨ、アルカリ度、導電率、塩素要求量、水温、及び河川水位の各情報（以下、「３００のタイムステップ情報」という。）と、２０１９年１月１４日２１：００の２−ＭＩＢ濃度及びジェオスミン濃度とがあり、ＨＤＤ１４に格納されている時間差ｔｄが２４を示すとともに、タイムステップ情報が３００を示すとき、ＣＰＵ１１は、予測時刻ｔｔとして２０１９年１月１４日２１：００を示すとともに、２０１９年１月１４日２１：００に測定された２−ＭＩＢ濃度及びジェオスミン濃度を示すＬＳＴＭ正解データを作成し、作成したＬＳＴＭ正解データを３００のタイムステップ情報に関連付ける。
In FIG. 6, first, the
次いで、ＣＰＵ１１は全てのＬＳＴＭ入力情報及び各ＬＳＴＭ入力情報に関連付けられたＬＳＴＭ正解データを分割して複数のミニバッチに格納する（Ｓ６２）。本実施の形態では、全てのＬＳＴＭ入力情報は９８のミニバッチに分割され、各ミニバッチは１２８のＬＳＴＭ入力情報及びＬＳＴＭ正解データを格納する。
Next, the
続いて、ＣＰＵ１１はミニバッチ毎にＬＳＴＭ入力情報及びＬＳＴＭ正解データの関係を学習する。具体的に、一のミニバッチに格納されている全てのＬＳＴＭ入力情報及びＬＳＴＭ正解データが長短期記憶ＬＳＴＭに入力され（Ｓ６３）、入力されたＬＳＴＭ入力情報毎に入力層ノード５１ａ，５４ａ，５７ａが形成される（Ｓ６４）。以下のＳ６５〜Ｓ６９の各ステップの処理は、長短期記憶ＬＳＴＭに入力されたＬＳＴＭ入力情報、例えば、時刻ｔｐを示すＬＳＴＭ入力情報及び時刻ｔｑ（ｔｍ＞ｔｑ＞ｔｐ＞ｔｎ）を示すＬＳＴＭ入力情報の２つを用い、時刻ｔｐを示すＬＳＴＭ入力情報に基づいて複数の入力層ノード５１ａが形成され、時刻ｔｑを示すＬＳＴＭ入力情報に基づいて複数の入力層ノード５４ａが形成された場合について説明する。
Subsequently, the
続くＳ６５において、長短期記憶ＬＳＴＭは各入力層ノード５１ａ、各入力層ノード５１ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５１ｂ、入力層バイアス５１ｂの重要性を示す重みＷｉｂを用いた活性化関数の演算をし、複数の隠れ層ノード５２ａを形成する。さらに、長短期記憶ＬＳＴＭは各隠れ層ノード５２ａが有する情報及び各隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算をし、出力層ノード５３ａを形成する（Ｓ６６）。
In subsequent S65, short- and long-term storage LSTM each
次いで、長短期記憶ＬＳＴＭは各入力層ノード５４ａ、各入力層ノード５４ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５４ｂ、入力層バイアス５４ｂの重要性を示す重みＷｉｂ，隠れ層ノード５２ａが有する情報、及び隠れ層ノード５２ａが有する情報の重要性を示す重みＷｈを用いた活性化関数の演算をし、複数の隠れ層ノード５５ａを形成する（Ｓ６７）。さらに、長短期記憶ＬＳＴＭは各隠れ層ノード５５ａが有する情報及び隠れ層ノード５５ａが有する情報の重要性を示す重みＷｈを用いた活性化関数を演算し、出力層ノード５６ａを形成する（Ｓ６８）。
Then, short- and long-term storage LSTM each
本実施の形態において、長短期記憶ＬＳＴＭは第１の時刻ｔｍから第２の時刻ｔｎの間に測定された時系列データによって構成されるＬＳＴＭ入力情報に基づいて、時刻ｔｎから一定の時間が経過した予測時刻ｔｔの流入原水に含まれる２−ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、出力層ノード５３ａ，５６ａは、各ＬＳＴＭ入力情報が示す時刻ｔｐから一定の時間が経過した予測時刻ｔｔ（以下、当該予測時刻ｔｔを「予測時刻ｔｔｐ」という。）の流入原水に含まれる２−ＭＩＢの濃度、及び予測時刻ｔｔｐの流入原水に含まれるジェオスミンの濃度、並びに、各ＬＳＴＭ入力情報が示す時刻ｔｑから一定の時間が経過した予測時刻ｔｔ（以下、当該予測時刻ｔｔを「予測時刻ｔｔｑ」という。）、予測時刻ｔｔｑの流入原水に含まれる２−ＭＩＢの濃度、及び予測時刻ｔｔｑの流入原水に含まれるジェオスミンの濃度から構成される情報を有する。
In the present embodiment, the long-short-term memory RSTM is constant from the time t n based on the RSTM input information composed of the time series data measured between the first time t m and the second time t n. and outputs the density and concentration of geosmin of 2-MIB included in the inflow raw water of the predicted time t t of time has elapsed. Therefore, the
その後、ＣＰＵ１１は、出力層ノード５３ａ，５６ａが有する情報と、その出力層ノード５３ａ，５６ａが示す予測時刻ｔｔｐ，ｔｔｑと同一の時刻を示すＬＳＴＭ正解データとを比較し、それぞれから予測時刻ｔｔｐ，ｔｔｑにおける２−ＭＩＢの濃度に関する誤差及び予測時刻ｔｔｐ，ｔｔｑにおけるジェオスミンの濃度に関する誤差を式１によって算出する。続いて、ＣＰＵ１１は、算出された予測時刻ｔｔｐ，ｔｔｑにおける２−ＭＩＢの濃度に関する誤差及び予測時刻ｔｔｐ，ｔｔｑにおけるジェオスミンの濃度に関する誤差を出力層５３，５６から隠れ層５２，５５、入力層５１，５４へ順次伝播し、それぞれの誤差が小さくなるように各入力層ノード５１ａ，５４ａが有する情報の重要性を示す重みＷｉ、入力層バイアス５１ｂ，５４ｂの重要性を示す重みＷｉｂ、及び各隠れ層ノード５２ａ，５５ａが有する情報の重要性を示す重みＷｈを更新する（Ｓ６９）。
Then,
Ｓ６５〜Ｓ６９の各ステップの処理が一のミニバッチに格納されている全てのＬＳＴＭ入力情報について実行されたとき、一のミニバッチの学習が終了するが、続くＳ６１０において、ＣＰＵ１１は全てのミニバッチの学習が終了したか否かを判別する。Ｓ６１０の判別の結果、全てのミニバッチの学習が終了していないとき、本処理はＳ６３に戻って他のミニバッチを学習し、全てのミニバッチの学習が終了したとき、本処理は終了する。本実施の形態では、図６の第２の学習処理を１００回繰り返した（１００エポック）。
When the processing of each step of S65 to S69 is executed for all the LSTM input information stored in one mini-batch, the learning of one mini-batch ends, but in the subsequent S610, the
ところで、図６の第２の学習処理が正しく実行されたか否かについて検証する必要がある。図６の第２の学習処理が正しく実行されたか否かは、ＬＳＴＭテストデータを長短期記憶ＬＳＴＭに入力し、出力された情報及びＬＳＴＭ検証用正解データを比較することによって検証する。 By the way, it is necessary to verify whether or not the second learning process of FIG. 6 is executed correctly. Whether or not the second learning process of FIG. 6 is correctly executed is verified by inputting the LSTM test data into the long-short-term memory LSTM and comparing the output information with the correct answer data for LSTM verification.
図７は、図６の第２の学習処理が正しく実行されたか否かを検証する第２の検証処理の手順を示すフローチャートである。 FIG. 7 is a flowchart showing a procedure of the second verification process for verifying whether or not the second learning process of FIG. 6 is correctly executed.
図７の処理において、長短期記憶ＬＳＴＭは第３の時刻ｔｘから第４の時刻ｔｙの間の１時間毎に測定された複数のＬＳＴＭテストデータに基づいて時刻ｔｙから一定の時間が経過した予測時刻ｔｔ１の２−ＭＩＢの濃度及びジェオスミンの濃度と、第３の時刻ｔｘの１時間後を示す第５の時刻ｔｘ＋１から第４の時刻ｔｙの１時間後を示す第６の時刻ｔｙ＋１の間の１時間毎に測定された複数のＬＳＴＭテストデータ（ｔｙ＋１＞ｔｘ＋１＞ｔｙ＞ｔｘ）に基づいて時刻ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ２の２−ＭＩＢの濃度及びジェオスミンの濃度とを用いて説明する。 In the process of FIG. 7, short- and long-term storage LSTM is a certain time from the time t y on the basis of a plurality of LSTM test data measured every hour during the fourth time t y from the third time t x The concentration of 2-MIB and the concentration of geosmine at the predicted time t t1 that has passed, and the concentration 1 hour after the fifth time t x + 1 to the fourth time t y , which indicates one hour after the third time t x. multiple LSTM test data measured every hour during 6 time t y + 1 of the (t y + 1> t x + 1> t y> t x) estimated time time t y + 1 from a predetermined time has elapsed based on t t2 2-MIB concentration and geosmin concentration will be described.
まず、第３の時刻ｔｘから第４の時刻ｔｙの間に測定された複数のＬＳＴＭテストデータが順次長短期記憶ＬＳＴＭに入力され、長短期記憶ＬＳＴＭは第４の時刻ｔｙから一定の時間が経過した予測時刻ｔｔ１の２−ＭＩＢの濃度及びジェオスミンの濃度を出力する（Ｓ７１）。次いで、第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１の間に測定された複数のＬＳＴＭテストデータが順次長短期記憶ＬＳＴＭに入力され、長短期記憶ＬＳＴＭは第６の時刻ｔｙ＋１から一定の時間が経過した予測時刻ｔｔ２の２−ＭＩＢの濃度及びジェオスミンの濃度を出力する（Ｓ７２）。 First, a plurality of LSTM test data measured during the fourth time t y from the third time t x is sequentially input to the short-term and long-term storage LSTM, short- and long-term storage LSTM is constant from the fourth time point t y The 2-MIB concentration and the geosmin concentration at the predicted time t t1 over time are output (S71). Next, a plurality of LSTM test data measured between the fifth time t x + 1 and the sixth time ty + 1 are sequentially input to the long-short-term memory RSTM, and the long-short-term memory LSTM is constant from the sixth time ty + 1. The 2-MIB concentration and the geosmin concentration at the predicted time t t2 over time are output (S72).
続いて、ＣＰＵ１１はＳ７２で出力された予測時刻ｔｔ２の２−ＭＩＢの濃度からＳ７１で出力された予測時刻ｔｔ１の２−ＭＩＢの濃度を差し引く。これにより、予測時刻ｔｔ１から予測時刻ｔｔ２への時刻の変化に応じて２−ＭＩＢの濃度の変化量が算出される。同様に、ＣＰＵ１１はＳ７２で出力された予測時刻ｔｔ２のジェオスミンの濃度からＳ７１で出力された予測時刻ｔｔ１のジェオスミンの濃度を差し引く。これにより、予測時刻ｔｔ１から予測時刻ｔｔ２への時刻の変化に応じてジェオスミンの濃度の変化量が算出される（Ｓ７３）。
Subsequently, the
ＣＰＵ１１はＳ７３で算出された２−ＭＩＢの濃度の変化量及びジェオスミンの濃度の変化量が０以上であるか否かを判別する（Ｓ７４）。Ｓ７４の判別の結果、ＣＰＵ１１は、２−ＭＩＢの濃度の変化量及びジェオスミンの濃度の変化量が０以上のとき、図６の第２の学習処理が正しく実行されたことを認定して（Ｓ７５）本処理を終了する。また、上水処理の管理者は処理済水に含まれる２−ＭＩＢ又はジェオスミン等のカビ臭原因物質の濃度を確実に１０ng/L以下に制御する必要があるため、実際には２−ＭＩＢ又はジェオスミンの濃度が増加しているにも関わらず、２−ＭＩＢ又はジェオスミンの濃度が低下すると予測するような出力を避ける必要がある。したがって、２−ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０よりも小さいとき、予測時刻ｔｔ１及び予測時刻ｔｔ２を示すＬＳＴＭ検証用正解データを参照する（Ｓ７６）。
The
次いで、ＣＰＵ１１は予測時刻ｔｔ２を示すＬＳＴＭ検証用正解データの２−ＭＩＢの濃度から予測時刻ｔｔ１を示すＬＳＴＭ検証用正解データの２−ＭＩＢの濃度を差し引くとともに、予測時刻ｔｔ２を示すＬＳＴＭ検証用正解データのジェオスミンの濃度から予測時刻ｔｔ１を示すＬＳＴＭ検証用正解データのジェオスミンの濃度を差し引き、ＬＳＴＭ検証用正解データに基づく２−ＭＩＢの濃度の変化量及びジェオスミンの濃度の変化量を算出する（Ｓ７７）。 Then, with CPU11 subtracts the concentration of 2-MIB in LSTM verification correct answer data indicating the 2-MIB predicted from the concentration time t t1 of LSTM verification correct answer data indicating the predicted time t t2, LSTM indicating the predicted time t t2 Subtract the geosmin concentration of the LSTM verification correct answer data indicating the predicted time t t1 from the geosmin concentration of the verification correct answer data, and calculate the change in 2-MIB concentration and the change in geosmin concentration based on the LSTM verification correct answer data. Calculate (S77).
その後、ＣＰＵ１１はＬＳＴＭ検証用正解データに基づく２−ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０以下であるか否かを判別する（Ｓ７８）。Ｓ７８の判別の結果、ＬＳＴＭ検証用正解データに基づく２−ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０以下のとき、Ｓ７５に進み、ＬＳＴＭ検証用正解データに基づく２−ＭＩＢの濃度の変化量又はジェオスミンの濃度の変化量が０よりも大きいとき、図６の第２の学習処理が正しく実行されていないことを認定して（Ｓ７９）本処理を終了する。
After that, the
すなわち、図７の第２の検証処理は予測時刻ｔｔ１から予測時刻ｔｔ２への時刻の変化に応じて、実際には２−ＭＩＢ又はジェオスミンの濃度が増加しているにも関わらず、２−ＭＩＢ又はジェオスミンの濃度が低下すると予測した長短期記憶ＬＳＴＭを識別し（Ｓ７４でＮＯ、Ｓ７８でＮＯ）、この場合、第２の学習処理が正しく実行されていないことを認定している。一方、図７の第２の検証処理は、その他の場合、第２の学習処理が正しく実行されていることを認定している。 That is, in the second verification process of FIG. 7, although the concentration of 2-MIB or geosmin actually increases according to the change in time from the predicted time t t1 to the predicted time t t2, 2 -Identifies long- and short-term memory LSTMs that are predicted to decrease in MIB or geosmin concentration (NO in S74, NO in S78), in which case it is determined that the second learning process is not being performed correctly. On the other hand, the second verification process of FIG. 7 confirms that the second learning process is correctly executed in other cases.
図６及び図７の処理によれば、第２の学習処理が正しく実行された長短期記憶ＬＳＴＭ、すなわち、第１の時刻ｔｍから第２の時刻ｔｎの間に測定された２−ＭＩＢの濃度、ジェオスミンの濃度、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位と、第２の時刻ｔｎから一定時間が経過した予測時刻ｔｔの２−ＭＩＢの濃度及びジェオスミンの濃度との関係を学習した長短期記憶ＬＳＴＭは、異なる時刻間、例えば、第３の時刻ｔｘから第４の時刻ｔｙの間に新たに測定された２−ＭＩＢの濃度、ジェオスミンの濃度、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位に基づいて第４の時刻ｔｙから一定時間が経過した予測時刻ｔｔ１の２−ＭＩＢの濃度及びジェオスミンの濃度を出力するとともに、第５の時刻ｔｘ＋１から第６の時刻ｔｙ＋１の間に新たに測定された２−ＭＩＢの濃度、ジェオスミンの濃度、流入原水の濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び上水処理システムの約１０ｋｍ上流地点の河川水位に基づいて第６の時刻ｔｙ＋１から一定時間が経過した予測時刻ｔｔ２の２−ＭＩＢの濃度及びジェオスミンの濃度を出力する。したがって、上水処理の管理者は予測時刻ｔｔ１から予測時刻ｔｔ２の間に２−ＭＩＢの濃度又はジェオスミンの濃度が上昇するタイミングを確実に把握することができる。 According to the processes of FIGS. 6 and 7, the long- and short-term memory RSTM in which the second learning process was correctly executed, that is, 2-MIB measured between the first time t m and the second time t n. Concentration, concentration of geosmine, turbidity of inflow raw water, pH of sedimentation pond, alkalinity of sedimentation pond, conductivity of sedimentation pond, chlorine requirement of sedimentation pond, water temperature of sedimentation pond, and about 10km of clean water treatment system The long- and short-term memory RSTM, which learned the relationship between the river water level at the upstream point and the 2-MIB concentration and the geosmin concentration at the predicted time t t when a certain time has passed from the second time t n, can be used for different time periods, for example. newly measured concentration of 2-MIB, the concentration of geosmin, the inflow raw water turbidity, pH of sand basin, the alkalinity of the sand basin during a fourth time t y from the third time t x, grit the conductivity of the pond, chlorine demand of sand basin, the sand basin water temperature, and based on the river water level of approximately 10km point upstream of the clean water processing system according to the fourth time t predict certain time y has elapsed time t t1 2-MIB concentration and geosmin concentration are output, and newly measured 2-MIB concentration, geosmin concentration, and inflow raw water turbidity between the 5th time t x + 1 and the 6th time t y + 1. The sixth time based on the pH of the sand pond, the alkalinity of the sand pond, the conductivity of the sand pond, the chlorine requirement of the sand pond, the water temperature of the sand pond, and the river water level about 10 km upstream of the water treatment system. The 2-MIB concentration and the geosmine concentration at the predicted time t t2 when a certain time has passed from ty + 1 are output. Therefore, the manager of the clean water treatment can surely grasp the timing at which the concentration of 2-MIB or the concentration of geosmin increases between the predicted time t t1 and the predicted time t t2.
このとき、予測時刻ｔｔ１から予測時刻ｔｔ２の間に２−ＭＩＢの濃度又はジェオスミンの濃度が上昇するタイミングは第６の時刻ｔｙ＋１の経過後早期に把握されるので、上水処理の管理者は予め粉末活性炭を添加するための準備時間を確保することができる。 At this time, the timing at which the 2-MIB concentration or the geosmin concentration increases between the predicted time t t1 and the predicted time t t2 is grasped early after the lapse of the sixth time t y + 1 , so that the water treatment is managed. The person can secure the preparation time for adding the powdered activated carbon in advance.
ところで、Ｓ７１，Ｓ７２で出力された予測時刻ｔｔ１，ｔｔ２の２−ＭＩＢの濃度及びジェオスミンの濃度と、予測時刻ｔｔ１，ｔｔ２を示すＬＳＴＭ検証用正解データの２−ＭＩＢの濃度及びジェオスミンの濃度との誤差は小さいのがよく、例えば、式１に準じて算出されたこれらの誤差が１(ng/L)2以下（所定の閾値）であるのがよい。さらに、２−ＭＩＢ濃度の誤差閾値を０．７(ng/L)2、又はジェオスミンの濃度の誤差閾値を０．０７(ng/L)2に設定することができる。本実施の形態において、タイムステップ情報が３００のときに、Ｓ７１，Ｓ７２で出力された予測時刻ｔｔ１，ｔｔ２の２−ＭＩＢの濃度及び予測時刻ｔｔ１，ｔｔ２を示すＬＳＴＭ検証用正解データの２−ＭＩＢの濃度の誤差は０．６３５(ng/L)2であり、Ｓ７１，Ｓ７２で出力された予測時刻ｔｔ１，ｔｔ２のジェオスミンの濃度及び予測時刻ｔｔ１，ｔｔ２を示すＬＳＴＭ検証用正解データのジェオスミンの濃度の誤差は０．０６０(ng/L)2であった。さらに誤差の小さい予測を行うために、タイムステップ情報としては２３０〜３７０を用いることができる。 Incidentally, S71, S72 and 2-MIB in concentration and concentration of geosmin prediction time t t1, t t2 outputted, the concentration of 2-MIB in LSTM verification correct answer data indicating the predicted time t t1, t t2 and geosmin The error from the concentration of is preferably small, and for example, these errors calculated according to Equation 1 are preferably 1 (ng / L) 2 or less (predetermined threshold value). Further, the error threshold of 2-MIB concentration can be set to 0.7 (ng / L) 2 , or the error threshold of geosmin concentration can be set to 0.07 (ng / L) 2. In the present embodiment, when the time step information is 300, S71, the 2-MIB in the predicted time t t1, t t2 outputted in S72 concentration and predicted time t t1, t LSTM verification correct answer data indicating t2 the error of the concentration of 2-MIB in 0.635 (ng / L) is 2, LSTM showing the S71, the predicted time is output in S72 t t1, concentration and predicted time of geosmin of t t2 t t1, t t2 The error in the concentration of geosmin in the correct answer data for verification was 0.060 (ng / L) 2 . 230 to 370 can be used as the time step information in order to make a prediction with a smaller error.
これにより、上水処理の管理者は、予測時刻ｔｔ１から予測時刻ｔｔ２の間に２−ＭＩＢの濃度又はジェオスミンの濃度が上昇するとき、予測時刻ｔｔ２の２−ＭＩＢの濃度又はジェオスミンの濃度を精度よく把握することができ、もって、処理済水に含まれる２−ＭＩＢ又はジェオスミン等のカビ臭原因物質の濃度を確実に１０ng/L以下に制御するために適切な量の粉末活性炭を適切なタイミングに添加することができる。 As a result, the manager of the water treatment can tell that when the concentration of 2-MIB or the concentration of geosmin increases between the predicted time t t1 and the predicted time t t2 , the concentration of 2-MIB or the concentration of geosmin at the predicted time t t2 The concentration can be accurately grasped, and an appropriate amount of powdered activated coal is used to surely control the concentration of the musty odor-causing substance such as 2-MIB or geosmin contained in the treated water to 10 ng / L or less. It can be added at the right time.
本実施の形態において、長短期記憶ＬＳＴＭは、例えば、第３の時刻ｔｘから第４の時刻ｔｙの間に測定された２−ＭＩＢの濃度及びジェオスミンの濃度を用いて第４の時刻ｔｙから一定時間が経過した予測時刻ｔｔ１の２−ＭＩＢの濃度及びジェオスミンの濃度を出力しているが、例えば、第３の時刻ｔｘから第４の時刻ｔｙの間の２−ＭＩＢの濃度及びジェオスミンの濃度には、第３の時刻ｔｘから第４の時刻ｔｙの間の各時刻に測定された原水濁度、沈砂池のｐＨ、沈砂池のアルカリ度、沈砂池の導電率、沈砂池の塩素要求量、沈砂池の水温、及び河川水位の情報に基づいて順伝播型ニューラルネットワークＦＦＮＮが出力する２−ＭＩＢの濃度及びジェオスミンの濃度が用いられてもよい。これにより、上水処理の管理者が２−ＭＩＢの濃度及びジェオスミンの濃度を測定しなくても、長短期記憶ＬＳＴＭは順伝播型ニューラルネットワークＦＦＮＮによって出力される２−ＭＩＢの濃度及びジェオスミンの濃度を使用し、予測時刻ｔｔ１の２−ＭＩＢの濃度及びジェオスミンの濃度を出力することができる。 In the present embodiment, the long- and short-term memory RSTM uses, for example, the concentration of 2-MIB and the concentration of geosmin measured between the third time t x and the fourth time t y at the fourth time t. Although certain time y is outputting the density and concentration of geosmin of 2-MIB prediction time t t1 has elapsed, for example, the 2-MIB between the third time t x of the fourth time t y the density of the density and geosmin, each time the measured raw water turbidity, pH of sand basin, the alkalinity of the sand basin, the conductivity of the sand basin between the fourth time t y from the third time t x , 2-MIB concentration and geosmin concentration output by the forward propagation neural network FFNN based on the information of the chlorine requirement of the sand pond, the water temperature of the sand pond, and the river water level may be used. As a result, even if the water treatment manager does not measure the 2-MIB concentration and the geosmin concentration, the long- and short-term memory RSTM is output by the forward propagation neural network FFNN, and the 2-MIB concentration and the geosmin concentration are output. Can be used to output the 2-MIB concentration and the geosmin concentration at the predicted time t t1.
本発明は、上述の実施の形態の機能を実現するソフトウェア（プログラム）を、ネットワーク若しくは各種記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータ（ＣＰＵ１１やＭＰＵ等）がプログラムを読み出して実行する処理において、そのプログラム、及び該プログラムを格納するコンピュータ読み取り可能な記憶媒体は本発明を構成し、複数の機器から構成されるシステムに適用してもよく、１つの機器からなる装置に適用してもよい。 In the present invention, software (program) that realizes the functions of the above-described embodiment is supplied to a system or device via a network or various storage media, and a computer (CPU11, MPU, etc.) of the system or device executes the program. In the process of reading and executing, the program and the computer-readable storage medium that stores the program may constitute the present invention and may be applied to a system composed of a plurality of devices. May be applied to.
以上、本発明の実施の形態について説明したが、本発明はこれらの実施の形態に何ら限定されるものではない。 Although the embodiments of the present invention have been described above, the present invention is not limited to these embodiments.
ＦＦＮＮ 順伝播型ニューラルネットワーク
ＬＳＴＭ 長短期記憶
Ｗｉ，Ｗｉｂ，Ｗｈ，Ｗｈｂ 重み
１０ 情報処理装置
１１ ＣＰＵ
１４ ＨＤＤ
FFNN order propagation neural network LSTM short and long-term storage W i, W ib, W h ,
14 HDD
Claims (13)
前記物質の濃度以外の少なくとも１つの情報を入力する入力手段と、
前記入力された少なくとも１つの情報及び前記入力された少なくとも１つの情報の重要性を示す重みに基づいて前記原水に含まれる物質の濃度を出力する出力手段と、を備えることを特徴とする情報処理装置。 An information processing device that estimates the concentration of substances contained in raw water that is treated with clean water.
An input means for inputting at least one piece of information other than the concentration of the substance, and
Information processing comprising the output means for outputting the concentration of the substance contained in the raw water based on the input at least one information and the weight indicating the importance of the input at least one information. apparatus.
前記入力手段によって入力された物質の濃度、前記入力手段によって入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力手段と、を備えることを特徴とする情報処理装置。 At least one piece of information other than the concentration of the substance contained in the raw water to be treated with water from the first time to the second time and the concentration of the substance from the first time to the second time. Input means to input and
The said at a predicted time when a certain amount of time has elapsed from the second time based on the concentration of the substance input by the input means, at least one piece of information input by the input means, and weights indicating their importance. An information processing device including an output means for outputting the concentration of a substance.
前記他の入力手段によって入力された物質の濃度、前記他の入力手段によって入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第４の時刻から一定の時間が経過した他の予測時刻における前記物質の濃度を出力する他の出力手段と、をさらに備え、
前記他の予測時刻における前記物質の濃度の実測値が前記予測時刻における前記物質の濃度の実測値よりも大きいとき、前記他の出力手段によって出力される前記物質の濃度は前記出力手段によって出力される前記物質の濃度よりも大きいことを特徴とする請求項３乃至５のいずれか１項に記載の情報処理装置。 With other input means for inputting at least one information other than the concentration of the substance from the third time to the fourth time and the concentration of the substance from the third time to the fourth time.
A certain amount of time has elapsed since the fourth time based on the concentration of the substance input by the other input means, at least one piece of information input by the other input means, and weights indicating their importance. Further provided with other output means for outputting the concentration of the substance at another predicted time.
When the measured value of the concentration of the substance at the other predicted time is larger than the measured value of the concentration of the substance at the predicted time, the concentration of the substance output by the other output means is output by the output means. The information processing apparatus according to any one of claims 3 to 5, wherein the concentration is higher than the concentration of the substance.
前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、
前記入力された少なくとも１つの情報及び前記入力された少なくとも１つの情報の重要性を示す重みに基づいて前記原水に含まれる物質の濃度を出力する出力ステップと、を有することを特徴とする情報処理方法。 An information processing method that estimates the concentration of substances contained in raw water that is treated with clean water.
An input step for inputting at least one piece of information other than the concentration of the substance,
Information processing comprising the output step of outputting the concentration of a substance contained in the raw water based on at least one input information and a weight indicating the importance of the input at least one information. Method.
前記入力された物質の濃度、前記入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力ステップと、を有することを特徴とする情報処理方法。 At least one piece of information other than the concentration of the substance contained in the raw water to be treated with water from the first time to the second time and the concentration of the substance from the first time to the second time. Input steps to enter and
The concentration of the substance at the predicted time when a certain time has passed from the second time is output based on the concentration of the input substance, the at least one information input, and the weight indicating the importance thereof. An information processing method characterized by having an output step.
前記情報処理方法は、
前記物質の濃度以外の少なくとも１つの情報を入力する入力ステップと、
前記入力された少なくとも１つの情報及び前記入力された少なくとも１つの情報の重要性を示す重みに基づいて前記原水に含まれる物質の濃度を出力する出力ステップと、を有することを特徴とするプログラム。 A program that causes a computer to execute an information processing method that estimates the concentration of substances contained in raw water that is treated with clean water.
The information processing method is
An input step for inputting at least one piece of information other than the concentration of the substance,
A program comprising: an output step that outputs the concentration of a substance contained in the raw water based on at least one input information and a weight indicating the importance of the at least one input information.
前記入力された物質の濃度、前記入力された少なくとも１つの情報、及びこれらの重要性を示す重みに基づいて前記第２の時刻から一定の時間が経過した予測時刻における前記物質の濃度を出力する出力ステップと、を有することを特徴とする情報処理方法をコンピュータに実行させるプログラム。 At least one piece of information other than the concentration of the substance contained in the raw water to be treated with water from the first time to the second time and the concentration of the substance from the first time to the second time. Input steps to enter and
The concentration of the substance at the predicted time when a certain time has passed from the second time is output based on the concentration of the input substance, the at least one information input, and the weight indicating the importance thereof. A program that causes a computer to execute an information processing method characterized by having an output step.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019206525A JP7460267B2 (en) | 2019-11-14 | 2019-11-14 | Information processing device, information processing method, and program |
| CN202011268577.2A CN112801263A (en) | 2019-11-14 | 2020-11-13 | Information processing apparatus, information processing method, and storage medium |
| JP2024010006A JP2024032866A (en) | 2019-11-14 | 2024-01-26 | Information processing device, information processing method, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019206525A JP7460267B2 (en) | 2019-11-14 | 2019-11-14 | Information processing device, information processing method, and program |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024010006A Division JP2024032866A (en) | 2019-11-14 | 2024-01-26 | Information processing device, information processing method, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021079310A true JP2021079310A (en) | 2021-05-27 |
| JP7460267B2 JP7460267B2 (en) | 2024-04-02 |
Family
ID=75806229
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019206525A Active JP7460267B2 (en) | 2019-11-14 | 2019-11-14 | Information processing device, information processing method, and program |
| JP2024010006A Pending JP2024032866A (en) | 2019-11-14 | 2024-01-26 | Information processing device, information processing method, and program |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024010006A Pending JP2024032866A (en) | 2019-11-14 | 2024-01-26 | Information processing device, information processing method, and program |
Country Status (2)
| Country | Link |
|---|---|
| JP (2) | JP7460267B2 (en) |
| CN (1) | CN112801263A (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06304546A (en) * | 1993-04-21 | 1994-11-01 | Hitachi Ltd | Operation controller for waterwork plant |
| JPH07319508A (en) * | 1989-03-13 | 1995-12-08 | Hitachi Ltd | Method and system for supporting process operation |
| JP2001235461A (en) * | 2000-02-22 | 2001-08-31 | Meidensha Corp | Method for estimating trihalomethane-forming efficiency and apparatus therefor |
| JP2005230629A (en) * | 2004-02-18 | 2005-09-02 | Yaskawa Electric Corp | Powdered activated carbon controller |
| JP2015157239A (en) * | 2014-02-21 | 2015-09-03 | メタウォーター株式会社 | Method and device for controlling water treatment process |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003053375A (en) | 2001-08-22 | 2003-02-25 | Toshiba Corp | Device for controlling water quality |
| JP6246573B2 (en) | 2013-12-03 | 2017-12-13 | メタウォーター株式会社 | Water treatment control device, water treatment control method |
-
2019
- 2019-11-14 JP JP2019206525A patent/JP7460267B2/en active Active
-
2020
- 2020-11-13 CN CN202011268577.2A patent/CN112801263A/en active Pending
-
2024
- 2024-01-26 JP JP2024010006A patent/JP2024032866A/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07319508A (en) * | 1989-03-13 | 1995-12-08 | Hitachi Ltd | Method and system for supporting process operation |
| JPH06304546A (en) * | 1993-04-21 | 1994-11-01 | Hitachi Ltd | Operation controller for waterwork plant |
| JP2001235461A (en) * | 2000-02-22 | 2001-08-31 | Meidensha Corp | Method for estimating trihalomethane-forming efficiency and apparatus therefor |
| JP2005230629A (en) * | 2004-02-18 | 2005-09-02 | Yaskawa Electric Corp | Powdered activated carbon controller |
| JP2015157239A (en) * | 2014-02-21 | 2015-09-03 | メタウォーター株式会社 | Method and device for controlling water treatment process |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7460267B2 (en) | 2024-04-02 |
| JP2024032866A (en) | 2024-03-12 |
| CN112801263A (en) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fosgerau et al. | Discrete choice and rational inattention: A general equivalence result | |
| Kuhn | Network-level infrastructure management using approximate dynamic programming | |
| Franco et al. | Identification of structural systems using an evolutionary strategy | |
| CN110717671B (en) | Method and device for determining contribution degree of participants | |
| Souza et al. | A multilayer-perceptron based method for variable selection in soft sensor design | |
| CN109635763B (en) | Crowd density estimation method | |
| CN114154649A (en) | High-quality federal learning system and method based on block chain and credit mechanism | |
| JPWO2020021688A1 (en) | Water treatment plant and method of operating water treatment plant | |
| CN105550492B (en) | System and method for predicting the parameter of wastewater treatment process | |
| Liang et al. | Case study of selecting decision-making schemes in large-scale infrastructure projects | |
| Quintero | Optimization of Urban Wastewater Systems using Model Based Design and Control: UNESCO-IHE PhD Thesis | |
| Niazkar et al. | Assessment of artificial intelligence models for estimating lengths of gradually varied flow profiles | |
| Kumar Gupta et al. | Uncertainty analysis of conventional water treatment plant design for suspended solids removal | |
| JP2021079310A (en) | Information processing device, information processing method, and program | |
| CN114119277A (en) | Artificial intelligent neural network-based flocculation dosing decision analysis method | |
| CN116542392B (en) | Real-time forecasting method and system for tidal range water level and readable storage medium | |
| Gippel | Australia's environmental flow initiative: Filling some knowledge gaps and exposing others | |
| JP4146610B2 (en) | Turbidity prediction system, turbidity control system and turbidity management system | |
| Gupta et al. | Reliability-constrained optimization of water treatment plant design using genetic algorithm | |
| Purvis et al. | Evolution of uncertainty methods in decline curve analysis | |
| Mahdavi et al. | Prediction of oil production with: data mining, neuro-fuzzy and linear Regression | |
| CN114186734A (en) | River flood prediction method capable of explaining research strategy based on deep learning model | |
| CN111738407B (en) | Clock error prediction method, device, medium and terminal based on deep learning | |
| JP6541913B1 (en) | Water treatment plant and operating method of water treatment plant | |
| CN114580151A (en) | Water demand prediction method based on gray linear regression-Markov chain model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200701 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20200701 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221107 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230821 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230824 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231017 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231215 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240205 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240319 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240319 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7460267 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |