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 |