Til hovedinnhold

Kunstig intelligens gir en renere Oslofjord for en billigere penge

Renseanleggene sørger for at avløpsvann ikke forurenser fjordene våre. Nå skal kunstig intelligens (KI) sikre en enda mer effektiv prosess – til en lavere pris.

Bilde: Cornelius Poppe / NTB scanpix. (Bildet kan kun benyttes i omtale av denne saken.)

Hver eneste dag sender en gjennomsnittsnordmann 180 liter vann ned i kloakken. Og alt – enten det kommer fra oppvaskkummen, dusjen eller doen – renner til syvende og sist ut i havet. Heldigvis har vi gode renseanlegg som sørger for at vannet i fjordene våre er trygge for fugl, fisk og badelystne folk.  

Men vannrensing er kompliserte greier. Operatører på renseanleggene må holde styr på ting som konsentrasjonen av fosfor, nitrogen og utallige små partikler, samtidig som de har et øye på vannmengde, temperatur og alkalitet. 

– I tillegg inneholder avløpsvannet mye innlekking fra grunnvann og overvann, som er avhengig av nedbørsmengde. Det betyr at vannkvaliteten varierer veldig. Variasjon i kvaliteten på innløpsvannet gjør det mer utfordrende å rense det, sier Hilde Johansen, prosjektleder i VEAS – Norges største renseanlegg som behandler avløpsvannet fra rundt 770.000 innbyggere i Oslo, Bærum, Asker og Nesodden.

Basert på disse variablene må renseoperatørene gjøre fortløpende justeringer i renseprosessen. Og der kunne de trengt litt hjelp, innrømmer Johansen. 

– Styringssystemene vi har i dag er ikke helt presise og kunne vært mer optimalisert. Det er her kunstig intelligens og smarte styringsmodeller kommer inn i bildet.

Legger til rette for bakteriene

I det tverrfaglige prosjektet Invapro samarbeider VEAS’ prosessingeniører med forskere fra SINTEF Digital om å utvikle KI-baserte verktøy for å gjøre renseprosessen mer effektiv. Bergen og Trondheim kommune er også med på laget, og prosjektet har fått seks millioner kroner i støtte fra Norges forskningsråd med en ramme på tre år.

Ved å mate inn alle mulige data om vannet som behandles ved anlegget deres, kan teknologien lære seg å regne ut nøyaktig hvor mye luft og kjemikalier som trengs for å legge til rette for bakteriene. Det er nemlig bakteriene som omdanner nitrogenet i vannet til nitrogengass, og gassen fjernes i renseanlegget før vannet ledes ut i fjorden. 

De smarte KI-modellene vil gjøre at bakteriene til enhver tid har de best mulige forholdene for å utføre jobben sin. Slik kan de rense vannet enklere, mer effektivt og miljøvennlig enn i dag.

– Vi håper å skape styringsmodeller som styrer innsatsfaktorene etter det vannet man får i øyeblikket, sier Johansen.

– Nasjonalt gnagsår

Målet er altså å få på plass nye og smarte løsninger som effektiviserer renseprosessene. For innbyggernes del kan dette bety billigere vann- og avløpstjenester.

– Vann og avløp er i ferd med å bli et stort nasjonalt gnagsår, med mye gammel infrastruktur på ledningsnett og renseanlegg, sier Anders Bryhni, leder for satsingen AI@SINTEF. Her skal forskning på maskinlæring kombineres med anvendelse av AI i de forskjellige bransjene SINTEF jobber opp mot.

Ifølge Bryhni er det samlede etterslepet for vedlikehold av renseinfrastruktur estimert til 390 milliarder kroner – noe som kan medføre stadig høyere gebyrer for innbyggerne.

Invapro-prosjektet angriper denne utfordringen gjennom tverrfaglighet. For å gjøre vannbehandlingen mer effektiv, må KI-ekspertene først forstå hva som foregår i renseprosessene. Her er de avhengig¬¬ av kompetansen til prosessingeniørene ved renseanleggene. Basert på erfaringsutveksling og data fra anlegget vil forskerne kunne utvikle modeller og algoritmer for styring av renseprosessene. Operatørene vil dermed få sikrere indikatorer å forholde seg til enn de har i dag.

– Maskinlæring fungerer sånn at modellen lærer seg selv, ut ifra dataene den har tilgjengelig. I dette tilfellet kan det for eksempel være mengden vann i forhold til hvor forurenset det er, og hvor mye kjemikalier som brukes for å rense vannet, sier Signe Moe, forsker ved SINTEF Digital.

Skjønte ikke godt vær

Forskerne tar utgangspunkt i historiske data, fra flere forskjellige deler av vannbehandlingen. Likevel er Moe tydelig på at renseprosessen har såpass mange variabler at det krever en god del prøving og feiling før KI-en forstår alt som foregår.

– Vi hadde et forprosjekt i Trondheim kommune, som jo er kjent for å ha mye dårlig vær. Her opplevde vi at modellen ikke skjønte hva som foregikk da været var bra. Det hadde den ikke sett før, ler Moe.

Selv om godværet skapte noen problemer, ga forprosjektet lovende resultater: Her klarte forskerne å vise hvilke variabler som i størst grad påvirker rensingen og som derfor bør inngå i styringen av kjemikaliedoseringen. For eksempel viste det seg at det er mye treghet i renseprosessen ettersom vannet i anlegget blir veldig godt blandet. Vannet som renner ut i et gitt øyeblikk kan altså ha kommet inn på anlegget relativt nylig – eller for flere timer siden. 

Erfaringene fra forprosjektet ligger til grunn for arbeidet videre. Etter hvert som modellen forstår og håndterer de store datamengdene, vil den kunne bidra til å effektivisere kompliserte vannrenseprosesser utover det som tidligere har vært mulig. Det medfører et betydelig utbytte for renseanleggene, som kan utnytte et potensial bare smart datakraft kan gi dem. Under utviklingen vil forskerne også evaluere modellen, og kunne gi råd og anbefalinger om variabler som bør tas med i beregningen under renseprosessen.

– Det kan vise seg at modellen vil bli forbedret ved å inkludere data utenfor selve anlegget, for eksempel været. Når vi ser at vi kan stole på dataene og modellen, vil KI kunne gi svært god beslutningsstøtte til operatørene – eller man kan ta den helt ut/ta skrittet helt ut og la den selv bestemme over styringen direkte, sier Moe, og legger til:

– Vi vet ikke nøyaktig hva dette vil ende i, men målet er å finne ut hvordan maskinlæring kan forbedre driften i renseanleggene.

Kan forskyve utbyggingsbehovet

Selv om Invapro bare så vidt er ute av startgropen, har samarbeidspartnerne stor tro på at prosjektet vil bære frukter.

– Vi håper det vil gi bedre og mer stabil kvalitet på vannrensingen, og redusere kjemikalie- og energibehovet. Klarer vi det, vil både den operasjonelle stabiliteten og sikkerheten øke betydelig, og kanskje kan vi forskyve utbyggingsbehovet for infrastrukturen, sier Hilde Johansen i VEAS, og legger til at de også ser et potensial for å heve kompetansen rundt prosessene internt.

 Ettersom både VEAS, Bergen Vann og Trondheim kommune er om bord, vil de kunne prøve ut teknologien på ulike typer renseanlegg. Hvis modellen klarer å løse utfordringene til disse, vil de også kunne anvendes i de fleste typer renseanlegg. 

Forsker Signe Moe tror Invapro-partnerne er tidlig ute med å teste ut maskinlæring i forbindelse med vannrensing.

– Det er helt sikkert andre som driver med noe av det samme, men enn så lenge er det ingen produkter i markedet som har maskinlæring innbakt. Vi ser også at det har synergier til andre aktiviteter vi jobber med i SINTEF. For oss på metodesiden er det ikke så viktig hvilken prosess dataene beskriver – sånn sett kan erfaringene fra Invapro brukes videre innenfor et bredt spekter av områder og industrier, sier Moe.

Det slutter kollega Anders Bryhni seg til:

– Det er stort potensial i å bruke maskinlæring inn i automatisert regulering i prosessanlegg, spesielt i sikkerhetskritiske prosesser som styring av smelteovner og oljebrønner. Vi kan lære mye av å prøve ut nye ting inn mot vannrensing. Det kan vi ta med oss til andre områder, der det også er store konsekvenser hvis noe går galt, sier han.

Publisert tirsdag 25. august 2020
Senior forretningsutvikler
+47 928 10 967