Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Korrelationsutvärdering av lustgasutsläpp på Klagshamns ARV med hjälp av neurala nätverk

Tornkvist, Jonas LU and Törnqvist, Malte LU (2026) VVAM05 20261
Chemical Engineering (M.Sc.Eng.)
Abstract (Swedish)
Utsläpp av lustgas från avloppsreningsverk (ARV) utgör en betydande klimatpåverkan och är starkt kopplade till utökad biologisk kväveavskiljning. Syftet med detta arbete har varit att analysera sambanden mellan processparametrar och lustgasutsläpp vid Klagshamns av-loppsreningsverk samt att undersöka hur datadriven modellering kan användas som stöd för driftoptimering.
Inledningsvis genomfördes en korrelationsanalys där både linjära och monotona samband mellan processvariabler och lustgasutsläpp studerades. En central del av analysen var att införa tidsförskjutningar baserade på hydraulisk uppehållstid, vilket visade sig avgörande för att erhålla processrelevanta samband. Flera kopplingar framträdde först när hänsyn togs till... (More)
Utsläpp av lustgas från avloppsreningsverk (ARV) utgör en betydande klimatpåverkan och är starkt kopplade till utökad biologisk kväveavskiljning. Syftet med detta arbete har varit att analysera sambanden mellan processparametrar och lustgasutsläpp vid Klagshamns av-loppsreningsverk samt att undersöka hur datadriven modellering kan användas som stöd för driftoptimering.
Inledningsvis genomfördes en korrelationsanalys där både linjära och monotona samband mellan processvariabler och lustgasutsläpp studerades. En central del av analysen var att införa tidsförskjutningar baserade på hydraulisk uppehållstid, vilket visade sig avgörande för att erhålla processrelevanta samband. Flera kopplingar framträdde först när hänsyn togs till transporttiden genom systemet.
Därefter utvecklades en sekventiell maskininlärningsmodell där aktivslamanläggningens varje zon representerades separat samtidigt som kopplingar mellan zonerna beaktades. Mo-dellen användes som differentiabel komponent i en gradientbaserad optimering, vilket möj-liggjorde simulering av hur förändrad luftning påverkar både lustgasutsläpp och utgående ammonium. Utöver den egna analysen bedrevs ett samarbete med Cobalt Water Global som utvecklat en tillämpad modell av liknande typ. Även resultaten från denna pekade i samma riktning som de egna.
Det samlade resultatet är att den nuvarande driften vid Klagshamns ARV sannolikt befinner sig på den höga sidan av det luftningsintervall som minimerar lustgasutsläpp, och att en mer restriktiv luftningsstrategi förefaller möjlig utan att äventyra reningsresultatet. Samtidigt utgör begränsningarna i datamängden, särskilt det i princip konstanta syrebörvärdet under perioden, en grundläggande restriktion. Modellen kan vägleda riktning men inte fastställa optimal driftpunkt.
Arbetet visar att kombinationen av statistiska metoder och maskininlärning utgör ett värde-fullt verktyg för att förstå komplexa avloppsprocesser, samtidigt som det tydliggör behovet av systematiskt varierad driftdata för att sådana metoder ska kunna ge robust beslutsstöd i praktiken. (Less)
Popular Abstract (Swedish)
Kan en AI minska reningsverkens lustgasutsläpp?

Varje gång du spolar toaletten börjar en lång resa mot ett reningsverk. Där renas vattnet, men processen har en dold baksida. Den kan nämligen läcka ut lustgas, en växthusgas nästan 300 gånger kraftigare än koldioxid. På Klagshamns reningsverk i Malmö har vi försökt ta reda på varför det händer, och om en AI-modell kan bidra till att sätta stopp för det.
Vi har analyserat stora mängder mätdata från reningsverket och studerat hur olika faktorer hänger ihop med lustgasutsläpp. Mätdata har bestått av ett större antal parametrar i hopp om att lyckas fånga komplexa samband i processen. För att få en bättre bild av vad som faktiskt händer i processen tog vi också hänsyn till att vattnet rör sig... (More)
Kan en AI minska reningsverkens lustgasutsläpp?

Varje gång du spolar toaletten börjar en lång resa mot ett reningsverk. Där renas vattnet, men processen har en dold baksida. Den kan nämligen läcka ut lustgas, en växthusgas nästan 300 gånger kraftigare än koldioxid. På Klagshamns reningsverk i Malmö har vi försökt ta reda på varför det händer, och om en AI-modell kan bidra till att sätta stopp för det.
Vi har analyserat stora mängder mätdata från reningsverket och studerat hur olika faktorer hänger ihop med lustgasutsläpp. Mätdata har bestått av ett större antal parametrar i hopp om att lyckas fånga komplexa samband i processen. För att få en bättre bild av vad som faktiskt händer i processen tog vi också hänsyn till att vattnet rör sig genom flera steg i anläggningen som ett paket. Detta innebär att effekter och reaktioner inte direkt uppstår efter ett linjärt mönster. Med bakgrund av data och en mängd fysikalisk samt biokemisk teori har vi skapat en typ av AI-modell som kan lära sig mönster i data. Modellen har gett oss möjlighet att testa olika sätt att driva reningsverket, utan att behöva göra förändringar i verkligheten.
Resultaten pekar på att mängden luft som tillförs processen spelar en stor roll. Mindre luft-ning i bassängerna indikerar på att man kan få lägre utsläpp av lustgas. Samtidigt får inte luftningen minska för mycket, eftersom det då finns risk att reningen fungerar sämre. Det gäller alltså att hitta en balans där både miljöpåverkan och reningsresultat blir så bra som möjligt. Resultaten visar sig ha varit behjälpliga då den berörda linjen på Klagshamn, med hjälp av arbetet, har börjat drivas med markant lägre luftning.
I framtiden är förhoppningen att metoder av denna art skall kunna bidra till både minskade utsläpp och lägre energianvändning, vilket är viktigt i arbetet mot ett mer hållbart samhälle. (Less)
Please use this url to cite or link to this publication:
author
Tornkvist, Jonas LU and Törnqvist, Malte LU
supervisor
organization
course
VVAM05 20261
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Lustgas, AI, Maskininlärning, Neurala Nätverk, Vattenrening, ARV, Aktivslam, N2O, Korrelationsanalys, WWTP, Klagshamn, Vattenförsörjnings- och avloppsteknik
report number
2026-06
language
Swedish
id
9229809
date added to LUP
2026-06-02 09:24:41
date last changed
2026-06-02 09:24:41
@misc{9229809,
  abstract     = {{Utsläpp av lustgas från avloppsreningsverk (ARV) utgör en betydande klimatpåverkan och är starkt kopplade till utökad biologisk kväveavskiljning. Syftet med detta arbete har varit att analysera sambanden mellan processparametrar och lustgasutsläpp vid Klagshamns av-loppsreningsverk samt att undersöka hur datadriven modellering kan användas som stöd för driftoptimering.
Inledningsvis genomfördes en korrelationsanalys där både linjära och monotona samband mellan processvariabler och lustgasutsläpp studerades. En central del av analysen var att införa tidsförskjutningar baserade på hydraulisk uppehållstid, vilket visade sig avgörande för att erhålla processrelevanta samband. Flera kopplingar framträdde först när hänsyn togs till transporttiden genom systemet.
Därefter utvecklades en sekventiell maskininlärningsmodell där aktivslamanläggningens varje zon representerades separat samtidigt som kopplingar mellan zonerna beaktades. Mo-dellen användes som differentiabel komponent i en gradientbaserad optimering, vilket möj-liggjorde simulering av hur förändrad luftning påverkar både lustgasutsläpp och utgående ammonium. Utöver den egna analysen bedrevs ett samarbete med Cobalt Water Global som utvecklat en tillämpad modell av liknande typ. Även resultaten från denna pekade i samma riktning som de egna.
Det samlade resultatet är att den nuvarande driften vid Klagshamns ARV sannolikt befinner sig på den höga sidan av det luftningsintervall som minimerar lustgasutsläpp, och att en mer restriktiv luftningsstrategi förefaller möjlig utan att äventyra reningsresultatet. Samtidigt utgör begränsningarna i datamängden, särskilt det i princip konstanta syrebörvärdet under perioden, en grundläggande restriktion. Modellen kan vägleda riktning men inte fastställa optimal driftpunkt.
Arbetet visar att kombinationen av statistiska metoder och maskininlärning utgör ett värde-fullt verktyg för att förstå komplexa avloppsprocesser, samtidigt som det tydliggör behovet av systematiskt varierad driftdata för att sådana metoder ska kunna ge robust beslutsstöd i praktiken.}},
  author       = {{Tornkvist, Jonas and Törnqvist, Malte}},
  language     = {{swe}},
  note         = {{Student Paper}},
  title        = {{Korrelationsutvärdering av lustgasutsläpp på Klagshamns ARV med hjälp av neurala nätverk}},
  year         = {{2026}},
}