Ruan van den Berg, 'n meestersgraadstudent in die Masjienleer navorsingsgroep aan die Departement Chemiese Ingenieurswese aan die Universiteit Stellenbosch, doen navorsing om die doeltreffendheid van afvalwaterbehandelingsaanlegte (AWZP's) te verbeter deur middel van gevorderde modelleringstegnieke. Sy werk is daarop gemik om die geaktiveerde slykproses te verbeter, wat noodsaaklik is vir die effektiewe behandeling van afvalwater in beide huishoudelike en industriële omgewings. Die projek het verskeie sleuteldoelwitte:

• Implementeer en valideer 'n meganistiese afvalwatersuiweringsstelselmodel in Python: Ruan het 'n Python-gebaseerde implementering van die Geaktiveerde Slykmodel Nr. 3 (ASM3) ontwikkel, wat die reaksies van verskeie biologiese verbindings wat betrokke is by die geaktiveerde slykproses skat. Hierdie model word gevalideer teen bestaande sagteware om die akkuraatheid en betroubaarheid daarvan te verseker.
   
• MCMC-monsterneming vir parameterberaming: Die navorsing maak gebruik van Markov Chain Monte Carlo (MCMC) metodes om onbekende parameters van ASM3 te skat. Deur hierdie statistiese tegnieke op werklike of gesimuleerde afvalwatersuiweringsdata toe te pas, bied die projek 'n robuuste benadering tot modelkalibrasie.
   
• Gevallestudies oor datavereistes: Ruan ondersoek die omvang en tipe data wat benodig word om modelparameters vir verskillende afvalwatersuiweringsstelsels akkuraat te skat. Dit sluit scenario's in wat wissel van gedetailleerde toetse tot roetinemonitering, met die doel om data-insamelingsstrategieë te optimaliseer vir beter voorspelling van aanlegprestasie.
   
• Onsekerheidskwantifisering en sensitiwiteitsanalise: Die projek fokus op die kwantifisering van onsekerheid in modelvoorspellings en die uitvoering van sensitiwiteitsanalises op modelparameters. Dit help om kritieke parameters te identifiseer wat afvalwatersuiweringsstelselprestasie beduidend beïnvloed, wat geprioritiseerde data-insameling moontlik maak en die model se robuustheid en betroubaarheid verbeter.

Die navorsing het verskeie belangrike implikasies:

• Verbeterde modelkalibrasie: Die gebruik van MCMC vir die kalibrasie van modelparameters is 'n meer insiggewende benadering in vergelyking met tradisionele handmatige, iteratiewe kalibrasietegnieke deur die vlak van onsekerheid in die voorspellings aan te dui.
   
• Kostebesparings: Verbeterde modelvoorspellings en geoptimaliseerde prosesse kan lei tot verminderde bedryfskoste, veral in energie-intensiewe afvalwaterbehandelingsaanlegte.
   
• Omgewingsvoordele: Deur die doeltreffendheid van afvalwaterbehandeling te verbeter, dra die model by tot die verlaging van die omgewingsimpak van skadelike besoedelingstowwe wat in natuurlike waterliggame vrygestel word.
   
• Industriële toepassings: Nywerhede kan baat vind by die model se vermoë om afvalwaterbestuur te optimaliseer, volhoubaarheidspogings en voldoening aan omgewingsregulasies te ondersteun.

Ruan se projek benut die nuutste ontwikkelings in masjienleer, statistiese metodes en hoëprestasie-rekenaars om tradisionele uitdagings in afvalwaterbehandelingsmodellering aan te spreek. 'n Sleutelinnovasie is die potensiaal om metagenomiese data te integreer, wat die model se voorspellingskrag verbeter deur dieper insigte te bied in die mikrobiese gemeenskappe wat die geaktiveerde slykproses dryf. Hierdie hibriede benadering kombineer klassieke meganistiese modellering met moderne biotegnologie, wat die potensiaal bied om te transformeer hoe afvalwaterafvoeraanlegte ontwerp, bedryf en geoptimaliseer word. Verder verseker die projek se klem op onsekerheidskwantifisering dat die model beide akkuraat en betroubaar is in werklike toepassings, wat dit aanpasbaar maak vir verskeie afvalwaterbehandelingscenario's.

Studente: Prof. Tobi Louw – Departement Chemiese Ingenieurswese, Universiteit Stellenbosch

Mede-studieleier: Dr. Jamie Cripwell – Departement Chemiese Ingenieurswese, Universiteit Stellenbosch