Riassunto analitico
L'elaborato in questione prevede lo sviluppo di modelli di Deep Learning nell’ambito dell’elaborazione di un controllore basato su logiche predittive (MPC, Model Predictive Control) per le vasche di ossidazione di un impianto di depurazione delle acque reflue con processo biologico a fanghi attivi. I processi coinvolti nei sistemi di trattamento delle acque reflue sono complessi e di difficile previsione, quindi per un funzionamento regolare ed efficiente dell'impianto è necessario sviluppare un controllo che comprenda la natura dinamica del sistema e che garantisca il rispetto dei limiti allo scarico in corpo idrico recettore imposti dalla normativa. L'obiettivo del sistema sviluppato è quello di predire in maniera corretta il flusso degli agenti in ingresso in modo da agire di conseguenza per la manipolazione delle valvole di controllo e mantenere i valori in uscita entro i parametri di legge.
I modelli di previsione sviluppati fanno uso di tecniche di Deep Learning in regressione, ovvero reti neurali che vengono strutturate sulla condizione di utilizzo di Time-Series e la predizione di singole o più feature contemporaneamente. Oltre al loro utilizzo e alle analisi delle performance in confronto ad altri modelli di baseline si è provato ad analizzarne il motivo delle previsioni; questo viene definito in letteratura come explainability, ovvero la capacità di rendere chiare e trasparenti le motivazioni con le quali il modello prevede.
Alla luce di quanto sopra, in questa tesi si descrivono in maniera dettagliata tutte le logiche utilizzate per la realizzazione del MPC, con focus sui modelli usati per la previsione delle variabili. Inoltre, durante tutto il percorso di realizzazione dei modelli considerati, ci si è sempre confrontati con tecniche di Machine Learning sviluppate in parallelo come benchmark.
|
