– 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 – der forskning på maskinlæring kombineres med anvendelse av KI i bransjene SINTEF jobber opp mot.

Med på laget er Bergen Vann, Trondheim kommune og initiativtakeren VEAS – som driver Norges største renseanlegg ved Slemmestad utenfor Oslo. De behandler avløpsvannet fra mer enn 770.000 innbyggere i Oslo, Bærum, Asker og Nesodden. Sammen går de løs på en samfunnskritisk utfordring: etterslepet for vedlikehold av renseinfrastruktur er estimert til 390 milliarder kroner.

Færre kjemikalier

Når vann skal renses er det svært krevende å tilpasse den riktige mengden innsatsfaktorer ettersom en rekke parametere avgjør vannkvaliteten. Dette omfatter blant annet konsentrasjonen av fosfor, nitrogen og partikler, i tillegg til vannmengde, temperatur og alkaliteter. I dag benyttes tradisjonelle reguleringsteknikker og operatørene må ofte gjøre erfaringsbaserte manuelle justeringer. Hvordan disse variablene påvirker renseprosessen er utfordrende å identifisere i detalj for oss mennesker, og dette ivaretas ikke i tradisjonell reguleringsteknikk.

– I tillegg inneholder avløpsvannet mye innlekket grunnvann og overvann. Det betyr at vannkvaliteten varierer veldig. Variasjon i kvaliteten på innløpsvannet gjør det mer utfordrende å rense det, sier Hilde Johansen, prosjektleder i VEAS.

Etter et vellykket forprosjekt, tar Invapro-partnerne løsningen videre og videreutvikler de datadrevne algoritmene som kan beregne optimal vannbehandling raskere og mer nøyaktig enn det som er mulig i dag. Mer presise data vil gjøre at det brukes færre kjemikalier og mindre energi. Resultatet kan dermed bli rent vann til en lavere pris for innbyggerne i kommunen.

– 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 Johansen.

Stort potensiale

Resultatene fra Invapro kan også ha stor betydning for hvordan kunstig intelligens og maskinlæring brukes innenfor andre industrier og områder. KI-utviklerne ser nemlig mange mulige anvendelsesområder for algoritmene de har utviklet.

– 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 knyttet til vannrensing. Det kan vi ta med oss til andre områder, der det også er store konsekvenser hvis noe går galt, sier Anders Brynhi i AI@SINTEF.

Invapro har fått seks millioner kroner i støtte fra Norges forskningsråd og har en ramme på tre år. Ved å teste teknologien ved anlegg i Oslo-området, Bergen og Trondheim kommune, vil modellen kunne benyttes ved de fleste andre renseanlegg i Norge.