On-site sensoring & monitoring

Technologie

Binnen het thema Smart Water Systems van het TKI Watertechnologie is een methode ontwikkeld die data verwerkt volgens een algoritme dat is gebaseerd op een kunstmatig neuraal netwerk. Gegevens over zuurgraad, zuurstofgehalte en temperatuur worden gecombineerd met data van een elektrochemische fingerprint-sensor (Liqum, Finland), die zeven elektrochemische potentialen registreert die gevoelig zijn voor ionen in het water. De combinatie van deze gegevens levert dankzij de algoritme-methodiek belangrijke informatie over de concentraties van nutriënten als ammonium, nitraat en fosfaat.

Uitdaging

Het bepalen van nutriëntenconcentraties in oppervlakte- en afvalwater is belangrijk voor waterkwaliteitsmonitoring, processturing bij de afvalwaterzuivering en de handhaving van waterkwaliteitsrichtlijnen voor oppervlaktewater. De ontwikkelde methodiek, met een slimme combinatie van sensoren en modellen, draagt daarmee bij aan zo efficiënt en effectief mogelijk gebruik van waterzuiveringstechnologie: het doel van het TKI-thema Smart Water Systems.

Oplossing

De methode is ontwikkeld door partners KWR, Interline Systems B. V. Hoogheemraadschap Hollands Noorderkwartier en Waterlaboratorium Noord. Zij hebben algoritmen geselecteerd en getraind om de concentraties van de nutriënten ammonium, nitraat en fosfaat uit data te extraheren en de gevonden concentraties vergeleken met referentiemetingen bij Hoogheemraadschap Hollands Noorderkwartier en waterinnamepunt de Punt van waterbedrijf Groningen. Een groot voordeel van deze nieuwe methode met sensoren en algoritme is dat die een continue stroom actuele data levert over de nutriëntenconcentraties: met de arbeidsintensieve traditionele nat-chemische methode is dat niet haalbaar. Het onderzoek heeft een proof of concept opgeleverd: het blijkt mogelijk gedoseerde nutriënten nauwkeurig en precies te bepalen, zo lang de waterkwaliteit niet sterk varieert.

Alarmsysteem

Bij sterke variaties in de waterkwaliteit geeft de methode geen nauwkeurige voorspellingen, omdat de gevonden data dan sterk afwijken van de data waarmee het model is getraind. Met aanpassingen kan de methode echter uitstekend worden toegepast als alarmsignaal voor plotselinge wijzigingen in de waterkwaliteit, omgevingsfactoren of sensorgedrag. Het is de bedoeling deze toepassing verder uit te werken in een vervolgproject binnen TKI.