izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2025-6-32-41izmertech-2448Research ArticleИЗМЕРЕНИЯ В ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЯХMEASUREMENTS IN INFORMATION TECHNOLOGIESМетрологическое обеспечение контроля состава сточных вод: применение нейронных сетей в методах обработки результатов измеренийMetrological support for the control of wastewater composition: application of neural networks in measurement result processing methodshttps://orcid.org/0000-0001-6261-6060РозентальО. М.RozentalO. M.

Олег Моисеевич Розенталь

Москва

Oleg Moiseevich Rozental

Moscow

omro3@yandex.ruhttps://orcid.org/0000-0001-8395-6849ФедотовВ. Х.FedotovV. Kh.

Владислав Харитонович Федотов

Чебоксары

Vladislav Kharitonovich Fedotov

Moscow

fvh@inbox.ruИнститут водных проблем Российской академии наукРоссияWater Problems Institute of the Russian Academy of SciencesRussian FederationЧувашский государственный университет им. И. Н. УльяноваРоссияWater Problems Institute of the Russian Academy of SciencesRussian Federation2025131220257463241Copyright © ФГУП "ВНИИФТРИ", 20252025ФГУП "ВНИИФТРИ"ФГУП "ВНИИФТРИ"https://www.izmt.ru/jour/about/submissions#copyrightNoticehttps://www.izmt.ru/jour/article/view/2448

Рассмотрено метрологическое обеспечение контроля сточных вод, в частности, на производствах химической промышленности. Применение на предприятиях систем автоматизированного контроля, который включает оценку первичного качества стоков и проверку качества их очистки перед выпуском в природный водоём, позволяет уменьшить загрязнение водных объектов. Для повышения эффективности контроля необходимо решить приоритетную инновационнуюзадачу водоёмких производств химической промышленности – обеспечение достоверной сопоставимости результатов измерений различных показателей состава и свойств воды и последующее селективное уменьшение концентрации особо опасных токсикантов. Показана необходимость совершенствования методики выявления (для последующего удаления) загрязняющих веществ, в наибольшей степени повышающих экологически опасные значения информативных показателей антропогенного загрязнения вод. К таким показателям в гигиене, гидрохимии, экологии относятся химическое и биологическое потребление кислорода. Проведён сравнительный анализ методов обработки данных – результатов измерений параметров сточных вод промышленных предприятий. Выбор наиболее эффективного метода обработки позволит повысить качество выявления особенно опасных токсикантов и селективного снижения их концентрации. Проанализированытакиеметодыобработки, какпредсказательнаяматематика, традиционныйрегрессионный анализ и нейросетевое моделирование на примере исследования сточных вод канализационной системы Кемеровского предприятия азотной промышленности (КАО «АЗОТ»). Показана высокая эффективность применения нейронных сетей, с помощьюкоторых установлено наиболее полное, максимальное по сравнению с другимиметодами, количество причинноследственных связей, в томчисле нелинейных связеймежду загрязняющими веществами и химическими биологическим потреблением кислорода. По итогам сравнения рассмотренных методов обработки данных для анализа причинноследственных связей измеренных значений состава и свойств сточных вод рекомендовано использовать нейронные сети. Полученные результатыбудут полезныдляметрологическогообеспечения системэкологическогоуправления, мониторинга и контроля (учёта) выбросов и сбросов загрязняющих веществ на объектах по производству азотных удобрений.

This article examines the metrological support for wastewater monitoring required to reduce water pollution, from assessing the initial quality of effl uents to monitoring the effectiveness of their treatment before discharge into natural waters. A priority innovative task for water-intensive chemical industries is described: comparing the results of measurements of various parameters of water composition and properties to selectively reduce the concentration of particularly hazardous toxicants. The need to improve the methodology for identifying (and subsequently removing) pollutants that most signifi cantly increase environmentally hazardous chemical and biological oxygen demand is demonstrated. A comparison of metrological analysis methods, such as predictive mathematics, traditional regression analysis, and neural networks, is conducted using the example of a study of wastewater from the sewer system of the Kemerovo Nitrogen Industry Enterprise “AZOT”. Neural networks are shown to be the most effective method, as they have been used to establish the most comprehensive and maximum number of cause-and-effect relationships, including nonlinear ones, between pollutants and chemical and biological oxygen demand, compared to other methods. Based on the results of the study, it is recommended to use neural networks to analyze the cause-and-effect relationships of measured values of the composition and properties of wastewater for metrological support of water and environmental safety of industrial wastewater disposal in nitrogen production.

метрологический анализсостав сточных водсопоставимость результатов измеренийрегрессионный анализобработка данныхнейронные сетиметрологическая экспертиза физико-химических процессовmetrological analysiswastewater compositioncomparability of measurement resultsregression analysisdata processingneural networksmetrological examination of physico-chemical processesРабота выполнена в рамках темы № FMWZ-2025-0002 Государственного задания № 125030703344-8 Института водных проблем Российской академии наук.The work was carried out within the framework of topic no. FMWZ-2025-0002 of the State Assignment no. 125030703344-8 of the Water Problems Institute of the Russian Academy of Science.ReferencesЗыков В. Н., Чернышов В. И. Экологическая метрология. РУДН, Москва (2008).Zykov V. N., Chernyshov V. I. Ecological metrology. RUDN, Moscow (2008). (In Russ.)Фрейдкина Е. М., Трейман М. Г. Экономическая оценка влияния промышленных предприятий на окружающую среду. ВШТЭ СПбГУПТД, Санкт-Петербург (2016).Freidkina E. M., Treiman M. G. Economic assessment of the impact of industrial enterprises on the environment. Higher School of Economics of St. Petersburg State University of Industrial Technologies, St. Petersburg (2016). (In Russ.)Данилов-Данильян В. И., Розенталь О. М. Гипотеза о причинах сильной изменчивости концентрации примесей в природных водах. Доклады Российской академии наук. Науки о Земле, (1), 114–119 (2023). https://doi.org/10.31857/S2686739722602502 ; https://elibrary.ru/tjawpkDanilov-Danilyan V. I., Rozental O. M. Hypothesis on the causes of strong variability of impurity concentrations in natural waters. Reports of the Russian Academy of Sciences. Earth Sciences, (1), 114–119 (2023). (In Russ.) https://doi.org/10.31857/S2686739722602502 ; https://elibrary.ru/tjawpkЦыганкова Л. Е., Вигдорович В. И., Урядников А. А. Оценка токсичности растворов экотоксикантов. Вестник Тамбовского Университета. Серия: Естественные и Технические Науки, (2), 797–800 (2014). https://elibrary.ru/sauinfTsygankova L. E., Vigdorovich V. I., Uryadnikov A. A. Estimation of ecotoxicants solutions toxicity. Vestnik TSU, ((2), 797–800 (2014). (In Russ.) https://elibrary.ru/sauinfСеренков П. С., Савкова Е. Н., Павлов К. А. Концепция развития доказательной базы современной метрологии. Техническая составляющая процесса измерения. Метрология и информационно-измерительные устройства. Электротехнические и информационные комплексы и системы, (2), 97–105 (2014). https://elibrary.ru/snohahSerenkov P. S., Savkova E. N., Pavlov K. A. Concept of development of evidence base of modern metrology. Technical component of measurement process. Electrical and information complexes and systems, (2), 97–105 (2014). (In Russ.) https://elibrary.ru/snohahОрдинарцева Н. П. Градуировочные эксперименты при помощи метода гибридного регрессионного анализа. Измерительная техника, (4), 14–16 (2013). https://elibrary.ru/qinwkzOrdinartseva N. P. Calibration experiments using the hybrid regression analysis method. Izmeritelnaya Tekhnika, (4), 14–16 (2013). (In Russ.) https://elibrary.ru/qinwkzКузин А. Ю., Крошкин А. Н., Исаев Л. К., Булыгин Ф. В., Войтко В. Д. Практические аспекты применения искусственного интеллекта в метрологии. Измерительная техника, (9), 66–72 (2023). https://doi.org/10.32446/0368-1025it.2023-9-66-72 ; https://elibrary.ru/qyxvewKuzin A. Yu., Kroshkin A. N., Isaev L. K., Bulygin F. V., Voitko V. D. Practical aspects of using artifi cial intelligence in metrology. Izmeritelnaya Tekhnika, (9), 66–72 (2023). (In Russ.) https://doi.org/10.32446/0368-1025it.2023-9-66-72 ; https://elibrary.ru/qyxvewРозенталь О. М., Федотов В. Х. Решение метрологических водно-экологических задач методами нечёткой логики. Измерительная техника, 74(2), 55–63 (2025). https://doi.org/10.32446/0368-1025it.2025-2-55-63 ; https://elibrary.ru/mzjonuRosenthal O. M., Fedotov V. H. Solution of metrological water-ecological problems by methods of fuzzy logic. Izmeritelnaya Tekhnika, 74(2), 55–63 (2025). (In Russ.) https://doi.org/10.32446/0368-1025it.2025-2-55-63 ; https://elibrary.ru/mzjonuАпрелев А. В., Беляев В. С., Шорин В. Н. Метрология цифровых потоков информации в пакетных сетях передачи данных. Альманах современной метрологии, (2), 180–191 (2019). https://elibrary.ru/xlrmhnAprelev A. V., Belyaev V. S., Shorin V. N. Metrology of digital information fl ows in packet data networks. Al’manac of modern metrology, (2), 180–191 (2019). (In Russ.) https://elibrary.ru/xlrmhnАнтонова Е. Н. Последовательный алгоритм обнаружения разладки многомерных временных рядов с высокой динамикой. Информационные системы. Автоматизация и системы управления. Известия СПбГТИ(ТУ), (63), 93–99 (2022). https://doi.org/10.36807/1998-9849-2022-63-89-93-99 ; https://elibrary.ru/bhigyxAntonova E. N. Sequential algorithm for detecting discrepancies in multidimensional time series with high dynamics. Information systems. Automation and control systems. Bulletin of SPbGTI(TU), (63), 93–99 (2022). (In Russ.) https://doi.org/10.36807/1998-9849-2022-63-89-93-99 ; https://elibrary.ru/bhigyxКузин А. Ю., Крошкин А. Н., Оболенский И. А. Нейроконсультант в области законодательной метрологии на базе искусственного интеллекта. Измерительная техника, 73(10), 65–72 (2024). https://doi.org/10.32446/0368-1025it.2024-10-65-72 ; https://elibrary.ru/harrflKuzin A. Yu., Kroshkin A. N., Obolensky I. A. Artifi cial intelligence-based neuro-consultant in the fi eld of legal metrology. Izmeritelnaya Tekhnika, 73(10), 65-72 (2024). (In Russ.) https://doi.org/10.32446/0368-1025it.2024-10-65-72 ; https://elibrary.ru/harrflSchölkopf B., Janzing D., Peters J., Sgouritsa E., Zhang K., Mooij J. Semi-supervised learning in causal and anticausal settings, in Empirical Inference, eds B. Schölkopf, Z. Luo, and V. Vovk. Springer, Berlin, Heidelberg, 129–141 (2013). https://doi.org/10.1007/978-3-642-41136-6_13Schölkopf B., Janzing D., Peters J., Sgouritsa E., Zhang K., Mooij J. Semi-supervised learning in causal and anticausal settings, in Empirical Inference, eds B. Schölkopf, Z. Luo, and V. Vovk. Springer, Berlin, Heidelberg, 129–141 (2013). https://doi.org/10.1007/978-3-642-41136-6_13Mooij J. M., Peters J., Janzing D., Zscheischler J., Schölkopf B. Distinguishing cause from effect using observational data: methods and benchmarks. Journal of Machine Learning Research, (17), 1103–1204 (2016). http://jmlr.org/papers/volume17/14-518/14-518.pdfMooij J. M., Peters J., Janzing D., Zscheischler J., Schölkopf B. Distinguishing cause from effect using observational data: methods and benchmarks. Journal of Machine Learning Research, (17), 1103–1204 (2016). http://jmlr.org/papers/volume17/14-518/14-518.pdfLopez-Paz D., Muandet K., Recht B. The randomized causation coeffi cient. Journal of Machine Learning Research, (16), 2901–2907 (2015). https://doi.org/10.15496/publikation-11750Lopez-Paz D., Muandet K., Recht B. The randomized causation coeffi cient. Journal of Machine Learning Research, (16), 2901–2907 (2015). https://doi.org/10.15496/publikation-11750Friston K. J. Functional and effective connectivity: a review. Brain Connect, 11(1), 13–36 (2011). https://doi.org/10.1089/brain.2011.0008Friston K. J. Functional and effective connectivity: a review. Brain Connect, 11(1), 13–36 (2011). https://doi.org/10.1089/brain.2011.0008Chicharro D. Parametric and non-parametric criteria for causal inference from time-series. In: Wibral M., Vicente R., Lizier J. (eds). Directed Information Measures in Neuroscience. Understanding Complex Systems. Springer, Berlin, Heidelberg (2014). https://doi.org/10.1007/978-3-642-54474-3_8Chicharro D. Parametric and non-parametric criteria for causal inference from time-series. In: Wibral, M., Vicente R., Lizier J. (eds). Directed Information Measures in Neuroscience. Understanding Complex Systems. Springer, Berlin, Heidelberg (2014). https://doi.org/10.1007/978-3-642-54474-3_8Подкорытова О. А., Соколов М. В. Анализ временных рядов. Юрайт, Москва. (2025).Podkorytova O. A., Sokolov M. V. Time Series Analysis. Yurait, Moscow (2025).Мхитарян В. С. Анализ данных в MS Excel. КУРС, Москва (2025).Mkhitaryan V. S. Data Analysis in MS Excel. KURS, Moscow (2025). (In Russ.)Боровиков В. П. Нейронные сети Statistica Neural Networks: Методология и технология современного анализа данных. StatSoft, Москва (2015).Borovikov V. P. Statistica Neural Networks: Methodology and Technology of Modern Data Analysis. StatSoft, Moscow (2015). (In Russ.)Carrera J., Vicent T., Lafuente J. Effect of the COD/N ratio of the infl uent on the biological nitrogen removal (BNR) from industrial wastewater with high ammonium content. Biochemical Process, 39(12), 2035–2041 (2004). https://doi.org/10.1016/j.procbio.2003.10.005Carrera J., Vicent T., Lafuente J. Effect of the COD/N ratio of the infl uent on the biological nitrogen removal (BNR) from industrial wastewater with high ammonium content. Biochemical Process, 39(12), 2035–2041 (2004). https://doi.org/10.1016/j.procbio.2003.10.005Baum Ch. F., Hurn Stan, Otero Jesús. Testing for time-varying Granger causality. Promoting Communications on Statistics and Stata, (2), 355–378 (2022). https://doi.org/10.1177/1536867X221106403.Baum Ch. F., Hurn Stan, Otero Jesús. Testing for time-varying Granger causality. Promoting Communications on Statistics and Stata, (2), 355–378 (2022). https://doi.org/10.1177/1536867X221106403.

The authors declare that there are no conflicts of interest present.