Метрологическое обеспечение контроля состава сточных вод: применение нейронных сетей в методах обработки результатов измерений

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.

1. Зыков В. Н., Чернышов В. И. Экологическая метрология. РУДН, Москва (2008).

2. Фрейдкина Е. М., Трейман М. Г. Экономическая оценка влияния промышленных предприятий на окружающую среду. ВШТЭ СПбГУПТД, Санкт-Петербург (2016).

3. 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/tjawpk

4. Цыганкова 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/sauinf

5. Серенков 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/snohah

6. Ординарцева Н. П. Градуировочные эксперименты при помощи метода гибридного регрессионного анализа. Измерительная техника, (4), 14–16 (2013). https://elibrary.ru/qinwkz

7. Кузин 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/qyxvew

8. Розенталь 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/mzjonu

9. Апрелев 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/xlrmhn

10. Антонова 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/bhigyx

11. Кузин 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/harrfl

12. Schölkopf 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_13

13. Mooij 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.pdf

14. Lopez-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-11750

15. Friston K. J. Functional and effective connectivity: a review. Brain Connect, 11(1), 13–36 (2011). https://doi.org/10.1089/brain.2011.0008

16. Chicharro 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_8

17. Подкорытова О. А., Соколов М. В. Анализ временных рядов. Юрайт, Москва. (2025).

18. Мхитарян В. С. Анализ данных в MS Excel. КУРС, Москва (2025).

19. Боровиков В. П. Нейронные сети Statistica Neural Networks: Методология и технология современного анализа данных. StatSoft, Москва (2015).

20. 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.2003.10.005

21. 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.