Examinando por Autor "Gorrotxategi Zipitria, Mikel"

Mostrando 1 - 2 de 2
  • Miniatura
    Publicación
    Advanced Control by Reinforcement Learning for Wastewater Treatment Plants: A Comparison with Traditional Approaches
    (MDPI, 2023) Gorrotxategi Zipitria, Mikel; Hernández del Olmo, Félix; Gaudioso Vázquez, Elena; Duro Carralero, Natividad; Dormido Canto, Raquel
    Control mechanisms for biological treatment of wastewater treatment plants are mostly based on PIDS. However, their performance is far from optimal due to the high non-linearity of the biological and changing processes involved. Therefore, more advanced control techniques are proposed in the literature (e.g., using artificial intelligence techniques). However, these new control techniques have not been compared to the traditional approaches that are actually being used in real plants. To this end, in this paper, we present a comparison of the PID control configurations currently applied to control the dissolved oxygen concentration (in the active sludge process) against a reinforcement learning agent. Our results show that it is possible to have a very competitive operating cost budget when these innovative techniques are applied.
  • Miniatura
    Publicación
    Aprendizaje por refuerzo en el control de plantas de depuración de aguas residuales: Comparación con el enfoque clásico
    (Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial, 2019-09-25) Gorrotxategi Zipitria, Mikel; Félix Hernández del Olmo; Elena Gaudioso Vázquez
    En las Estaciones Depuradoras de Aguas Residuales (EDAR) tienen lugar complejos procesos físicos, químicos y biológicos. Éste hecho junto con las variaciones que se dan en el influente y en el medio hacen que los controles tradicionales en la industria, como por ejemplo los PIDs, ofrezcan resultados limitados. En el intento de mejorar estos controles, tanto desde el punto de vista de la calidad del efluente como del consumo energético, se ha empleado la Inteligencia Artificial (IA) en dichos controles de formas muy diferentes. En este documento se comparan los resultados del uso de PIDs, el control clásico, y de un agente de Aprendizaje por Refuerzo (Reinforcement Learning, RL) sin modelo inicial del medio en una EDAR del tipo BSM1 (Benchmark Simulation Model No.1), un modelo ampliamente utilizado en la industria y que es el estándar en la simulación de las EDARs. Tanto los PIDs como el agente de RL controlan la misma variable, el nivel de oxígeno disuelto, con el objetivo de mantener la planta dentro de los niveles adecuados, pero con un consumo de energía bajo. Previamente se describe el modelo de EDAR empleado, se familiariza con él para percibir su complejidad y se busca el ajuste óptimo de los PIDs que se emplearán en la comparación. Los resultados revelan que el uso de un agente de RL mejora los resultados de los PIDs estudiados, ya que la IA es capaz de adaptar su estrategia de control el busca del óptimo y así mejorar los resultados de los PIDs. Por todo ello la IA es una alternativa real en el control de EDARs.