ПРОГНОЗИРОВАНИЕ КАЧЕСТВА СТОЧНЫХ ВОД И ОЦЕНКА ЭКОЛОГИЧЕСКИХ РИСКОВ НА СТАНЦИИ АЭРАЦИИ ВОДОКАНАЛА

Article Sidebar

PDF
Опубликован: окт 28, 2026
UDK: 628.31
Ключевые слова:
очистка сточных вод, искусственный интеллект, LSTM, Transformer, SHAP, прогнозирование качества воды, оценка рисков

wastewater treatment, artificial intelligence, LSTM, Transformer, SHAP, water quality forecasting, risk assessment

Main Article Content

Г. А. Самбурский
Российский Химико-технологический университет им. Д.И. Менделеева
О. М. Розенталь
Институт водных проблем РАН

Аннотация

В работе представлены результаты многолетнего (2019–2023 гг.) анализа качества сточных вод, поступающих на станцию аэрации водоканала, с применением гибридного подхода, объединяющего статистические методы, генеративные нейросети, рекуррентные архитектуры (LSTM, Transformer) и методы объяснимого искусственного интеллекта (SHAP). Выявлены устойчивые тренды снижения концентраций взвешенных веществ (в 4,5 раза), аммонийного азота (в 4,5 раза) и БПК (в 2,6 раза) при сохранении высоких уровней нитратов (≈90 мг/л) и фосфатов. Разработана прогнозная модель с MAPE 11,0% и R² 0,91, позволяющая осуществлять раннее предупреждение о превышениях нормативов. С помощью SHAP-анализа идентифицированы ключевые факторы, влияющие на качество очистки: расход сточных вод (вклад 25%), температура (18%) и предыдущие значения нитратов (32%). Предложены технологические и организационные меры по снижению экологических рисков. Результаты демонстрируют потенциал ИИ для перехода от реактивного к предиктивному управлению очистными сооружениями.

Article Details

Как цитировать
[1]
Самбурский Г.А. ПРОГНОЗИРОВАНИЕ КАЧЕСТВА СТОЧНЫХ ВОД И ОЦЕНКА ЭКОЛОГИЧЕСКИХ РИСКОВ НА СТАНЦИИ АЭРАЦИИ ВОДОКАНАЛА [Электронный ресурс]/ Г.А. Самбурский, О.М. Розенталь // Строительство и техногенная безопасность. — 2026. — № 42(94). — c.83-89. — Режим доступа:https://stroyjurnal-asa.ru/index.php/asa/article/view/428 (5 ноя. 2026)
Выпуск
№ 42(94) (2026)
Раздел
Экологическая безопасность

Библиографические ссылки

Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems, 27.

Hodrick, R. J., & Prescott, E. C. (1997). Postwar U.S. Business Cycles: An Empirical Investigation. Journal of Money, Credit and Banking, 29(1), 1–16.

Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, 6(1), 3–73.

Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. 2008 Eighth IEEE International Conference on Data Mining, 413–422.

Sakurada, M., & Yairi, T. (2014). Anomaly Detection Using Autoencoders with Nonlinear Dimensionality Reduction. Proceedings of the MLSDA 2014 2nd Workshop on Machine Learning for Sensory Data Analysis, 4–11.

Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.

Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30.

Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts.

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). John Wiley & Sons.