Keywords

asa

Строительство и техногенная безопасность

2413-1873

КФУ им. В.И. Вернадского

428

Environmental safety

Экологическая безопасность

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

FORECASTING WASTEWATER QUALITY AND ASSESSING ENVIRONMENTAL RISKS AT THE WATER UTILITY AERATION STATION

Самбурский

Г. А.

Samburskii

G. A.

Розенталь

О. М.

Rosental

O. M.

Российский Химико-технологический университет им. Д.И. Менделеева D.I. Mendeleev Russian University of Chemistry and Technology Институт водных проблем РАН Water problem institute Russian Academy of Science

28 10 2026

42(94)

83 89

2026

Строительство и техногенная безопасность

https://stroyjurnal-asa.ru/index.php/asa/article/view/428

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.

The paper presents the results of a multi-year (2019-2023) analysis of the quality of wastewater entering the aeration plant using a hybrid approach combining statistical methods, generative neural networks, recurrent architectures (LSTM, Transformer) and methods of explicable artificial intelligence (SHAP). stable trends of decreasing concentrations of suspended solids (4.5 times), ammonium nitrogen (4.5 times) and BOD (2.6 times) were revealed while maintaining high levels of nitrates (≈90 mg/l) and phosphates. A predictive model with a mape of 11.0% and R2 of 0.91 has been developed, which allows for early warning of regulatory exceedances. using SHAP analysis, the key factors influencing the quality of treatment were identified: wastewater consumption (contribution of 25%), temperature (18%) and previous nitrate values (32%). Technological and organizational measures to reduce environmental risks are proposed. The results demonstrate the potential of ai for the transition from reactive to predictive management of wastewater treatment plants.

Keywordswastewater treatmentartificial intelligenceLSTM, Transformer, SHAPwater quality forecastingrisk assessment

Ключевые словаочистка сточных водискусственный интеллектLSTM, Transformer, SHAPпрогнозирование качества водыоценка рисков

полный текст на сайте stroyjurnal-asa.ru

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.