Algorithms for Detecting Sewage Contamination in Drinking Water Distribution Systems: Comparing Conventional Algorithms and a Machine Learning Approach
2024 (English)Independent thesis Basic level (degree of Bachelor), 10,5 credits / 16 HE credits
Student thesisAlternative title
Algoritmer för Detektion av Avloppskontaminering i Distributionssystem för Dricksvatten (Swedish)
Abstract [en]
In this project, algorithms for digital monitoring of drinking water quality in distribution networks were developed and evaluated. Through automatic surveillance using a sensor, like The Electronic Tongue used in this study, it is possible to detect deviations in water quality such as sewage contamination before the water is consumed by the end user, causing people to fall ill. Manual monitoring of drinking water quality is relatively costly and slow. Automatic surveillance would then act as a nice complement for detecting and preventing contaminated drinking water from reaching consumers. To further investigate how a low detection limit for sewage contamination can be achieved with minimal false alarms in a real-time response system, three different algorithms were developed. One conventional algorithm, and two others using machine learning techniques. These algorithms were then compared to one another in terms of accuracy, delay of response, and accuracy of concentration estimates. The conventional algorithm could detect 0.02 % sewage without raising any false alarms during the control test period whilst one of the algorithms using machine learning showed potential for detecting concentrations as low as 0.005 %, however not without also causing some false alarms during normal variations. The conventional algorithm produced the most accurate sewage concentration estimates out of the three algorithms. The results indicate that the conventional algorithm could prove a useful complement to detecting sewage contamination in a drinking water distribution network. They also show promise for the machine learning algorithms given more data and further development.
Abstract [sv]
I denna studie utvecklas och utvärderas möjliga algoritmer för digital övervakning av dricksvattenkvalité i distributionssystem för dricksvatten. Genom automatisk övervakning av dricksvattenkvalitén, exempelvis med en sensor som den Elektroniska Tungan som används i denna studie, kan eventuella skadliga kontamineringar så som inträngt avloppsvatten upptäckas innan det konsumeras av slutanvändare som då riskerar insjukna. Manuell övervakning är relativt kostsamt och långsamt. Automatisk övervakning skulle kunna fungera som ett bra komplement i att upptäcka och förhindra att avloppskontamineringar når slutanvändare. För att undersöka hur låg detektionsgräns kan kombineras med få falsklarm i ett realtidssystem utvecklades 3 olika algoritmer för detektion av avloppsvatten. En konventionell och två med hjälp utav maskininlärning. Dessa jämfördes sedan mot varandra avseende precision, eventuell fördröjning samt hur väl de kunde uppskatta halten av avlopp som introducerats. Den konventionella algoritmen kan upptäcka 0,02 % avlopp utan några uppmätta falsklarm medan en av algoritmerna med maskininlärning uppvisar potential för att upptäcka kontaminationer på 0,005 % avlopp men då inte utan att även falsklarma för vissa normala variationer. Den konventionella algoritmen uppvisade även bäst koncentrationsuppskattningar. Resultaten tyder på att den konventionella algoritmen skulle kunna användas som ett användbart komplement för att upptäcka avloppskontaminering i distributionsnätverket för dricksvatten. Resultaten visar även på potential för maskininlärningsalgoritmerna givet mer data och vidare utveckling.
Place, publisher, year, edition, pages
2024. , p. 35
Keywords [en]
Algorithms, Machine Learning, Drinking Water, Distribution Systems, Digital Monitoring, Sensors, Sewage contamination, Random Forest, Matlab
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:liu:diva-205298ISRN: LIU-IDA/LITH-EX-G--24/028--SEOAI: oai:DiVA.org:liu-205298DiVA, id: diva2:1875544
Subject / course
Computer Engineering
Presentation
2024-06-11, Donald Knuth, Linköpings universitet, Linköping, 09:15 (English)
Supervisors
Examiners
2024-07-082024-06-232024-08-29Bibliographically approved