Budapest University of Technology and EconomicsFaculty of Civil Engineering - Since 1782

A víz és szennyvíztisztító rendszerek működését befolyásolják a változó befolyó vízminőségi jellemzők, az üzemeltetési bizonytalanságok, valamint a szigorodó vízminőségi előírások. A gyakorlatban az üzemeltetőknek olyan időben változó folyamatokra kell reagálniuk, ahol a fizikai és biokémiai mechanizmusok erősen nemlineáris módon kapcsolódnak egymáshoz. A hagyományos, folyamatalapú modellek széles körben alkalmazottak ezen rendszerek leírására, azonban gyakran jelentős kalibrációs igénnyel járnak, és nem minden esetben képesek rugalmasan követni a valós üzemeltetési körülmények gyors változásait. Ezzel szemben a tisztán adatvezérelt módszerek, mint például a mesterséges neurális hálózatok, jó előrejelzési képességgel rendelkeznek, ugyanakkor általában hiányzik belőlük a fizikai értelmezhetőség, és korlátozottan alkalmazhatók a tanító adathalmazon kívüli esetekben.
A tervezett kutatás célja ezen hiányosságok áthidalása egy olyan hibrid módszertan kidolgozásával, amely egységes keretben ötvözi a folyamat alapú modellezést és a gépi tanulási megközelítéseket. A kutatás egyaránt kiterjed az ivóvíz és szennyvíztisztítási rendszerekre, azzal a céllal, hogy olyan modellek jöjjenek létre, amelyek nemcsak pontosak, hanem mérnöki döntéstámogatásra is alkalmasak. A kutatás kiindulópontját a jelölt korábbi, neurális hálózatokon alapuló zavarosság előrejelzési munkája képezi, amely több irányban kerül továbbfejlesztésre. Egyrészt a hangsúly a többváltozós vízminőségi modellezésre kerül, beleértve olyan paramétereket, mint a zavarosság, pH, vezetőképesség, valamint egyes szennyezőanyagok indikátorai. A modellezés során kiemelt szerepet kapnak az időbeli folyamatok, mivel a vízminőség alakulása nagymértékben függ a korábbi állapotoktól és a külső hatásoktól.

A kutatás központi eleme dinamikus gépi tanulási modellek fejlesztése, különös tekintettel a rekurzív és időeltolásos neurális hálózatokra, amelyek képesek az időbeli összefüggések megragadására. Ezzel párhuzamosan egyszerűsített, folyamat alapú leírások (például biológiai vagy szűrési folyamatok egyszerűsített modelljei) kerülnek beépítésre és összekapcsolásra az adatvezérelt komponensekkel (Környezet Matlab Simulink, Python, C#, stb). Ez a hibrid megközelítés várhatóan javítja a modellek értelmezhetőségét a tisztán empirikus modellekhez képest.
A kutatás fontos részét képezi a modellek általánosíthatóságának vizsgálata. A különböző tisztítótelepek eltérő méretűek, felépítésűek és üzemeltetési feltételekkel működnek, így az egy adott rendszerre fejlesztett modellek gyakran nem alkalmazhatók közvetlenül más rendszerekben - Ennek megfelelően a kutatás célja annak feltárása, hogy a modellstruktúrák és bemeneti változók milyen mértékben általánosíthatók, valamint hogy az érzékenységvizsgálat és a változókiválasztás miként támogathatja ezt a folyamatot. A kutatás kiterjed az üzemeltetési optimalizáció kérdésére is. A kidolgozott modellek alapot szolgáltatnak a folyamatirányítás fejlesztéséhez, például a vegyszeradagolás, levegőztetés vagy szűrési hatékonyság optimalizálásához.
A konkrét problémától függően különböző optimalizációs megközelítések alkalmazása merül fel, azzal a céllal, hogy egyensúly teremthető legyen a tisztítási hatékonyság, az üzemeltetési költségek és a rendszer stabilitása között. A kutatási munka magában foglalja: víz- és szennyvíztisztító rendszerek üzemeltetési adatainak feldolgozását és elemzését,dinamikus adatvezérelt modellek fejlesztését és összehasonlító vizsgálatát, folyamat-alapú ismeretek integrálását hibrid modellstruktúrákba, a modellek validálását mérnöki és statisztikai mutatók alapján, alkalmazását optimalizációs és döntéstámogatói feladatokban.
Tudományos szempontból a kutatás hozzájárul a komplex környezeti rendszerek fejlesztéséhez, ahol sem a tisztán determinisztikus, sem a tisztán adatvezérelt megközelítések nem elegendők önmagukban. A tematika szorosan kapcsolódik a témavezető korábbi kutatásaihoz, különösen a neurális hálózatokon alapuló modellezés, a folyamatmodellek közelítése és a víz- és szennyvízrendszerek optimalizációja területén, amely megfelelő módszertani hátteret biztosít.

***
Water and wastewater treatment systems are increasingly exposed to fluctuating influent conditions, operational uncertainties, and stricter quality requirements. In practice, operators must respond to time-varying processes where both physical and biochemical mechanisms interact in a highly nonlinear way. Conventional process-based models are widely used to describe these systems; however, they often require extensive calibration effort and are not always flexible enough to follow rapid changes in real operating conditions. At the same time, purely data-driven approaches, such as artificial neural networks, can provide good predictive performance but typically lack physical consistency and are difficult to generalize beyond the training dataset.
The proposed research addresses this gap by developing a hybrid methodology, where process-based knowledge and machine learning techniques are combined within a unified framework. The work will focus on both drinking water and wastewater treatment systems, with the aim of creating models that are not only accurate but also usable for engineering decision-making.
The starting point of the research is the candidate’s previous work on turbidity prediction in drinking water treatment using neural networks. This will be extended in several directions. First, the scope will be broadened from single-variable prediction to multi-variable water quality modeling, including parameters such as turbidity, pH, conductivity, and selected pollution indicators. Second, the models will explicitly consider temporal dynamics, since the evolution of water quality strongly depends on past system states and external conditions (e.g., rainfall, raw water characteristics).
A central task will be the development of dynamic machine learning models, including recurrent or time-delay neural network structures, capable of capturing these dependencies. In parallel, simplified process-based descriptions (e.g., reduced-order representations of biological or filtration processes) will be introduced and coupled with the data-driven components. An important aspect of the work will be the evaluation of model transferability. Treatment plants differ in size, configuration, and operation, and models developed for one system often perform poorly when applied elsewhere. The research will therefore investigate how model structures and input selections can be generalized, and how sensitivity analysis or feature selection can support this process.
Beyond prediction, the research will also consider operational optimization. The developed models will be used as a basis for improving process control, for example in relation to dosing strategies, aeration intensity, or filtration performance. Different optimization approaches may be tested, depending on the specific problem, with the aim of balancing treatment efficiency, operational cost, and system stability. The work will involve:processing and analysis of operational datasets from water and wastewater treatment plants, development and comparison of dynamic data-driven models, incorporation of process knowledge into hybrid model structures, validation of model performance using engineering and statistical criteria, application of the models in optimization and decison-support contexts.
From a scientific point of view, the expected contribution lies in the development of hybrid modeling strategies for complex environmental systems, where neither purely mechanistic nor purely data-driven approaches are sufficient on their own. From an engineering perspective, the results may support more reliable and cost-effective operation of treatment facilities.The topic is closely related to the supervisor’s previous work in neural network-based modeling, approximation of process models, and optimization of water and wastewater systems, which provides a suitable methodological background for the proposed research.