Nyheter

Data science kan hjälpa miljöindustrier och energianvändare

Hur kan data science bidra till en mer hållbar värld? I sin avhandling som försvaras vid Umeå universitet har Dong Wang utforskat hur data mining och maskininlärning kan användas för att få bättre processtyrningsstrategier för miljöprocesser såsom avloppsreningsverk.

Vårt samhälle har vidtagit många åtgärder för att ta itu med miljöfrågor. Till exempel att installera reningsverk för avloppsvatten för att rena bort vattenföroreningar och åtgärda brist på användbart vatten och använda avfallsenergianläggningar för att återvinna energi från avfall och minska dess miljöpåverkan.

Att hantera dessa anläggningar är dock utmanande eftersom processerna alltid är komplexa och dynamiska. Detta kan hindra operatörer från att förstå processerna heltäckande och korrekt genom traditionella metoder. Samtidigt, med utvecklingen av den så kallade ”Industry 4.0”, har stora volymer data från automatisk insamling av data i real-tid blivit mycket mer tillgänglig. Dessa data ger vanligtvis rikligt med detaljerad information om processaktiviteter som kan användas för att optimera och automatiskt styra processen. Likaväl kan man i kommersiella byggnader optimera och effektivisera energiförbrukningen vilket kan ge minskade kostnader och minska koldioxidavtrycket.

– För att extrahera den önskade informationen från stora mängder data måste lämpliga data science metoder användas, säger Dong Wang. Hela kedjan består av flera steg: att formulera datadrivna lösningar, förbehandla data, analysera data med speciella algoritmer, så kallad maskininlärning, och använda resultat för beslutstöd i olika tillämpningsscenarier.

Det övergripande målet med Dong Wangs avhandlingsarbete var att utforska hur data science kan bidra till en mer hållbar värld utifrån perspektiven att både förbättra driften av miljötekniska processer och energioptimera och energieffektivisera slutanvändarnas aktiviteter. Fokus i Dong Wangs arbete har varit datautvinning och tolkningsbar maskininlärning, som inkluderar till exempel Artificiella Neurala Nätverk, Random Forest, SHapley Additive exPlanations, Deep Embedding Clustering och Local Outlier Factor.

– Mina projekt har varit en del av forsknings- och samverkansplattformen ’Grön teknik och miljöekonomi’ vid Umeå universitet, som syftar till resurseffektivitet och hållbarhet för att stödja en cirkulär omställning. I det här sammanhanget fick jag möjlighet att ha väldigt nära och givande samarbeten med flera företag i Sverige, säger Dong Wang.

Resultaten av hans avhandling kan användas för att lösa dessa företags praktiska problem. De två första projekten syftade till att förbättra process- eller avloppskvalitetskontrollen i full skala i Umeå reningsverk hos VAKIN. Den tredje studien gällde att identifiera faktorer kopplade till pannhaverier vid en avfallförbränningsanlägging hos Umeå Energi. Resultaten kan bidra till att uppgradera processtyrningsstrategier till en mer sofistikerad nivå som är mer exakt och kostnadseffektiv än traditionella metoder. En fjärde studie tillsammans med Mestro AB undersökte hur man effektivt upptäcker energiförbrukningsavvikelser för att skapa energisystem i byggnader effektiva, säkra och robusta.

– Utöver specifika ny kunskap från fallstudier, har min avhandling på en högre nivå gett kunskap som kan tillämpas i ett mycket bredare sammanhang för olika miljöprocesser och energioptimeringsapplikationer, säger Dong Wang.

Om avhandlingen

Tisdagen den 18 januari försvarar Dong Wang, Kemiska institutionen vid Umeå universitet sin avhandling med titeln How can data science contribute to a greener world? An exploration featuring machine learning and data mining for environmental facilities and energy end users. Svensk titel: Hur kan datavetenskap bidra till en grönare värld? Studier med användande av maskininlärning och datamining för miljöanläggningar och energiförbrukning. Disputationen äger rum kl 13.00 i Glasburen, KBC Building och deltagare välkomnas digitalt via Zoom.
Fakultetsopponent är professor Venkat Venkatasubramanian, Department of Chemical Engineering, Columbia University, USA.