On selvää, että ilmastonmuutoksen vaikutuksesta puhdas juomavesi on vähenevä luonnonvara, ja siitä on maailmalla jo nyt pula. Suomalaisille puhdas vesi on kuitenkin vielä itsestään selvä asia, mutta yli miljardi ihmistä eri puolilla maailmaa joutuu tulemaan toimeen ilman puhdasta juomavettä. Vesi on myös tärkein raaka-aine, sillä sitä tarvitaan lähes kaikkeen tuotantoon ruoasta energiaan ja paperista vaatteisiin. Näin ollen juoma- ja myös teollisuusveden puhdistusprosessien parempi hallinta on yhä tärkeämpää.
Monimutkainen flokkulaatioprosessi
Flokkulaatio on kriittinen prosessiyksikkö valmistettaessa juomavettä humuspitoisesta raakavedestä. Tässä osaprosessissa flokit muodostuvat kemiallisilta, fysikaalisilta, morfologisilta ja mikrobiologisilta ominaisuuksiltaan sopiviksi, jolloin jatkoprosesseissa, kuten sedimentaatio, flotaatio ja suodatus, voidaan toteuttaa kiintoaine/neste-erotus ja näin puhdistaa raakavedestä merkittävä määrä epäpuhtauksia. Flokkulaatioprosessi on kuitenkin hyvin monimutkainen, koska monet raakaveden kemialliset (epäorgaaniset ja orgaaniset yhdisteet) ja fysikaaliset ominaisuudet (kuten lämpötila) vaikuttavat flokkien muodostumiseen. Samoin flokkulaatio- ja pH-kemikaalien annostelu voi lisätä prosessin ja flokkien heterogeenisuutta. Näin ollen prosessin jatkuvatoiminen monitorointi ja säätö ovat hyvin haasteellisia ja laboratoriomittaukset puolestaan aikaa vieviä. Tämän vuoksi on tarvetta kehittää uusia mittaus- ja mallinnusmenetelmiä flokkulaatioprosessin monitorointiin ja hallintaan, jotta voitaisiin varmistaa juomaveden hyvä laatu järkevin kustannuksin.
Yksi kiinnostava menetelmä määrittää flokkien muodostumista flokkulaatioprosessissa on kuva-analyysi. Tässä menetelmässä muodostuvia flokkeja kuvataan kameralla ja kuva-analyysin perusteella voidaan määrittää niiden morfologisia ominaisuuksia, kuten kokoa ja muotoa, joiden tiedetään vaikuttavan merkittävästi flokkien käyttäytymiseen puhdistusprosesseissa. On huomattava, että nämä ominaisuudet ovat saatavissa kuvainformaatiosta ilman tietämystä prosessiolosuhteista, mikä lisää riippumatonta informaatiota prosessin hallintaan. Lisäksi hyödyntämällä analyyseissä tekoälytekniikoita päästään yhdistämään kuva- ja prosessi-informaatiota ja näin luomaan parempia ennustemalleja raakaveden, prosessin ja juomaveden laadun välille ja ymmärtämään eri tekijöiden vaikutuksia toisiinsa vaihtelevissa olosuhteissa.
HUVA (Humuspitoiset pintavedet juomaveden valmistuksessa) on Kaakkois-Suomen Ammattikorkeakoulun Kuitulaboratorion tutkimushanke, jonka tarkoituksena on pilotoida ja demonstroida uuden mittaus- ja mallinnusmenetelmän toimivuutta puhtaan veden valmistuksessa vesilaitosprosessissa. Projekti toteutetaan yhteistyössä Savonlinnan veden, Kuopion veden, Ramboll Finland Oy:n, Kemira Oy:n ja Valmet Automations Oy:n kanssa. Kuvantamisjärjestelmä on rakennettu Valmet Automationsilta käyttöön saadun kameran ympärille ja järjestelmää on testattu todellisessa laitosympäristössä Savonlinnan vedellä syyskuusta 2020 asti.
Hankkeen tarkoituksena on tuottaa automaattinen online-mittausjärjestelmä, joka voi toimia itsenäisesti ilman valvontaa vesilaitosprosessin sekoitusvaiheessa. Mittausjärjestelmä tuottaa kuva ja numeerista dataa flokkulaatiosta, jota voidaan käyttää arvioidessa prosessin toimivuutta ja jota tulevaisuudessa olisi mahdollista käyttää prosessin optimoimisessa.
Suodatusta analyysisovelluksella
Analyysin oleellinen osa on flokkien tunnistaminen järjestelmän tuottamasta kuvadatasta. Hankkeen aikana on kehitetty oma analyysisovellus, joka konenäköä hyödyntäen pystyy suodattamaan tuotetuista kuvista kameran linssin likaantumisen aiheuttamat vääristymät ja tunnistamaan näistä kuvista aidot flokit. Flokit kategorisoidaan niiden muodon ja koon perusteella. Tällä hetkellä jokaisesta kategoriasta saadaan tieto flokkien kappalemäärästä ja keskimääräisestä pinta-alasta.
Kuvassa on esimerkkinä sovelluksen tämänhetkisestä toiminnasta. Vasemmalla olevasta kuvasta ei ole suodatettu pois likaantumisen aiheuttamia vääristymiä ja näin ollen analyysisovellus tunnistaa flokeiksi alueita, jotka eivät todellisuudessa ole flokkeja. Oikeanpuoleisessa kuvassa on esimerkkinä sama kuva suodatettuna. Järjestelmä tuottaa vastaavia kuvia 40 kappaletta aina viidentoista minuutin välein, tallentaen kuvat mahdollista myöhempää analyysia varten, mutta myös tuottaen jo valmiiksi analysoitua dataa tulkintaa varten. Järjestelmä ottaa ennen näytteenottoa taustakuvasarjan, jonka avulla varsinaiset näytekuvat suodatetaan vääristymistä. Analyysialgoritmissa on myös huomioitu mahdollisesti näkyvät ilmakuplat, jotka on suodatettu pois datasta niiden pyöreyttä hyödyntäen.
Tällä hetkellä järjestelmä ei itsenäisesti pysty määrittelemään millaiset ominaisuudet flokilla on, tässä vaaditaan ihmisen tekemää visuaalista tarkastelua kuvista ja parametrien säätämistä tämän perusteella. Mittausjärjestelmän huolto ja ylläpito vaativat myös manuaalista työskentelyä, erityisesti kameran linssin puhtaudesta huolehtiminen on pitkällä aikavälillä oleellista.
Hankkeen aikana tuotetulla tiedolla tulee olemaan vaikutusta niin taloudellisesti kuin ekologisesti tarkasteltuna. Flokkien koko on yksi merkittävä tekijä tutkittaessa vedenpuhdistusprosessin toimivuutta. Automaattista online-mittausjärjestelmää flokkien koon tunnistamisessa voidaan hyödyntää tulevaisuudessa flokkauskemikaalin käytön optimoimisessa ja näin ollen säästää kemikaaliannostelussa. Menetelmällä voitaisiin tehostaa veden puhdistusta ja saada aikaan säästöjä, toteuttaen kestävän kehityksen periaatteita. Järjestelmää kehitetään siten, että jatkossa se pystyy automaattisesti määrittämään ja kertomaan kuvatulkinnan avulla käyttäjälle tietoa flokkien ominaisuuksista. Lisäksi automatisoidaan kuvantavan mittausjärjestelmän huoltoa ja kameran linssin pesua todellisissa käyttöolosuhteissa.
Tero Ojanen, projekti-insinööri, Kuitulaboratorio
Yrjö Hiltunen, tutkimuspäällikkö, Kuitulaboratorio