Als waterschap wil je uiteraard dat je rioolwaterzuiveringsinstallaties (rwzi’s) optimaal functioneren. Optimalisatie betekent in dit geval: balanceren tussen steeds strengere zuiveringsdoelen, duurzaamheid en kosten. STOWA maakt wiskundige modellen toegankelijk die helpen het optimum te vinden voor het zuiveringsproces, maar bijvoorbeeld ook voor kosteneffectieve slibontwatering en lachgasreductie. AI blijkt daarbij steeds vaker een zeer nuttig hulpmiddel.

“Vaak lukt het door goede modellering om de prestaties van een rwzi te verbeteren, maar soms moet ik mensen ook teleurstellen”, vertelt Annette Buunen-Van Bergen, senior adviseur Watertechnologie bij adviesbureau Sweco. “Het maakt bijvoorbeeld een groot verschil of je praat over een rwzi waar pas driekwart van de ontwerpcapaciteit wordt gebruikt of over een rwzi die eigenlijk al meer water zuivert dan waar ze voor ontworpen is. Dat laatste beetje zuiveringskracht moet er wel in zitten om het eruit te halen.” “Maar door modellering krijg je hoe dan ook veel extra informatie over je zuivering”, benadrukt Buunen-Van Bergen. “En kun je verder optimaliseren, dan scheelt dat vaak grote investeringen in uitbreidingen.”

Een rioolwaterzuivering is een dynamische ‘fabriek’. De hoeveelheid rioolwater stijgt in Nederland continu door bevolkingsgroei en na een fikse regenbui kan het debiet makkelijk verdriedubbelen. Ook de samenstelling van de vervuiling varieert. De temperatuur van het water wisselt bovendien met de seizoenen en het dag-nachtritme. De samenstelling en activiteit van de bacteriën in het slib die het zuiveringswerk doen, bewegen mee met temperatuur en variatie in verontreinigingen. Ondanks al deze dynamiek ontwierpen en regelden de waterschappen hun rwzi’s decennialang op basis van een gemiddelde aanvoer. Dat gebeurde met een statisch model, het zogeheten HSA-model (HochSchul Ansatz). Dit berekent bij een bepaalde hoeveelheid rioolwater van bepaalde samenstelling wat de dimensies en capaciteit van de onderdelen van de rwzi moeten zijn, zoals anaerobe- en beluchtingstank. Het model richt zich daarbij vooral op het halen van de huidige norm voor ‘stikstof’ (N) in het effluent. Maar het is niet zo geschikt voor de nieuwe toekomstige, lagere norm (< 0,8 mg N_tot/l i.p.v. < 5 mg/l). Bovendien bepaalt niet alleen de N-concentratie de kwaliteit van het effluent, maar ook de aanwezigheid van fosfor (P_totaal) en medicijnresten en Zeer Zorgwekkende Stoffen. Ook die normen worden in de toekomst aangescherpt. Daarnaast is het zo duurzaam mogelijk bedrijven van een rwzi inmiddels ook een belangrijk doel voor waterschappen. Ze streven naar een laag energie- en chemicaliënverbruik en lage uitstoot van broeikasgassen als methaan en lachgas. Dat kun je in een statisch model als het HSA-model niet allemaal meenemen.

Het Franse bedrijf Dynamita bouwde met moderne ICT een open source-model dat wel rekening houdt met de dynamiek in rioolwater en meerdere doelstellingen. Het gaat om het dynamische SUMO-model (SUperMOdel). Binnen het STOWA-project ‘Nieuwe methode voor uitvoeren rwzi-(optimalisatie)studies. Dynamisch simuleren met SUMO’ werkt ingenieursbureau Sweco aan een goed toegankelijke handreiking voor de gebruikers van SUMO. In dit model bouw je een rwzi digitaal na; alle tanks, bezinkbakken, pompen, sensoren en dergelijke zet je in de juiste dimensies en volgorde in het model. Vervolgens voer je alle beschikbare meetgegevens over het functioneren van de rwzi in. Dat wil zeggen: data over instroom, temperaturen, instellingen en effluentkwaliteit. Hoe meer data je invoert, hoe realistischer en betrouwbaarder het rwzi-model wordt. Afhankelijk van het doel kun je kiezen tot welk detailniveau je wilt gaan. Een flinke klus, maar daarna kun je volop digitaal gaan experimenteren. Het debiet, de temperatuur en de vervuilingsgraad kun je elk uur, minuut of zelfs per seconde variëren, net als de factoren die je onder controle hebt: beluchtingsregelingen, toevoeging van chemicaliën, recirculatie, et cetera. Ook kun je de rwzi eventueel digitaal uitbreiden met nieuwe componenten, bijvoorbeeld een extra bezinkbak of beluchtingstank.

Buunen-Van Bergen: “Het zuive­rings­proces is nu vaak een serie black boxes. Wanneer proces­tech­no­logen een instelling veranderen, dan hoor ik regelmatig: ‘dit effect hadden we niet verwacht’.” Zo kreeg ze eens de opdracht om uit te zoeken waarom een denitrificatie niet goed verliep. Het SUMO-model gaf aan dat de interne circulatie te laag zou zijn. De reactie was: ‘Maar de pomp draait gewoon’. Toen de tank echter een keer leegstond, werd duidelijk dat de pomp niet goed voor de leiding stond. De analyse klopte dus wel. Buunen-Van Bergen: “Op een zuivering kunnen mythes gaan leven, die SUMO onderuit kan halen. Je leert veel van ‘spelen’ met het model.”

Dat bevestigt haar jongere collega Niels Koldewijn, consultant Watertechnologie. “In SUMO zie je als het ware op je scherm de hele rwzi in bedrijf. Hoe elk onderdeel functioneert bij de instellingen die je kiest. Wat verschillende sensoren zouden moeten weergeven en wat de samenstelling van het slib en effluent is.” Maar het blijft een model, een benadering op basis van monsternames en sensoren. Buunen-Van Bergen: “Je moet altijd je gezond verstand blijven gebruiken.” SUMO wordt geen autopiloot? “Uiteindelijk kun je naar een digital twin, een model dat real time meedraait, liefst zelflerend. Maar wanneer dat realiteit is, durf ik niet te voorspellen. En misschien ben ik te oud, maar ik zou er nooit blindelings op vertrouwen. Je moet ook altijd zelf blijven kijken naar het proces. Schuimvorming of hoe goed de slibbezinking is, dat ziet SUMO niet. Maar een operator zal op termijn steeds minder aanwezig hoeven zijn.”

De eerste waterschappen hebben inmiddels zelf een licentie voor het gebruik van SUMO. Koldewijn: “De handreiking voor gebruik die we in opdracht van STOWA schrijven, is bijna afgerond. Ik hoop dat de publicatie een laatste duwtje is voor meer waterschappen om er zelf mee aan de slag te gaan.” Het model is gebruiksvriendelijk en ontwikkelaar Dynamita beantwoordt vragen snel, is de ervaring van Sweco. “Maar je moet er wel echt tijd in stoppen om de fijne kneepjes te leren kennen”, stelt Buunen-Van Bergen. AI zit niet standaard in SUMO, maar kan je helpen delen verder te optimaliseren. Met name wanneer er veel (onbekende) factoren in het spel zijn die elkaar kunnen beïnvloeden. Daar is kunstmatige intelligentie sterk in. Het Hoogheemraadschap Hollands Noorderkwartier is bijvoorbeeld bezig met lachgasreductie. Koldewijn heeft ideeën voor een digitale SUMO-assistent dankzij AI. “Je kunt een large language model zoals ChatGPT in een afgeschermde omgeving trainen met goede documentatie over SUMO, zodat die als vraagbaak kan dienen bij het werken met het model.” Eigenlijk een digitale versie van zijn ervaren collega. “Als ik het nu niet begrijp, dan bel ik Annette.”

Op rwzi’s komt lachgas (N₂O) vrij, een broeikasgas dat ruim 250 keer sterker is dan CO₂. Lachgas is een tussenproduct in twee belangrijke afbraakprocessen van ‘stikstof’ (nitrificatie en denitrificatie). De ideale rwzi produceert niet of nauwelijks lachgas, doordat die twee processen goed op elkaar zijn afgestemd. Jeremy Versteegh, afvalwaterzuiveringstechnoloog bij Hoogheemraadschap Hollands Noorderkwartier: “Lachgas wordt op meerdere plaatsen in een rwzi geproduceerd. Veel factoren hebben er invloed op en die beïnvloeden ook weer elkaar. Dat maakt geautomatiseerde regeling lastig, want die is gebaseerd op directe relaties.” Een andere moeilijkheid in aansturing is dat lachgasdetectoren duur en kwetsbaar zijn.

Versteegh gebruikt AI-optimalisatietechnieken binnen SUMO om betere controle te krijgen over lachgasemissies. Een SUMO-model dient als digitale leeromgeving voor een zogeheten reinforcement learning agent. Deze vorm van AI leert verbanden te leggen uit ervaringen in de gesimuleerde omgeving. Taak van de agent is lachgasemissies te reduceren. Daarvoor kan de agent verschillende (digitale) acties uitvoeren die de beluchting van de rwzi beïnvloeden. Elke actie wordt beoordeeld op meerdere criteria als CO₂-footprint en waterkwaliteit. Al doende leert de agent welke ingreep op welk moment optimaal is.

De training verloopt in twee fasen: eerst in de SUMO-simulatie, vervolgens wordt het model gefinetuned met echte procesdata van de rwzi. Versteegh: “Deze methode kun je niet alleen toepassen voor lachgasreductie, maar in principe voor allerlei complexe optimalisaties. Denk bijvoorbeeld aan kostenoptimalisatie bij wisselende stroomprijzen door netcongestie.” Maar zover is het nog niet. Versteegh en zijn team zijn net begonnen met proefdraaien van het AI-platform. Dat zal zich eerst moeten bewijzen.

“Het is ook een persoonlijke frustratie dat we nog steeds niet weten hoe je optimaal zuiveringsslib ontwatert”, zegt Leon Korving, projectleider bij Wetsus. Optimaal ontwateren betekent dat het slib zo droog mogelijk de rwzi verlaat tegen zo laag mogelijke kosten, maar ook met zo min mogelijk energiegebruik en CO₂-uitstoot. Korving houdt zich al lange tijd bezig met de ‘ontoegankelijke’ wetenschap achter slibontwatering. In een STOWA-project gaat AI helpen.

Slibontwatering is een grootschalig en kostbaar proces. De verzameling bacteriën die in een rwzi het rioolwater zuivert, groeit doorlopend. Regelmatig wordt daarom het ‘overschot’ met aanhangende deeltjes ontwaterd en afgevoerd. Dagelijks vullen de Nederlandse waterschappen bijna honderd vrachtwagens met ontwaterd slib. Die rijden naar speciale verbrandingsovens. De kosten voor de verwerking bedragen naar schatting ruim honderd miljoen euro, plus nog eens ruim twintig miljoen voor ontwateringschemicaliën.

Gemiddeld wordt nu slib afgevoerd dat 23 procent vaste stof bevat (en dus 77 procent water). Dat klinkt als kletsnat slib, maar wanneer je slib rustig laat uitdruppen, bevat het nog altijd maar vier tot zes procent vaste stof. De bacteriën creëren een dikke beschermende slijmlaag rondom zich heen die uitstekend water vasthoudt. Bij ontwatering wordt het volume nu zo’n vijfmaal ingedikt; dat scheelt dus vierhonderd vrachtwagens per dag. Slib en water worden daarvoor zoveel mogelijk gescheiden in een centrifuge of op een zeefbandpers. Vooraf wordt polymeer of polyelektrolyt (PE) aan het slib toegevoegd. Dat is een synthetische kunststof (een polyacrylamide) bestaande uit lange positief geladen ketenmoleculen. Bacteriën zijn negatief geladen. Het polymeer werkt als flocculant; het brengt bacteriën bijeen in vaste vlokken. Ook worden zouten toegevoegd om meer water te kunnen onttrekken. Korving: “Met veel trial-and-error zoeken de waterschappen het beste recept op hun locaties.”

Zolang het proces zoals nu grotendeels een black box is, blijft onduidelijk of de ontwatering op die circa tachtig ontwateringslocaties bij de gegeven omstandigheden (temperatuur, slibeigenschappen, apparatuur, type PE) echt optimaal wordt uitgevoerd. In een eerder STOWA-project is gekeken of er slibeigenschappen konden worden gevonden die iets zeggen over het ontwaterresultaat. Er sprongen echter geen eigenschappen echt uit, mede door beperkte data. Korving: “Om een voorspellend model te bouwen, moet je correlaties vinden tussen eigenschappen van het slib en het ontwateringsresultaat. We weten dat de calcium-, ijzer- en magnesiumkationen, maar ook bijvoorbeeld de hoeveelheid colloïdale organische stof in het slibwater invloed hebben. Maar dat is niet genoeg voor een juiste voorspelling; het lijkt erop dat veel parameters invloed hebben, ook op elkaar.”

AI kan helpen zulke complexe verbanden te ontrafelen via patroonherkenning. Maar daarvoor zijn eerst goede meetdata nodig, benadrukt Korving. “Een model is zo goed als de data die je erin stopt. Dat is een overbekend gezegde in het vakgebied.” Daarvoor wordt de komende tijd eerst gedegen data verzameld over het ontwateringsproces, zowel in het lab als in de dagelijkse praktijk, in zomer en winter, en het slib zelf wordt onder een vergrootglas gelegd. Korving: “Tot nu toe meten waterschappen vooral instellingen en het ontwateringspercentage. Maar om het ontwateringsresultaat te kunnen voorspellen, heb je ook kennis over het slib zelf nodig. Slibeigenschappen zijn heel bepalend.”

Alle data gaan in een grote database, waar AI patronen in mag gaan ontdekken. Wetsus heeft al ervaring met dergelijke kunstmatige intelligentie opgedaan op andere terreinen, bijvoorbeeld voor lekdetectie van drinkwatersystemen. Waar hoopt Korving op? “Vooral op begrip en daarmee grip op het ontwateringsproces. Misschien zitten we door alle trial-and-error al dicht bij het maximum, maar misschien ook niet. En elke procent extra betekent grote winst, want het gaat om grote volumes.”

AI-interpretatie van een regelkamer van een rwzi