文献

J-GLOBAL ID：202202285970729028   整理番号：22A1066992

ニューラルネットワーク(FFANN)および長期短期記憶(LSTM)を用いた2-MIB/ジェオスミン濃度の簡易予測および将来予測モデルの構築

PREDICTIVE MODEL OF 2-MIB AND GEOSMIN CONCENTRATIONS IN A RIVER WATER BY FEED FORWARD ARTIFICIAL NEURAL NETWORK AND LONG SHORT-TERM MEMORY NETWORK INPUTTING HOURLY WATER QUALITY DATA

著者 (3件)： 石井崇晃 (中央大学大学院 理工学研究科都市人間環境学専攻) ,  山村寛 (中央大学 理工学部人間総合理工学科) ,  根本雄一 (前澤工業株式会社)
資料名： 土木学会論文集 G(環境)(Web)  (環境工学研究論文集(Web))
巻： 77  号： 7  ページ： III_303-III_310(J-STAGE)  発行年： 2021年 
JST資料番号： U0108A  ISSN： 2185-6648  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 近年,荒川水系においてカビ臭物質である2-メチルイソボルネオール(2-MIB)を生成する藻類の生息が確認されており,カビ臭物質の除去を目的として粉末活性炭の添加がされている.しかしカビ臭物質濃度の測定は難易度が高く,多くの浄水場では経験的に粉末活性炭を添加している.本研究では,浄水場の保有する大量のデータを利用して,FFANN(Feed Forward Artificial Neural Network)とLSTM(Long Short-term Memory)によりカビ臭物質濃度を短期予測するモデルの開発をした.FFANNでは現時刻の基本的な水質項目からカビ臭物質濃度を推定することができた.また,LSTMでは現時刻までのカビ臭物質濃度を含む水質から,3時間後のカビ臭物質濃度の短期予測ができた.このことから,FFANNより得られたカビ臭物質濃度をLSTMに入力することで,粉末活性炭の制御が可能であると示唆された.(著者抄録)

シソーラス用語： 河川 ,  埼玉県 ,  *ニューラルネットワーク ,  オフフレーバー ,  人工知能 ,  浄水施設 ,  *濃度 ,  臭気 ,  *臭気物質 ,  活性炭 ,  粉体 ,  予測モデル ,  モデリング ,  短期予測 ,  機械学習 ,  水温 ,  消費 ,  塩素 ,  電気伝導率 ,  水質管理 ,  MLSS ,  脂環式アルコール
準シソーラス用語： *LSTM ,  かび臭 ,  *カビ臭物質 ,  *フィードフォワードニューラルネットワーク ,  塩素要求量 ,  河川水温 ,  荒川 ,  混合液浮遊物質濃度 ,  臭気濃度 ,  臭気物質濃度 ,  将来濃度予測 ,  深層学習 ,  粉末活性炭

著者キーワード (5件)： 2-MIB ,  Geosmin ,  Feed Forward Artificial Neural Network ,  Long Short-term Memory ,  Deep Learning

分類 (1件)： 水質管理  (SB02050M)

物質索引 (2件)： 2-メチルイソボルネオール ,  ジェオスミン

引用文献 (18件)：

• 1) 三上雅人,星野恵里奈,松本雄佑,寺中郁夫,長井潔. : 荒川本川におけるかび臭産生藍藻類の発生事例(III), 水道研究発表会講演集., pp. 196-197, 2017
• 2) 厚生労働省:水質基準項目と基準値(51項目),https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/topics/bukyoku/kenkou/suido/kijun/kijunchi.html.(2021年5月10日閲覧)
• 3) Andrew R. Dzialowski, Val H. Smith, Donald G. Huggins, Frank deNoyelles, Niang-Choo Lim, Debbie S. Baker, Jason H. Beury. : Development of predictive models for geosmin-related taste and odor in Kansas, USA, drinking water reservoirs, Water Research., Vol. 43, No. 11, pp. 2829-2840, 2009.
• 4) Ted D. Harris and Jennifer L. Graham. : Predicting cyanobacterial abundance, microcystin, and geosmin in a eutrophic drinking-water reservoir using a 14-year dataset, Lake and Reservoir Management., Vol. 33, No. 1, pp. 32-48, 2017
• 5) Chi-Yong Ahn, Hee-Mock Oh, and Young-Seuk Park. : EVALUATION OF ENVIRONMENTAL FACTORS ON CYANOBACTERIAL BLOOM IN EUTROPHIC RESERVOIR USING ARTIFICIAL NEURAL NETWORKS, Journal of phycology., Vol. 47, No. 3, pp. 495-504, 2011

タイトルに関連する用語 (10件)： ニューラルネットワーク ,  長期 ,  短期記憶 ,  LSTM ,  ジェオスミン ,  簡易 ,  予測 ,  将来予測 ,  モデル ,  構築