Sensorbaseret varsling af badevandskvalitet i Aarhus Havn

Sensor based warning of bathing water quality in Aarhus Harbour

Kristensen, Mathias Schandorff ; Heggdal, Ørjan

4. semester

Vand og Miljø (cand.polyt.), Kandidat

2019

122

Dette projekt udvikler et komplet varslingssystem, der ved hjælp af sensordata kan advare i tide om forringet badevandskvalitet i Aarhus Havn. De nuværende laboratoriemetoder måler bakterier ved at opformere prøver, hvilket tager mindst 24 timer og derfor ikke egner sig til hurtige varsler. Med en statistisk tilgang er det undersøgt, hvilke målinger bedst kan bruges som indikatorer for bakterieniveauer. Analysen peger på vandets elektriske ledningsevne (hvor godt vandet leder strøm) som den mest egnede indikator. Årsagen er, at den primære kilde til fækal forurening i havnen er Aarhus Å, der munder ud i havnen og påvirkes af regnbetingede overløb fra fælleskloak samt udledninger fra renseanlæg. Ledningsevnen kan derfor fungere som tracer for, hvor stor en andel af forurenet ferskvand fra åen der er til stede på målestedet. På den baggrund er der opstillet en eksponentiel model for sammenhængen mellem bakteriekoncentration og ledningsevne, som viser høj præcision. Præcisionen forbedres yderligere i en ny model baseret på machine learning, hvor nedbørsmængder og -intensiteter indgår. Ud over bedre forudsigelser medfører den nye model en markant reduktion i antallet af dage, hvor badeområdet må lukkes. For at fuldende varslingssystemet er der udviklet en målestation, der løbende måler ledningsevnen. Stationen håndterer også problemet med uønsket algevækst på sensoren ved at placere den i et kammer, som kan tømmes for vand med trykluft.

This project develops a complete warning system that uses sensor data to issue timely alerts about deteriorating bathing water quality in Aarhus Harbor. Current laboratory methods detect bacteria by culturing samples, which takes at least 24 hours and is too slow for early warnings. Using a statistical approach, the study examined which measurements are the best indicators of bacterial levels. The analysis identifies the water’s electrical conductivity (how well the water conducts electricity) as the most suitable indicator. The reason is that the main source of fecal contamination in the harbor is the Aarhus River, which discharges into the harbor and is affected by rain-driven overflows from combined sewers and discharges from wastewater treatment plants. Conductivity can therefore serve as a tracer for how much polluted freshwater from the river is present at the measurement site. Based on this, an exponential model was built to link bacterial concentration and conductivity, showing high precision. The precision is further improved in a new machine learning model that incorporates rainfall amounts and intensities. Beyond better predictions, the new model leads to a marked reduction in the number of days the bathing area must be closed. To complete the warning system, a monitoring station was developed to measure conductivity continuously. The station also addresses unwanted algal growth on the sensor by placing it in a chamber that can be emptied of water using compressed air.

[Dette resumé er genereret ved hjælp af AI]

IOT ; bathing water ; water quality ; sensor ; data

Download
Vis denne rapport i AAU Studenterprojekter