De afvalwaterzuiveringssector heeft een grote impact op het watermilieu door te voorkomen dat verontreinigende stoffen binnenkomen. RWZI's zijn echter complexe systemen. De exploitant dient tegelijkertijd de stabiliteit van de installatie te waarborgen, ervoor te zorgen dat aan de effluentnormen wordt voldaan en de operationele kosten zo laag mogelijk te houden. Helaas wordt vaak alleen de eerste doelstelling (stabiliteit) in de praktijk bereikt. Er is dus voldoende ruimte voor verbetering van de operationele controlestrategie. We hebben de volgende verbeterpunten geïdentificeerd. De installatie moet als een geheel worden beschouwd door implementatie van 1) een fabrieksbrede controlestrategie die 2) alle beschikbare gegevens gebruikt. 3) Temporele trends moeten in aanmerking worden genomen en 4) de controlestrategie moet zich voortdurend aanpassen aan veranderingen in het proces. Door deze overwegingen in aanmerking te nemen, kunnen de operationele prestaties van afvalwaterzuiveringsinstallaties worden verbeterd.

We stellen het gebruik van Deep Reinforcement Learning (RL) voor als een alternatieve controlestrategie. Deep RL is een machine-leertechniek die automatisch leert om optimale acties te ondernemen door herhaalde interactie met de afvalwaterzuiveringsinstallatie. Bovendien voldoet Deep RL aan alle vier bovengenoemde verbeteringsgebieden. In dit voorgestelde onderzoeksproject zullen we de prestaties van Deep RL als controlestrategie in theoretische en reële waterzuiveringsinstallaties onderzoeken en uiteindelijk een volledige implementatie uitvoeren.