Skip to main content Skip to main nav

Onderzoek naar betere voorspelling en vaststellen van optimale ontwaterbaarheid van slib

Het doel van het project is om meer grip te krijgen op de ontwaterbaarheid van slib. In de praktijk varieert de ontwaterbaarheid, maar het is vaak niet duidelijk of dit komt door veranderingen in slibkwaliteit, of dat dit ligt aan een suboptimale bedrijfsvoering en/of keuze van het type polymeer voor slibontwatering. Dit project beoogt inzicht te geven in deze verbanden om zo de ontwaterbaarheid beter te kunnen voorspellen.

Hoe minder slib (ergo: hoe beter ontwaterd) er moet worden verwerkt, hoe lager de kosten van slibverwerking. Maar juist ontwatering van slib blijft een uitdaging voor de waterschappen. Bovendien kost de ontwatering veel energie en chemicaliën (polymeer/PE). Helaas is het resultaat van de ontwatering niet goed voorspelbaar en is het voor de waterschappen moeilijk om vast te stellen of zij het beste eindresultaat bereiken gegeven een bepaalde slibkwaliteit. Dit komt doordat er nu niet echt parameters gemeten worden aan het slib die een goede voorspelling geven voor het eindresultaat op praktijkschaal.

In eerder STOWA onderzoek (2024-23) is een eerste stap gezet om meer inzicht te krijgen welke meetbare parameters een voorspelling zouden kunnen geven van dit eindresultaat. In het kader van dit onderzoek is voor twee rioolwaterzuiveringen de ontwatering gevolgd door elk kwartaal slibmonsters te nemen en de ontwaterbaarheid vast te stellen. De gemeten parameters waren een combinatie van slibeigenschappen en ontwateringstesten. Dit onderzoek vormt de basis voor dit project. 

Het onderzoek liet zien dat er correlaties te leggen zijn, maar ook dat deze correlaties soms relatief zwak zijn. Enerzijds komt dit doordat de beschikbare datareeks nog vrij beperkt was (ca 7-8 meetpunten) maar ten minste even belangrijk is dat verschillende variabelen tegelijkertijd het resultaat kunnen beïnvloeden. Door de dataset uit te breiden en de analyse van de gegevens te combineren met multivariate data-analyse (wiskundige methode om meerdere correlaties tegelijk te evalueren) en machine learning/artificiële intelligentie hopen de onderzoekers in dit project veel meer informatie en een betere voorspelling van de mate van ontwatering te krijgen.

Met geavanceerde data-analyse kan bekeken worden of we beter kunnen begrijpen welke parameters een goede voorspelling geven van het ontwateringsresultaat. Uiteindelijk moet dit resulteren in een tool die op basis van enkele simpele metingen aan het slib een continue voorspelling kan geven van de best haalbare ontwaterbaarheid.