qmra-verktyget-detaljerad

Detaljerad beskrivning av QMRA-verktygets olika moduler

För en kortare översikt, se QMRA-verktyget

I den första modulen i QMRA-verktyget anger användaren vilka referenspatogener som ska ingå i modellen och i vilken halt de förekommer i råvattnet. Det finns åtta referenspatogener att välja på; Campylobacter, Salmonella, E.coli O157:H7, Rotavirus, Norovirus, Adenovirus, Cryptosporidium, Giardia. Valet av referenspatogener påverkas dels av uppfattningen om dominerande spridningskälla (faroanalysen), dels av vilka mätdata som finns att tillgå.

För valda referenspatogener ska sedan ”Typ av vatten” väljas: Råvatten, Behandlat avloppsvatten eller Obehandlat avloppsvatten. Väljs behandlat eller obehandlat avloppsvatten är det halten i avloppsutsläppet som ska anges. Även utspädningen fram till vattenverkets råvattenintag ska anges, vilket görs längst ner i modulen: Utspädningsfaktor fram till utsläppspunkt, och Utspädningsfaktor efter utsläppspunkt.

Nästa steg är att ange hur halten av respektive referenspatogen ska anges; som punktskattning eller fördelning. ”Punktskattning” innebär att halten anges som ett fast värde. ”Fördelning” innebär att halten anges som en statistisk fördelning. Det finns sex fördelningar att välja på; Beta, Poisson, Gamma, LogNormal, Triangular och Uniform. De förstnämnda fordrar att dina data är passade till en fördelning. Alternativet Triangular är praktiskt att använda om du känner till min-, median- och max-värde, medan alternativet Uniform förslagsvis kan väljas om du bara känner till min- och max-värde.

Halterna i enheten ”antal per liter” anges i respektive rutor för Punktskattning respektive Fördelning. I rutan ”Sannolikhetsfördelningens värden” knappar du in parametervärden för den valda fördelningen. Har du exempelvis valt en Gamma-fördelning är det två parametrar du ska ange: alfa-värdet anges i den första rutan, beta-värdet i den andra rutan. I detta fall finns ingen tredje parameter, så den rutan lämnas orörd. Har du istället valt en Triangel-fördelning är det tre parametrar du ska ange: min-värdet anges i den första rutan, troligaste värdet i den andra rutan, och max-värdet i den tredje rutan.

När mätdata finns tillgängliga för att karakterisera haltvariationen kan användaren knappa in parametervärden för en sannolikhetsfördelning som passats till provtagningsresultat. När data saknas helt, eller är kraftigt begränsade, kan det vara praktiskt att köra QMRA-verktyget för ett urval olika punktvärden, exempelvis den förväntade koncentrationen eller den maximala koncentration som kan uppstå under vissa utsläppshändelser i vattentäkten. Vattenverkets kapacitet under dessa specifika mikrobiella förhållanden kan på så vis utforskas. Alternativt kan koncentrationen 1 per liter användas som ett punktvärde för alla referenspatogener, om syftet är att förstå effekten av en viss beredningsprocess snarare än att fastställa infektionsrisken i det färdiga dricksvattnet. Tänk på att resultatet från din QMRA blir ett direkt resultat av vilka patogendata du knappat in för råvattnet och vilka olika beredningssteg du tagit med.

I brist på egna patogendata, kan resultat från liknande typer av råvattentäkter användas som ett första steg, se Stöd vid val av patogenhalter i råvattnet. Patogendata från sex olika ytvattenintag i Sverige med varierande mikrobiologiska förhållanden finns anpassade till Poisson- och Gamma-fördelningar och kan väljas i väntan på egna patogenprovtagningar av råvattnet. Dessa fördelningar bygger på provtagningar som Livsmedelsverket genomförde åren 2013-2015 och omfattar Campylobacter, Salmonella, STEC, Cryptosporidium och Giardia, men inte virus. Det finns även fördelningar för Cryptosporidium och Giardia i obehandlat och renat avloppsvatten som kan läggas in i modellen. Dessa data bygger på provtagningar som Folkhälsomyndigheten genomförde 2014. Data för avloppsvatten kräver att modellanvändaren kan ange en utspädningsfaktor från utloppspunkten fram till råvattenintaget, vilket kan fordra att en hydrodynamisk modellering har genomförts. Finns uppgift om utspädningsfaktor kan dessa data vara användbara för att visa på risken med spridning av parasiter från avloppsvatten, exempelvis från en bräddpunkt.

Om inga lokala patogenmätningar finns tillgängliga, kan modellanvändaren även använda en ”kvot-modell” som utvecklades i ovannämnda SVU-projekt. Med kvot-modellen kan en patogenhalt beräknas baserat på en given E. coli- koncentration och en hypotes om vilken utsläppskälla dessa E. coli kommer ifrån (avloppsvatten, gödsel eller strandnära betesdjur). Modellen är särskilt lämplig att använda om det finns en sådan hypotes, och om modellanvändaren har en uppfattning om vilka patogener som kan förekomma vid källan och i vilka halter.

För vidare läsning, förslag på arbetsgång och tabeller med parametrar att knappa in i råvattenmodulen, se denna sida: Stöd vid val av patogenhalter i råvattnet.

Denna modul innehåller en fördefinierad struktur för modellering av beredning bestående av fällning, sedimentering och snabbfiltrering (s.k. Konventionell rening).

För att denna modul ska ingå i modelleringen välj ”JA” på frågan om beredningssteget ska ingå i beredningsprocessen.

Här ska användaren definiera logreduktionen under tre olika driftförhållanden, för respektive referenspatogen som valts;

  • Bra fällning, bra filtrering
  • Bra fällning, dålig filtrering
  • Dålig fällning, bra filtrering

Logreduktionen kan antingen anges i form av förinställda standardvärden eller så kan egna värden användas. I både QMRA-verktygets desktop- och webversion är standardvärden valt som förval och respektive standardvärde står angivet under ”eget värde”. Detta är dock enbart tänkt som en information då rutan ”eget värde” bara tas med i modellen om ”Eget värde” valts i rullistan istället för Standardvärde.

Om användaren vill använda egna värden så väljs ”Eget värde” i rullistan, därefter anges värdet som antingen en punktskattning eller en sannolikhetsfördelning.

Logreduktionen kan antingen anges i form av förinställda standardvärden eller så kan egna värden användas. I både QMRA-verktygets desktop- och webversion är standardvärden valt som förval och respektive standardvärde står angivet under ”eget värde”. Detta är dock enbart tänkt som en information då rutan ”eget värde” bara tas med i modellen om ”Eget värde” valts i rullistan istället för Standardvärde.

Om användaren vill använda egna värden så väljs ”Eget värde” i rullistan, därefter anges värdet som antingen en punktskattning eller en sannolikhetsfördelning.

Konventionell rening fungerar effektivt under normala driftförhållanden, men bortfall i fällningsdosering och filtergenombrott kan inträffa. Denna typ av riskhändelser kan ha en betydande inverkan på hälsoriskerna och måste därför inkluderas i riskmodellen. Det går att ta hänsyn till två typer av händelser: Fällningsfel respektive Filtergenombrott.

Fällningsfel

När fällningen inte fungerar påverkas filtreringen starkt. Modellen kan simulera antingen slumpmässigt eller scenario-baserat fällningsfel. Detta beskrivs kortfattat nedan, för ytterligare förklaring se avsnittet Om genombrottshändelser.

  • Slumpmässig simulering

För slumpmässig simulering använder modellen sannolikheten för fel för att slumpmässigt simulera fällningsfel. Denna sannolikhet för fel kan uppskattas från den historiska frekvensen och varaktigheten av liknande händelser. Detta kan matas in i modellen som ”tid med försämrad fällning” och ”tidsperiod totalt”. Om lokala historiska data inte är tillgängliga används ett litteraturvärde från ett vattenverk i Göteborg (Westrell et al., 2003) som standardvärde. Välj ”Slumpmässig” som typ av tillförlitlighetsanalys.

  • Scenariosimulering

Funktionen hos fällningssteget kan simuleras för två typer av scenarier; Fungerande fällning eller Bortfall. Bortfall innebär att det inte sker någon dosering av fällningskemikalie, och fällningen fungerar därmed inte alls. Välj ”Scenario” som typ av tillförlitlighetsanalys.

Filtergenombrott

Händelser med filtergenombrott kan inträffa och kan påverka vattenkvaliteten avsevärt. På samma sätt som för fällning kan filtreringsfel tas hänsyn till, antingen slumpmässigt eller definierat som ett scenario.

  • Slumpmässig simulering

För slumpmässig simulering använder modellen sannolikheten för fel för att slumpmässigt simulera frekvensen av filtergenombrott – oberoende för varje parallellt filter. Denna sannolikhet kan uppskattas från den historiska frekvensen av genombrottshändelser. Denna historiska frekvens (för ett enstaka filter) kan matas in som ”tid med försämrad filtrering” och ”tidsperiod totalt”. Om lokala historiska data inte är tillgängliga används ett litteraturvärde från ett vattenverk i Göteborg (Westrell et al., 2003) som standardvärde. Välj ”Slumpmässig” som typ av tillförlitlighetsanalys.

  • Scenariosimulering

För simulering av scenarier kan antalet filter med genombrott anges direkt. Välj ”Scenario” för denna typ av tillförlitlighetsanalys.

Om du vill ignorera effekterna av dessa fel kan du göra en av två saker:

  1. Ställ in ”Typ av simulering” till ”Scenario” och definiera ”Fällningsstatus” som ”Fungerande” och ”Antal filter som inte fungerar” som 0; eller
  2. Ställ in ”Typ av simulering” till ”Slumpmässig” och definiera ”Sannolikhet för fällningsfel” till 0 och ”Sannolikhet för filterfel” till 0.

Referens:

Westrell, T., Bergstedt, O., Stenström, T. A. & Ashbolt, N. J. 2003. A theoretical approach to assess microbial risks due to failures in drinking water systems. International Journal of Environmental Health Research, 13, 181-97.

Standardvärden för fel i fällning och filtrering

Standardvärden för fällningsfel för varje fällningslinje har en oberoende sannolikhet för fel på 0,01, d.v.s. antas vara i fel-läge 1% av tiden (Westrell et al., 2003).

Standardvärden för filterfel för varje filter har en oberoende sannolikhet för fel på 0,01, d.v.s. antas vara i fel-läge 1% av tiden (Westrell et al., 2003).

Standardvärden för avskiljning

Ett stort antal studier har rapporterats i litteraturen där man utvärderat effekten av konventionell rening avseende patogenavskiljning. En detaljerad genomgång har gjorts av Hijnen och Medema (2007), och en sammanfattning av MEC (”mean elimination capacity”; ett vägt medelvärde av rapporterad log-reduktion från alla studier med hänsyn tagen till hur representativ studien är för fullskaleförhållanden) för konventionell rening ges i tabell 1. Eftersom storleken på den rapporterade avskiljningen är mycket varierande, och spänner över flera log-enheter, används MEC som standard för log-reduktion i modellen. Användaren kan om så önskas jämföra modellens resultat vid lägsta och högsta värde av det rapporterade intervallet genom att mata in dessa värden som ”eget värde”.

Tabell 1. MEC i fällning/filtrering och snabbfiltrering (konventionell rening) (Hijnen et al. 2007)

Organism Antal studier Medel Median: MEC (Log10) Intervall
Bakterier 7 2,1 (±0,8) 2,1 1,0-3,4
Virus 7 3,0 (± 1,4) 2,5 1,2-5,3
Cryptosporidium 15 3,2 (±1,3) 2,9 1,4-5,5
Giardia 8 3,4 (±0,9) 3,3 2,1-5,1

Kortvariga felhändelser i beredningssteget kan ha en betydande inverkan på risken. Utöver de standardvärden som listas ovan tas hänsyn till effekten av ett beredningsfel på den sammantagna avskiljningen i behandlingsprocessen. Två typer av fel används i modellen:

  1. Fällningsfel: funktionen för konventionell rening är mycket beroende av effekten i fällningen. Andra antaganden om log-reduktion används därför för att beskriva fällningsfel (se nedan).
  2. Filtergenombrott: genombrott av en patogen (eller surrogat-organism) har observerats över sandfilter och är mer sannolika i början och slutet av en filtercykel. En annan uppsättning antaganden används för att beskriv log-reduktion vid filtergenombrott.

Tabell 2. Standardvärden på log-reduktion under olika förhållanden vid konventionell rening.

Driftförhållanden Bakterier Virus Cryptosporidium Giardia
Optimal funktion 2,1 3,0 3,2 3,4
Bra fällning, dålig filtreringa 1 1,2 1,4 2,1
Dålig fällning, bra filtreringb 1 0 1,4 2,1
Dålig fällning, dålig filtreringc 0 0 0 0

a Vald som nedre gräns av intervallet i rapporterad litteratur. b Vald som nedre gräns av intervallet i rapporterad litteratur förutom virus som inte antas ha någon avskiljning när fällningen är dålig. c Ingen avskiljning.

Referens: Hijnen, W. A. and Medema, G. (2007). Elimination of microorganisms by Water treatment processes, KWR Watercycle Research Institute.

Resultatet för denna modul kan visas på flera sätt;

  • Logreduktion för konventionell rening
  • Patogenhalt efter konventionell rening
  • Logreduktion per fällningslinje

Resultat för Logreduktion presenteras i verktyget som ett troligaste värde, ett ”Mid-value”. Som namnet antyder ger inte troligaste värdet en fullständig representation av sannolikhetsfördelningen. Eftersom ”Mid-value” ibland kan ge intrycket att förändringar i olika parametrar inte gör någon skillnad, kan det vara bra att även studera sannolikhetsintervall (Probability bands) och medelvärdet (mean) för att få en bättre uppfattning om vad resultatet innebär.

Denna modul innehåller en fördefinierad struktur för modellering av långsamfiltrering.

För att denna modul ska ingå i modelleringen välj ”JA” på frågan om beredningssteget ska ingå i beredningsprocessen

Här ska användaren definiera logreduktionen vid normaldrift för respektive referenspatogen som valts.

Logreduktionen kan antingen anges i form av förinställda standardvärden eller så kan egna värden användas. I både QMRA-verktygets desktop- och webversion är standardvärden valt som förval och respektive standardvärde står angivet under ”eget värde”. Detta är dock enbart tänkt som en information då rutan ”eget värde” bara tas med i modellen om ”Eget värde” valts i rullistan istället för Standardvärde.

Om användaren vill använda egna värden så väljs ”Eget värde” i rullistan, därefter anges värdet som antingen en punktskattning eller en sannolikhetsfördelning.

Med modellen går det att undersöka effekten av genombrott på långsamfiltren, men det finns en brist på kvantitativa data att basera standardvärden på för filtergenombrott. I den nuvarande modellversionen har som standard valts sannolikheten noll för att filtergenombrott ska inträffa, d.v.s att filtergenombrott inte antas ske. Därför måste användaren definiera denna sannolikhet, eller använda alternativet ”Scenario” för att simulera effekterna av filtergenombrott. Se fördjupad beskrivning i avsnittet Om genombrottshändelser.

Standardvärde för filtergenombrott

Vid genombrottshändelser antas patogenavskiljningen vara noll, vilket innebär att koncentrationen av patogener ut från filtret blir detsamma som koncentrationen in till filtret. I de fall driftstatistik på sannolikheten för filtergenombrott finns tillgängligt rekommenderas att standardvärdena ersätts med sådana data.

Standardvärden för avskiljning

Långsamfiltrering innebär att vatten i kraft av gravitationen passerar genom ett sandfilter med mycket låg filtreringshastighet. De primära mekanismerna för avskiljning av mikroorganismer tros vara silningseffekten, inbindning till sandmaterialet samt att olika mikroorganismer konkurrerar ut varandra. Hijnen & Medema (2007) granskade de avskiljningsgrader av patogener som rapporterats i litteraturen, och MEC (mean elimination capacity) för granskade studier sammanfattas i tabell 1. Standardantaganden i modellen anges i tabell 2.

Användaren kan om så önskas jämföra modellens resultat vid lägsta och högsta värde av det rapporterade intervallet genom att mata in dessa värden som ”eget värde”.

Tabell 1. MEC av långsam sandfiltrering (Hijnen & Medema 2007)

Organism  Antal studier Medel MEC (log10), median Intervall
Bakterier 9 2,7 (±1,1) 2,4 1.2-4.8
Virus 10 2,2 (±1,1) 2,1 0,6-4,0
Cryptosporidium  5 4,8 (±1,3) eb* 2,7→ 6,5
Giardia 3 4,9 (±1,0) eb * 4,0-6,0

*eb: ej beräknat

Tabell 2. Standardantaganden i modellen, Log10-reduktion.

Driftförhållande  Bakterier Virus Cryptosporidium Giardia
Optimal funktiona 2,4 2,1 4,8 4,9
Filtergenombrottb 0 0 0 0

a utvald som MEC för bakterier och virus och genomsnittet för Cryptosporidium och Giardia

b Ingen reduktion.

Resultatet för denna modul kan visas på flera sätt;

  • Logreduktion för långsamfilter
  • Patogenhalt efter långsamfilter

Resultat för Logreduktion presenteras i verktyget som ett troligaste värde, ett ”Mid-value”. Som namnet antyder ger inte troligaste värdet en fullständig representation av sannolikhetsfördelningen. Eftersom ”Mid-value” ibland kan ge intrycket att förändringar i olika parametrar inte gör någon skillnad, kan det vara bra att även studera sannolikhetsintervall (Probability bands) och medelvärdet (mean) för att få en bättre uppfattning om vad resultatet innebär.

Referens: 

Hijnen, W. A. and Medema, G. (2007). Elmination of micro-organisms by water teratment processes, KWR Watercycle Research Institute.

Denna modul innehåller en fördefinierad struktur för modellering av membranfiltrering.

För att denna modul ska ingå i modelleringen välj ”JA” på frågan om beredningssteget ska ingå i beredningsprocessen.

Första steget i denna modul är att ange den nominella porstorleken för aktuella membran samt vilken metod som används för integritetstest.

Det finns tre intervall att välja mellan för den nominella porstorleken; 10 – 40nm, 40 – 100nm eller 100 – 1000nm.

För metod för integritetstest finns tre val; Ingen, Partikelräkning/lufttryckstest eller Partikelräkning/lufttryckstest och VLP-reduktionstest vid 20-30 nm.

Därefter ska användaren definiera logavskiljningen av patogener över membranfiltren.

Logreduktionen kan antingen anges i form av förinställda standardvärden eller så kan egna värden användas. I både QMRA-verktygets desktop- och webversion är standardvärden valt som förval, och baseras på angiven nominell porstorlek och metod för integritetstest. Genom att klicka på den röda rutan ”Standardantaganden för membranfiltrering” visas dessa standardvärden och vad de baseras på.

Om användaren vill använda egna värden så väljs ”Eget värde” i rullistan, därefter anges värdet som antingen en punktskattning eller en sannolikhetsfördelning.

Medan membranfiltrering fungerar effektivt under normala driftförhållanden, kan felhändelser såsom filtergenombrott inträffa. Dessa kan ha en betydande inverkan på hälsoriskerna och måste därför inkluderas i riskmodellen.

Användaren anger antalet parallella membranfilterlinjer.

Felhändelser kan tas hänsyn till antingen slumpmässigt eller definierat som ett scenario.

a) Slumpmässig simulering För slumpmässig simulering använder modellen sannolikheten för fel för att slumpmässigt simulera frekvensen av felhändelser – oberoende för varje parallell membranfilterlinje. Denna sannolikhet kan uppskattas från den historiska frekvensen av genombrottshändelser.

Till användarens stöd finns en Kalkylator för att fastställa felhändelser utifrån historiska data. I kalkylatorn kan den historiska frekvensen (för ett enstaka UV-aggregat) matas in som ”Tid med otillräcklig rening” och ”Total tidsperiod med driftstatistik”.

Välj ”Slumpmässig” som ”Typ av simulering”.

b) Scenariosimulering För simulering av scenarier kan antalet membranfilterlinjer som inte fungerar anges direkt. Välj ”Scenario” som ”Typ av simulering”.

Barriäreffektiviteten hos en membrananläggning med lågt tryck antas vara beroende av den nominella porstorleken och omfattningen av den integritetskontroll som tillämpas.

För standardiserade integritetskontroller i mikrometerområdet finns offline- eller online-metoder tillgängliga för att verifiera avskiljningen av partiklar av samma storlek som bakterier och protozoer. Tryckluftstester eller partikelräkning implementeras i de flesta UF-anläggningar (test i µm-intervallet).

För att kvantifiera avlägsnandet av partiklar i virusstorlek (ner till 20 nm) kan analysen av virusliknande partiklar (VLP) användas som en relativt enkel metod som i Sverige finns anpassad för ändamålet (Heinicke et al. 2011).

Tabell 1 anger standard-värden för log-avskiljning vid mikrofiltrering (MF), ultrafiltrering (UF) och nanofiltrering (NF). Om endast vanligt integritetstest i µm-intervallet eller online-övervakning tillämpas, bör ingen eller endast minimal virusreduktion antas. Virusreduktion kan ställas in som eget värde i QMRA-modellen, baserat på verifiering i VLP-analys upp till maximalt 4-log eller baserat på fagförsök som membrantillverkaren genomfört (exempelvis 6-log). Samma log-reduktion kan då även antas för bakterier och protozoer.

Tabell 1. Log-reduktion av bakterier (b), virus (v) och protozoer (p) som används som standardvärden i QMRA verktyget. En avskiljning på >4 log kan tillämpas om det kan verifieras genom integritetstest.

Membran Porstorleka Integritetskontroll Log10-avskiljning
MF 100-1000 Nm µm-intervalletb 2b + 0v + 2p
UF/NF 40-100 Nm µm-intervallet 4b + 0v + 4p
nm-intervalletc 4b + 4v + 4p
UF/NF 10-40 nm µm-intervallet 4b + 2v + 4p
nm-intervallet 4b + 4v + 4p

a Nominell porstorlek

b On-line (t. ex. partikelräkning) eller frekvent offline-mätning (Ex. dagligt tryckluftstest).

c µm-intervallstest samt frekvent (minst 1/vecka) kvantifiering av log-reduktionen genom VLP eller motsvarande metod i storleksintervallet 20-30 nm.

Resultatet för denna modul kan visas på flera sätt;

  • Logreduktion för membranfiltrering
  • Patogenhalt efter membranfiltrering

Resultat för Logreduktion presenteras i verktyget som ett troligaste värde, ett ”Mid-value”. Som namnet antyder ger inte troligaste värdet en fullständig representation av sannolikhetsfördelningen. Eftersom ”Mid-value” ibland kan ge intrycket att förändringar i olika parametrar inte gör någon skillnad, kan det vara bra att även studera sannolikhetsintervall (Probability bands) och medelvärdet (mean) för att få en bättre uppfattning om vad resultatet innebär.

Referens:

Heinicke, G., Lindstedt, C., Viklund, P., Almqvist, H. & Bergstedt, O. 2011. Upphandling av ultrafilter – en handbok för vattenverken. Svenskt Vatten Utveckling rapport nr. 2011-05. Stockholm: Svenskt Vatten. Tillgänglig: http://vav.griffel.net/vav.htm (2019-03-28).

Denna modul innehåller en fördefinierad struktur för modellering av desinfektion med UV-ljus.

För att denna modul ska ingå i modelleringen välj ”JA” på frågan om beredningssteget ska ingå i beredningsprocessen.

För att denna modul ska ingå i modelleringen välj ”JA” på frågan om beredningssteget ska ingå i beredningsprocessen.

I denna modul behöver användaren enbart ange UV-dosen. Dosen anges i J/m2.

Vissa aggregat har dosen angiven i mJ/cm2. Detta kan konverteras till J/m2 genom följande samband: 1 mJ/cm2 = 10 J/m2

Exempel: 40 mJ/cm2 = 400 J/m2

Här bör vi ha med ett avsnitt som resonerar kring osäkerheter i angiven UV-dos, ex vilken typ av aggregat man har, hur säker man är på att man uppnår angiven dos (certifierat aggregat, flödesmätning, intensitetsmätning, m.m.), etc, etc.

Medan desinfektion med UV-ljus fungerar effektivt under normala driftförhållanden, kan felhändelser inträffa. Dessa kan ha en betydande inverkan på hälsoriskerna och måste därför inkluderas i riskmodellen.

Användaren anger antalet parallella UV-aggregat.

Felhändelser kan tas hänsyn till antingen slumpmässigt eller definierat som ett scenario.

a) Slumpmässig simulering För slumpmässig simulering använder modellen sannolikheten för fel för att slumpmässigt simulera frekvensen av felhändelser – oberoende för varje parallellt UV-aggregat. Denna sannolikhet kan antingen anges med ett förinställt standardvärde eller uppskattas från den historiska frekvensen av felhändelser.

Till användarens stöd finns en Kalkylator för att fastställa felhändelser utifrån historiska data. I kalkylatorn kan den historiska frekvensen (för ett enstaka UV-aggregat) matas in som ”Tid med otillräcklig rening” och ”Total tidsperiod med driftstatistik”.

Välj ”Slumpmässig” som ”Typ av simulering”.

b) Scenariosimulering För simulering av scenarier kan antalet membranfilterlinjer som inte fungerar anges direkt.

Välj ”Scenario” som ”Typ av simulering”.

Effekten av fel i UV-aggregatet på den totala patogenkoncentrationen och därmed risken, modelleras genom att man antar att log-reduktionen är noll under den tid som ett UV-aggregat inte fungerar. Dessa felhändelser kan modelleras ”slumpmässigt” vilket innebär att sannolikheten för fel i UV-aggregatet uppskattas baserat på tidigare frekvens och varaktighet av felhändelser. Dessa händelser modelleras sedan stokastiskt inom Monte Carlo simuleringen. Alternativt kan händelserna utformas som scenarier, där antalet UV-aggregat med fel kan anges av användaren, och den resulterande patogenkoncentrationen och infektionsrisken modelleras.

Om ingenting anges, så antas UV-aggregaten vara i drift med full funktion hela tiden.

Resultatet för denna modul kan visas på flera sätt;

  • Logreduktion för UV
  • Logreduktion per UV-aggregat
  • Patogenhalt efter UV

Resultat för Logreduktion presenteras i verktyget som ett troligaste värde, ett ”Mid-value”. Som namnet antyder ger inte troligaste värdet en fullständig representation av sannolikhetsfördelningen. Eftersom ”Mid-value” ibland kan ge intrycket att förändringar i olika parametrar inte gör någon skillnad, kan det vara bra att även studera sannolikhetsintervall (Probability bands) och medelvärdet (mean) för att få en bättre uppfattning om vad resultatet innebär.

Denna modul innehåller en fördefinierad struktur för modellering av desinfektion med fritt klor.

För att denna modul ska ingå i modelleringen välj ”JA” på frågan om beredningssteget ska ingå i beredningsprocessen.

För kvantifiering av inaktiveringen av patogener vid tillsats av fritt klor krävs information avseende koncentrationen av fritt klor samt uppehållstiden i kontakttanken. Först definieras eller beräknas koncentrationen av fritt klor och hur denna klingar av över tiden. Därefter bestäms uppehållstiden i kontakttanken och dess variation, utifrån kontakttankens beskaffenhet. Produkten av klorkoncentration och uppehållstid, det så kallade Ct-värdet, kombineras sedan med litteraturdata som anger relationen mellan Ct-värde och log-reduktion för de olika typerna av patogener. På så vis kan en log-reduktion beräknas för de referenspatogener som finns i QMRA-verktyget, med hänsyn taget till naturlig variation och osäkerhet.

Det kan vara värt att förtydliga för användaren att det är fritt klor som ska användas i beräkningarna. På många vattenverk mäts dock s.k. totalt kloröverskott, vilket innefattar både fritt klor och fritt bundet klor. I det senare fallet är kloret bundet till organiska ämnen (humusämnen, m.m.) eller oorganiska ämnen (i regel ammonium). Fritt klor har betydligt större desinfektionseffekt än bundet klor.

Bestämma initialkoncentration, nedbrytningshastighet och slutkoncentration

Beroende på vilken indata som användaren har tillgång till kan beräkningarna utföras på olika sätt.

Om egna mätningar saknas så kan vattnets innehåll av TOC (totalt organiskt kol) och doseringskoncentrationen av fritt klor användas för att empiriskt beräkna initialkoncentration och nedbrytningshastighet.

Finns egna mätningar kan detta användas genom att antingen ange initial- och slutkoncentration eller initialkoncentration och nedbrytningshastighet.

Användaren kan således välja mellan tre olika sätt att bestämma initialkoncentration och nedbrytningshastighet:

  • Empiriskt bestämma initialkoncentration och nedbrytningshastighet
  • Manuellt ange initial- och slutkoncentration
  • Manuellt ange initialkoncentration och nedbrytningshastighet

Bestämma slutkoncentrationen av fritt klor

I nästa steg ska koncentrationen av fritt klor i den punkt där dricksvatten når den första konsumenten bestämmas (slutkoncentrationen). Denna punkt är ofta i själva vattenverket och kan då väljas som den punkt där dricksvattnet tas från lågreservoaren. I fall där första konsumenten finns en bit bort från vattenverken väljs denna punkt, och således kan även uppehållstiden i ledningsnätet tas med.

Om slutkoncentrationen är känd så väljer användaren alternativet ” Från uppmätt slutkoncentration fritt klor” och klickar på ”Calc”.

I de fall slutkoncentrationen inte är känd väljs alternativet ” Från initialkoncentration, nedbrytningshastighet och tid”. Här fastställs slutkoncentrationen genom att ange uppehållstiden i kontakktanken (ex lågreservoaren), dvs den tid under vilken det fria kloret är i kontakt med vattnet. Den uppehållstid som ska anges är den s.k. genomsnittliga tiden, vilken definieras som:

Observera att tiden ska anges i minuter.

Metod för att bestämma antal CSTR

För att beskriva om blandningsförhållanden i kontakttanken används måttet CSTR. Detta är en förkortning av Continuously Stirred Tank Reactors och förklaras närmare på följande sida, där det även ges förslag på hur detta ska väljas: Om desinfektion

I modulen finns två sätt att definiera CSTR, antingen genom att ange vad som är känt avseende blandningsförhållanden och antalet kammare i serie (CSTR väljs enligt Tabell 1), eller manuellt. Baserat på vilket antal CSTR som väljs beräknas sedan uppehållstiden i form av en sannolikhetsfördelning.

Definiera pH och temperatur

I beräkningarna för inaktiveraseffekten för Giardia ingår dricksvattnets pH och temperatur. I rullistorna kan användaren välja mellan ett antal fördefinierade värden på pH och temperatur. Om egna mätdata ligger mellan två valbara värden rekommenderas att det högre pH-värdet respektive lägre temperaturvärdet väljs. Detta då kloreringseffekten minskar med högre pH och lägre temperatur.

Justera känsligheten för fritt klor (överkurs)

Här finns möjlighet för användaren att justera hur modellen ska beräkna patogeners känslighet för fritt klor. Detta är att anse som överkurs för de flesta användare och rekommendationen är att välja följande inställning:

Säkerhetsfaktor för att ta hänsyn till avskärmning = 3 Tillåt projektioner bortom mätbart intervall? = Nej

Resultatet för denna modul kan visas på flera sätt;

  • Logreduktion för klorering (mid)
  • Patogenhalt efter klorering (antal/l)
  • Logreduktion av klor (Percentiler)
  • Total genomsnittlig Logreduktion (mid)

Resultat för ”Logreduktion för klorering” presenteras i verktyget som ”Mid-value”, ett troligaste värde, för de referenspatogener som användaren valt ska ingå i modellen. Det troligaste värdet ger inte en fullständig representation av sannolikhetsfördelningen. Genom att välja ”Logreduktion av klor” erhålls en presentation av samtliga i verktyget ingående referenspatogener, där resultatet visas som olika sannolikhetsintervall (Probability bands) vilket ger en bättre uppfattning om vad resultatet innebär.

Resultat för ”Total genomsnittlig Logreduktion” visar även den samtliga i verktyget ingående referenspatogener, men i form av ”Mid-value”.

Denna modul innehåller en fördefinierad struktur för modellering av desinfektion med ozon.

För att denna modul ska ingå i modelleringen välj ”JA” på frågan om beredningssteget ska ingå i beredningsprocessen.

För kvantifiering av inaktiveringen av patogener vid tillsats av ozon krävs information avseende koncentrationen av ozon samt uppehållstiden i kontakttanken. Först definieras eller beräknas koncentrationen av ozon och hur denna klingar av över tiden. Därefter bestäms uppehållstiden i kontakttanken och dess variation, utifrån kontakttankens beskaffenhet. Produkten av ozonkoncentration och uppehållstid, det så kallade Ct-värdet, kombineras sedan med litteraturdata som anger relationen mellan Ct-värde och log-reduktion för de olika typerna av patogener. På så vis kan en log-reduktion beräknas för de referenspatogener som finns i QMRA-verktyget, med hänsyn taget till naturlig variation och osäkerhet.

Bestämma nedbrytningshastighet och slutkoncentration

Beroende på vilken indata som användaren har tillgång till kan beräkningarna utföras på olika sätt.

För bestämning av nedbrytningshastighet och slutkoncentration finns fyra parametrar som behövs för beräkningarna:

  • Initialkoncentration av ozon
  • Nedbrytningshastighet för ozon
  • Slutkoncentration av ozon
  • Genomsnittlig uppehållstid i kontakttanken

Användaren kan välja mellan tre olika sätt att bestämma nedbrytningshastighet:

  • Ange nedbrytningshastighet
  • Bestäm från initial- och slutkoncentration
  • Okänd initialkoncentration och nedbrytningshastighet

Slutkoncentrationen av ozon kan bestämmas på två olika sätt:

  • Från initialkoncentration, nedbrytningshastighet och tid
  • Ange enbart slutkoncentration

Välj metod för att definiera antal CSTR

För att beskriva om blandningsförhållanden i kontakttanken används måttet CSTR. Detta är en förkortning av Continuously Stirred Tank Reactors och förklaras närmare på följande sida, där det även ges förslag på hur detta ska väljas: Om desinfektion

I modulen finns två sätt att definiera CSTR, antingen genom att ange vad som är känt avseende blandningsförhållanden och antalet kammare i serie (CSTR väljs enligt Tabell 1), eller manuellt. Baserat på vilket antal CSTR som väljs beräknas sedan uppehållstiden i form av en sannolikhetsfördelning.

Resultatet för denna modul kan visas på flera sätt;

  • Logreduktion för ozon (mid)
  • Patogenhalt efter ozonering (antal/l)
  • Referenspatogeners känslighet för ozon (mid)
  • Total genomsnittlig Logreduktion (mid)

Resultat för ”Logreduktion för ozon” presenteras i verktyget som ett troligaste värde, ett ”Mid-value”, för de referenspatogener som användaren valt ska ingå i modellen. Som namnet antyder ger inte troligaste värdet en fullständig representation av sannolikhetsfördelningen. Eftersom ”Mid-value” ibland kan ge intrycket att förändringar i olika parametrar inte gör någon skillnad, kan det vara bra att även studera sannolikhetsintervall (Probability bands) och medelvärdet (mean) för att få en bättre uppfattning om vad resultatet innebär.

Genom att välja ”Referenspatogeners känslighet för ozon” erhålls en presentation av samtliga i verktyget ingående referenspatogener, där resultatet visas som xxxxxxxx.

Resultat för ”Total genomsnittlig Logreduktion” visar även den samtliga i verktyget ingående referenspatogener, men i form av ”Mid-value” för den totala genomsnittliga logreduktionen. Detta ska tolkas som……….

I verktyget finns möjlighet för användaren att själv definiera barriärer. Dessa barriärer kallas Tilläggsbarriärer och kan nyttjas för att beskriva antingen en avskiljande eller inaktiverande barriär. Det finns tre tilläggsbarriärer.

För att en tilläggsbarriär ska ingå i modelleringen välj ”JA” på frågan om tilläggsbarriären ska ingå i beredningsprocessen.

Om egna data över avskiljningsförmågan saknas rekommenderas att litteraturdata från Microrisk används. Där finns bl.a litteraturdata för direktfiltrering, kolfilter och snabbsandfilter. I verktyget kan dessa data anges som punktvärden eller sannolikhetsfördelningar. Som sannolikhetsfördelning rekommenderas triangulärfördelning (Triangular) med följande parametervärden från Microrisk:

Min = Längsta värdet i spannet som anges under rubriken Range

Troligaste värde = Värdet för MEC

Max = Högsta värdet i spannet som anges under rubriken Range

Simulering av förändrad barriärfunktion kan göras antingen som Scenario eller Slumpmässig.

Användaren anges antal parallella beredningslinjer för den aktuella barriären.

För simulering med Scenario ska användaren ange antal beredningslinjer som inte fungerar.

För simulering av slumpmässiga fel ska användaren ange sannolikheten för fel på en beredningslinje.

Med exponeringen menas hur mycket patogener en person får i sig, vilket här beror på hur mycket vatten personen konsumerar per dag. Här är det fråga om obehandlat dricksvatten, då te och kaffe etc. värms upp till temperaturer som avdödar patogener. I denna modul anger användaren hur konsumtionsvolymen ska definieras.

Konsumtionsvolymen kan anges antingen som egna värden utifrån lokala uppgifter eller så nyttjas en av de två studier som finns fördefinierade i verktyget (Säve-Söderbergh et al 20017 eller Westrell et al 2006). Om egna värden saknas, rekommenderas att använda studien av Säve-Söderbergh et al 2017. Detta är en större studie av vattenkonsumtion som genomfördes kopplat till ett forskningsprojekt vid Livsmedelsverket (även kallad Ale-studien).

Introduktionstext som beskriver modulen

I denna modul visas resultaten av genomförd modellering.

Kortare text om dos och respons

Text

Kortare text om årlig respektive daglig infektionsrisk.

Text om hur resultaten kan och bör presenteras samt hur de bör tolkas

Kortare text om DALY.

Text om hur resultaten kan och bör presenteras samt hur de bör tolkas.

  • qmra-verktyget-detaljerad.txt
  • Senast uppdaterad: 2020/12/18 16:08
  • av johan