rapport

VA - Forsk rapport Nr 2006-14
Beräkning av partikulär
föroreningstransport från
flödesdata on-line i
avloppsledningar
Gilbert Svensson
Claes Hernebring
VA-Forsk

VA-Forsk
VA-Forsk är kommunernas eget FoU-program om kommunal VA-teknik. Programmet finansieras i sin
helhet av kommunerna, vilket är unikt på så sätt att statliga medel tidigare alltid använts för denna typ
av verksamhet. FoU-avgiften är för närvarande 1,05 kronor per kommuninnevånare och år. Avgiften är
obligatorisk. Nästan alla kommuner är med i programmet, vilket innebär att budgeten årligen omfattar
drygt åtta miljoner kronor.
VA-Forsk initierades gemensamt av Svenska Kommunförbundet och Svenskt Vatten. Verksamheten
påbörjades år 1990. Programmet lägger tonvikten på tillämpad forskning och utveckling inom det
kommunala VA-området. Projekt bedrivs inom hela det VA-tekniska fältet under huvudrubrikerna:
Dricksvatten
Ledningsnät
Avloppsvattenrening
Ekonomi och organisation
Utbildning och information
VA-Forsk styrs av en kommitté, som utses av styrelsen för Svenskt Vatten AB. För närvarande har
kommittén följande sammansättning:
Anders Lago, ordförande
Olof Bergstedt
Roger Bergström
Daniel Hellström
Stefan Marklund
Mikael Medelberg
Anders Moritz
Peter Stahre
Jan Söderström
Göran Tägtström
Agneta Åkerberg
Steinar Nybruket, adjungerad
Thomas Hellström, sekreterare
Södertälje
Göteborgs VA-verk
Svenskt Vatten AB
Stockholm Vatten AB
Luleå
Roslagsvatten AB
Linköping
VA-verket Malmö
Sv Kommunförbundet
Borlänge
Falkenberg
NORVAR, Norge
Svenskt Vatten AB
Författarna är ensamma ansvariga för rapportens innehåll, varför detta ej kan
åberopas såsom representerande Svenskt Vattens ståndpunkt.
VA-Forsk
Svenskt Vatten AB
Box 47607
117 94 Stockholm
Tfn 08-506 002 00
Fax 08-506 002 10
svensktvatten@svensktvatten.se
www.svensktvatten.se

VA-Forsk Bibliografiska uppgifter för nr 2006-14
Rapportens titel:
Title of the report:
Beräkning av partikulär föroreningstransport från flödesdata on-line i avloppsledningar
Estimation of particulate concentrations from on-line measurements in sewers
Rapportens beteckning
Nr i VA-Forsk-serien: 2006-14
Författare:
Gilbert Svensson, Vatten Miljö Teknik, inst. för Samhällsbyggnadsteknik,
Chalmers tekniska högskola; Claes Hernebring, DHI Water & Environment
VA-Forsk-projektnr: 97-143
Projektets namn:
Projektets finansiering:
Användning av information från flödesmätningar för on-line beräkning av
partikulär föroreningstransport i avloppsledningar
VA-Forsk, DHI Water & Environment
Rapportens omfattning
Sidantal: 33
Format:
A4
Sökord:
Keywords:
Avlopp, flödesmätning, hastighetsmätning, partikelhaltsmätning, korrelation,
doppler
Waste water, flow measurements, velocity measurements, particle concentrations,
correlation, doppler
Sammandrag: Mätningar har utförts i Halmstad, Sundsvall och Borås under 1997 och 1998.
Laboratorieundersökningarna utfördes i en befintlig anläggning vid Chalmers
tekniska högskola. Metoden att använda energispektrumet som erhålls från
hastighetsmätaren för att beräkna partikelhalten har inte entydigt visats vara
framgångsrik.
Abstract: The field observations were made in Halmstad, Sundsvall and Borås in 1997
and 1998. The laboratory study was carried out at Chalmers University of
Technology in a laboratory set-up. The method of using the energy spectra
from the velocity measurement to estimate the particle concentration was
not fully successful.
Målgrupper:
Omslagsbild:
Rapporten beställs från:
Instrumentutvecklare, kommuner, konsulter, forskare
Mätningar i avloppsledning i Druveforsvägen, Borås. Foto Claes Hernebring
Finns att hämta hem som pdf-fil från Svenskt Vattens hemsida
www.svensktvatten.se
Utgivningsår: 2006
Utgivare:
Svenskt Vatten AB
© Svenskt Vatten AB
Grafisk formgivning: Victoria Björk, Svenskt Vatten

Förord
Denna rapport är resultatet av ett försök att utnyttja den information som samlas
in vid flödesmätningar i avloppsnät till att även beskriva föroreningstransporten i
avloppsledningen. Arbetet har utförts med standardutrustning för flödesmätning,
en s.k. ADS-mätare som mäter både nivå och hastighet i ett tvärsnitt av ledningen.
Fältmätningarna har utförts i kommuner som utfört flödesmätningar
och som välvilligt ställt upp för att testa metoden tillsammans med DHI Water
& Environment och CTH. DHI Danmark har bistått med kunskap om tolkning
av mätsignaler, som finns beskrivet i Bilaga A.
Göteborg 2006
Gilbert Svensson och Claes Hernebring

Innehåll
Förord . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Sammanfattning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1 Bakgrund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Metodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1 ADS-mätare – funktion, data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Susphaltsmätare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
3 Observationer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1 Halmstad/Q1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
3.2 Sundsvall/Maritim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
3.3 Borås/Druveforsvägen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
3.4 Laboratoriemätningar CTH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
4 Slutsatser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Referenser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Bilagor – dataanalys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Bilaga A: Halmstad, Sundsvall – (DHI_DK-rapport) . . . . . . . . . . . . . . . . . . . 23
A.1 Aim of the study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
A.2 Existing knowledge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
A.3 Data basis for new analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
A.4 Artificial neural networking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
A.5 Genetic programming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .26
A.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30
A.7 Literature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
Bilaga B: Exempel på spektruminformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

Sammanfattning
Projektet handlar om att utnyttja information från flödesmätningar av annat slag
än vad som är brukligt: hastighet, nivå och flöde. Föremålet för studien är avloppsvattnets
innehåll av partikulära föroreningar och de slutsatser man kan dra
om dessa utifrån de reflekterade energispektra som erhålls som en bieffekt vid
flödesmätningen. Underlag för studien har hämtats dels från flödesmätare installerade
i ledningsnät där kunskap om avloppsvattnets sammansättning uppnåtts
genom samtidiga provtagningar, dels vid laboratorieförsök som utförts för att
försöka dra generella slutsatser.
Den använda typen av mätare, ADS, möjliggör insamling av data från det
reflekterade energispektrumet som används för att bestämma vattnets hastighet.
Det har vid jämförelse med analyserade prov framkommit att det finns en relation
mellan vattnets innehåll av suspenderat material och egenskaper hos reflekterad
energi.
Mätningar har utförts i Halmstad, Sundsvall och Borås under 1997 och 1998.
Laboratorieundersökningarna utfördes i en befintlig anläggning vid Chalmers
tekniska högskola. Fältmätningarna har skett i stora avloppsledningar med en
diameter på mer än 1 meter medan laboratoriestudien avsåg en ledning med diametern
0,225 mm.
Metoden att använda energispektrumet som erhålls från hastighetsmätaren för
att beräkna partikelhalten har inte entydigt visats vara framgångsrik. Korrelationen
mellan mätsignalen och partikelhalten har visat sig vara platsspecifik, troligen
beroende på störningar från omgivningen. Genom en kalibrering för varje mätplats
erhålls dock en acceptabel noggrannhet i bestämningen av partikelhalten.
Med en portabel partikelhaltsmätare kopplad till flödesmätaren skulle den erforderliga
kalibreringen kunna utföras i början av mätperioden och partikelhalten
kunna bestämmas från det registrerade energispektrumet.

Summary
This project has dealt with measurements of other signals than velocity, level and
flow in connection with flow measurements in sewers. The object of this study is
the particle content in waste water and the conclusions that may be drawn from
the energy spectra that is a bi- product from the velocity measurements. The basis
for the study is observations from sewers of velocities and particulate transport.
A laboratory study was also conducted to generalize the findings.
The used instrument was an ADS flow measurement device that made it possible
to register not only the level and velocity signals but also the energy spectra. The
energy spectra is used to derive the velocity and it has been shown in other studies
that there is a clear correlation between the recorded energy and the particle
concentration in the water.
The field observations were made in Halmstad, Sundsvall and Borås in 1997 and
1998. The laboratory study was carried out at Chalmers University of Technology
in a laboratory set-up. The field observations were made in large diameter pipes,
larger than 1.0 m diameter and the laboratory observations in a small pipe with
the diameter 0.225 m.
The method of using the energy spectra from the velocity measurement to estimate
the particle concentration was not fully successful. The correlation between
the registered signal and the particle concentration is site specific, probably due
to disturbances from the surrounding walls. Through a calibration for each site,
a good relationship between the registered energy spectra and the particle concentration
is established. A portable turbidity sensor mounted at the flow measuring
device could solve the calibration in the start of a measuring period and the particle
concentration estimated from the registered energy spectra during the entire
observation period.

1 Bakgrund
Detta projekt handlar om att utnyttja information
från flödesmätningar av annat slag än vad som är
det vanliga: hastighet, nivå och flöde. Föremålet för
studien är avloppsvattnets innehåll av partikulära
föroreningar och de slutsatser man kan dra om dessa
utifrån de reflekterade energispektra som erhålls som
en bieffekt vid flödesmätningen. Underlag för studien
har hämtats från flödesmätare installerade i ledningsnät
där kunskap om avloppsvattnets sammansättning
uppnåtts genom samtidiga provtagningar. Dessutom
har laboratorieförsök gjorts för att försöka generalisera
erfarenheterna från denna typ av mätningar.
Inom det EU-stödda TVP-projektet insamlades
bland annat information om föroreningstransport
inom avloppssystemen, inverkan på behandlingsprocesser
i avloppsverk och hur det samlade systemet
skall drivas på ett effektivt sätt. Projektet pågick
under treårsperioden 1997–2000. ”Spillinformation”
insamlat under detta projekt redovisas i denna
rapport.
I TVP-projektet deltog Helsingborg, Halmstad
och Sundsvall som pilottillämpningar. Inom projekten
utfördes provtagningar för att klarlägga variationer
i avloppsvattnens sammansättning såväl under
torrväder som vid regnpåverkan. Resultat av provtagningarna
och modelltillämpningar redovisas av
Hernebring (2001a, 2001b). En viktig delaspekt i
projektet var att minimera miljöpåverkan genom
lämpliga kombinationer av reglering, utjämning, realtidskontroll
och åtgärder mot bräddningar utan att
därmed riskera behandlingsprocesser vid reningsverket.
Provtagningsprogrammet och modelltillämpningarna
inom TVP-projektet grundades på data från
tillförlitliga flödesmätare, vilka utnyttjar hastighetsbestämning
genom modern dopplerteknologi (Petroff
1995). Totalt fanns inom TVP-projektet 15 flödesmätare
installerade, med uppkopplingsmöjligheter
mot telenätet, de flesta också anslutna till driftövervakningssystemet.
Datainsamling i samband med
flödesmätning har också fortsatt efter TVP-projektets
avslutning. Data från ett provtagningstillfälle i Borås
redovisas i rapporten.
Från den installerade typen av mätare är det möjligt
att insamla data från det reflekterade energispektrumet,
och det har vid jämförelse med analyserade
prov framkommit att det finns en relation t.ex.
mellan vattnets innehåll av suspenderat material och
egenskaper hos reflekterad energi. I fortsättningen
av rapporten redovisas dessa observationer.
Reflekterat energispektrum påverkas av en rad
faktorer som t.ex.: partikelantal, partikelstorlek,
reflektionsegenskaper, avstånd samt rumslig fördelning
etc. En förhoppning vid initieringen av detta
projekt var att det skulle vara möjligt att kompensera
för dessa osäkerheter genom tillgången på kontinuerlig
information tillsammans med tillfälliga provtagningar
för att etablera ett samband, som åtminstone
är specifikt för den aktuella installationen (”sitespecific”).
Vidare fanns visionen om en möjlig framtida
on-linetillämpning om en grov, kvalitativ ”vattenkvalitetssensor”.
Den bärande tanken var att andra
typer av sensorer för specifika komponenter aldrig
kommer att placeras ut i en sådan omfattning som
flödesmätare vid en flödesmätningskampanj eller vid
on-lineövervakning med flödesmätare kopplade till
driftövervakningssystemet. Flödesmätningspunkterna
utgör därför potentiella källor till insamlig av
tillskottinformation utöver flödet i sig.
2 Metodik
2.1 ADS-mätare – funktion, data
Detta avsnitt bygger på informationsmaterial från
ADS/Accusonic och beskriver mätprinciper för hastighetsmätningen,
se Figur 2-1, nedan.
Ljudvågor skapas när material vibrerar och överförs
via ett medium som kan vara en gas, vätska eller
gas. Ljudfrekvens mäts i Hz, som är antalet vågcykler
per sekund. Med ultraljud menas ljudfrekvenser
över människans hörbarhetströskel (20 000 Hz).
Hastighetsgivaren både sänder ut och tar emot
ultraljud. Piezoelektriska kristaller sänder ut ultraljud
vid aktivering med elektricitet. Likaså produceras
elektriska signaler när kristallen vibrerar (mottar ljud).

Figur 2-1. Principiell beskrivning av principen för hastighetsmätning
i en avloppsledning.
En kristall sänder ut ultraljud med en frekvens av
250,98 kHz. Partiklar i flödet reflekterar ultraljudet,
med förändrad frekvens om partikeln rör sig. En andra
kristall utnyttjas för mottagning av reflekterad signal.
Figur 2-2. Spektrumbild för mätsignalen från hastighetsmätaren.
Förändringen av reflekterad frekvens beroende på
partiklar i rörelse kallas, som bekant dopplereffekten.
I vattenmassan finns i regel en stor mängd partiklar
med möjligen något varierande hastighet och som
samtidigt reflekterar ljudet. Detta resulterar i en fördelning
av reflekterade frekvenser.
Med hjälp av ett matematiskt verktyg (Fouriertransformation)
separeras den inkomna signalen till
olika frekvenser och deras respektive amplitud, se
Figur 2-2. Som resultat erhålls ett spektrum som
beskriver amplituden för resp. frekvens.
Den mottagna signalen separeras till över 1000
”frekvensfack” (bins). I Figur 2-3 visas spektrumet
som en linje som utgör ett flytande medelvärde för
alla facken. Maximal hastighet beräknas från den
högsta frekvensen. Denna utgör sedan ett underlag
för att bestämma (medel)hastigheten i vattenmassan.
Vid varje mätning skannar sensorn 7 ggr. Dessa
medelvärdesbildas, varefter hastigheten bestäms (en
gång).
Ett av två sätt att bestämma hastigheten är från
maximal energi i spektrumet. Figur 2-4 visar tröskeln
som skiljer signalen från brus och som beräknas
utgående från aktuell sensitivitet. Sensitiviteten
100 sätter tröskelenergin till 1 % av max-energin.
Max-hastigheten detekteras där spektrumets energi
passerar tröskeln.
Figur 2-3. Medelvärdesbildning av spektrumbilden.
Figur 2-4. Brusreducering av mätsignalen.
10

Figur 2-5. Borttagning av bakgrundsbrus från mätsignalen.
Vid maximalt tolerabel brusnivå satt till 0 mäter
instrumentet elektroniskt brus vid hastigheter större
än 6 m/s (utöver normala hastigheter), se Figur 2-5.
Detta bakgrundsbrus avlägsnas från hela spektrumet.
Bärvågen (”carrier”) är den utsända frekvensen.
Den kan mottas av sensorkristallen dels kortslutet
(”cross-talk”) genom hastighetsgivaren eller från
stillastående ekon. Bärvågskompensationen tar därför
bort frekvenser från spektrumen nära 0-hastighet
(från –0,01 till 0,01 m/s) enligt Figur 2-6.
”Maximal bärvågsundertryckning” hjälper instrumentet
att detektera noll-hastighet vid bakgrundsbrus.
Denna bestämmer den minsta energinivån som ska
utgöra en giltig avläsning. Utan signifikant energi i
spektrumet rapporteras hastigheten som noll enligt
principen i Figur 2-7.
Dopplermätningar kräver partiklar i det uppmätta
flödet för att erhålla reflektion. Även i ett rent vatten
finns i regel tillräckligt med partiklar för att mäta
hastigheten med denna metod. Förhållandena skiljer
sig dock t.ex. mellan natt och dag vilket påverkar
signalstyrkan. ADS-mätarna kompenserar för detta
vid varje mättillfälle. Mätsignalen förstärks för att
kunna processas av mätinstrumentet, se Figur 2-8.
Figur 2-6. Borttagning av frekvenser från spektrumen
nära noll-hastighet.
Figur 2-8. Förstärkning av mätsignalen innan den
processas av mätinstrumentet.
Vid processning av hastighetsdata förstärker alltså
mätaren automatiskt signalen olika beroende på tidpunkt
under dagen. Denna funktion är avsedd att öka
noggrannheten i mätningen anpassat till varierande
flödesförhållanden.
Detaljerade data från ett uppmätt energispektrum
visas som ett exempel i Bilaga B.
Figur 2-7. Minimumenergi för att godkänna en avläsning.
11

Figur 2-9. Susphaltsmätare TxPro –T med mätsond WP -302 från BTG Källe Inventing AB.
2.2 Susphaltsmätare
Flödet i de tre huvudgrenarna till avloppsverket mäts
med ADS-flödesmätare i punkter benämnda ADS1,
Susphaltsmätaren som använts för att observera susphalter
i avloppsledningarna har beteckningen TxPro
–T med mätsond WP -302 och levererades av BTG
Källe Inventing AB. I Figur 2-9 visas mätvärdesgivaren
med de två små fönstren på givarens gavel
för sändning av ljus och för mottagning av reflekterat
ljus.
3 Observationer
3.1 Halmstad/Q1
Sedan 1996 finns flödesmätare installerade inom avloppssystemet
i Halmstad, Figur 3-1. De utnyttjas
sedan dess för styrning av tillrinningen till Västra
Strandens reningsverk och samverkan mellan reningsverkets
utjämningsmagasin och Vallgravsmagasinet
på ledningsnätet.
Figur 3-1. Flödesmätning i avloppssystemet i Halmstad
– översikt.
12

ADS2 respektive ADS5 (alternativt: Q1, Q2 resp.
Q5). Flödet Q2 är ”opåverkat” tillflöde västerifrån.
Flödet som mäts i punkten Q5 transporteras via
pumpstationen P12 direkt in till verket. Flödespunkten
Q1 är påverkad av regleringen av tömningsluckan
från Vallgravsmagasinet. Regleringen ser bl.a.
till att det totala tillflödet norrifrån (Q2+Q1) inte
överstiger pumpkapaciteten i pumpstationen P2A
(minus en ”säkerhetsmarginal”), via vilken dessa
tillflöden gemensamt pumpas in till verket. Vidare
påverkas tömningsflödet från Vallgravsmagasinet av
fyllnadsgraden i detta magasin samt vid reningsverket.
Resultat från provtagningar som utfördes
vid Q1 under 1997 redovisas nedan. Ledningsdiametern
vid mätpunkten är 1200 mm.
Figur 3-2 visar samvariationen mellan registrerad
spektrumenergi och analyserade susp-halter. Med
undantag av någon enstaka punkt återspeglas dynamiken
i susphalt av energikurvan. Dynamiken skapas
dels av ett mindre regntillfälle och rörelser hos regleringsluckan
från Vallgravsmagasinet (se flödeskurvan
i Figur 3-4, nedan).
Figur 3-2. Registrerad spektrumenergi (mV, 5-minutervärden) och analyserad susphalt , Q1 Halmstad den 28/6
1997.
Figur 3-3. Registrerad spektrumenergi (mV) och uppmätt hastighet (m/s) 5-minutervärden under provtagningstillfället
vid Q1 Halmstad den 28/6 1997.
13

I Figur 3-3 har registrerad energisignal sammanställts
med uppmätt hastighet. Figuren visar att
energiregistreringen tycks vara oberoende av vattenhastigheten.
I Figur 3-4 ges en överblick av flödessituationen
vid Q1 i samband med provtagningstillfället.
prover. Av det totala antalet suspanalyser, ca 35 st,
faller 4 utanför det variationsmönster som energikurvan
ger.
3.3 Borås/Druveforsvägen
3.2 Sundsvall/Maritim
Liknande mätningar och provtagningar som ovan
redovisats från Halmstad utfördes också i Sundsvall.
Här redovisas resultat, se Figur 3-5, från mätpunkten
”Maritim” från 16–17/4 1997. I figuren finns förutom
registrerad signalenergi resultat av susp-analyser uttagna
med provtagare kompletterat med manuella
I samband med ordinära flödesmätningar i Borås
runt årsskiftet 1997/98 insamlades kompletterande
data, dels i form av energispektra från ADS-mätaren
dels genom installation av en kontinuerlig susp-haltsmätare
vid mätpunkten. Vid detta tillfälle togs inga
vattenprover för analys.
Mätpunkten är belägen i avloppssystemet vid
Druveforsvägen i Borås, se Figur 3-6 och Figur 3-7.
Aktuell ledningsdiameter är 1400 mm. Flödesbelast-
Figur 3-4. Flöden (timvärden) i flödesmätningspunkt Q1 i Halmstad 27/6–29/6 1997.
Figur 3-5. Registrerad spektrumenergi (mV, 5-minutervärden) och analyserad susphalt , Maritim Sundsvall 16–17/4
1997.
14

Figur 3-6. Mätbrunn i Druveforsvägen i Borås.
Figur 3-7. Mätinstallation vid Druveforsvägen i Borås. Endast ekolodet för nivåregistreringen är synligt.
ningen uppströms mätpunkten har bedömts bestå av
egentligt spillvatten på omkring 140 l/s. Tillskottsvattenmängden
var under mätperioden i medeltal
220 l/s och alltså totalt avloppsvattenflöde ca 360 l/s.
15
Från ADS-mätaren registrerades förutom nivå, hastighet
även energiinformation med 5-min upplösning.
Den kontinuerliga susp-mätaren var installerad på
platsen ett antal veckor. Maximum-, medel och

minvärde för susp-signalen registrerades med 5-minintervall.
I Figur 3-8 visas exempel på insamlade signaler
från ADS-mätaren. Eftersom det inte utfördes någon
provtagning för suspanalyser vid det aktuella mättillfället,
skapades i stället en jämförelsestorhet ”relativ
spillvattenkoncentration”. Metodiken beskrivs
i Figur 3-9. Med kännedom om medelspillflödet togs
ett variationsmönster fram från flödesdata som sedan
drogs från de totala flödesvärdena. Hänsyn togs till
helg- och förekommande klämdagar under perioden.
Som resultat av analysen blev det totala flödet vid
varje tidpunkt uppdelat i en spill- och en tillskottsvattenkomponent.
Den relativa koncentrationen av
Figur 3-8. Exempel på mätsignaler insamlade vid flödesmätning vid Druveforsvägen i Borås.
Figur 3-9. Illustration av metodik att ta fram jämförelsestorheten ”relativ spillvattenkoncentration”.
16

spillvatten kan sedan räknas ut. Om föroreningskoncentrationen
i spillvattnet kan förutsättas konstant,
blir denna storhet då ett mått på vilka koncentrationsvariationer
i det samlade avloppsvattnet
som kan förväntas, t.ex. av suspenderade ämnen.
I Figur 3-10 och Figur 3-11 visas jämförelser
mellan denna storhet och registrerade energisignaler
från ADS-mätaren resp. susp-haltsmätaren. För
susphaltsmätaren var det endast minimivärdet per
5-minuters period som var stabilt, varför endast
denna signal redovisas. Båda mätetalen visar sig vara
relativt goda indikatorer på den relativa föroreningshalten.
3.4 Laboratoriemätningar CTH
En befintlig försöksuppställning i Vattenhallen på
Chalmers (CTH) användes för att verifiera fältförsöken
med ADS-mätaren och susphaltsmätaren, se
Figur 3-12, nedan.
Ledningsdiametern är 225 mm med en total ledningslängd
av 25 m. Lutningen hölls under samtliga
försök konstant (2 ‰). Flödet i ledningen upprätthölls
genom rundpumpning. Tre olika flödesnivåer
tillämpades: ca 5, 10 resp. 15 l/s. Vattenhastigheten
(för ett bestämt flöde) kan, inom vissa gränser, varieras
genom att ändra nivån hos ett överfall i utloppsändan.
För varje flöde reglerades dämningen, om
det var möjligt, till maximalt tre olika nivåer.
Figur 3-10. Registrerad spektrumenergi (mV) i relation till relativ spillvattenkoncentration.
Figur 3-11. Registrerad signal från susphalts-mätare (min-värde, 5-min, V) i relation till relativ spillvattenkoncentration.
17

Figur 3-12. Försöksuppställning vid WET, CTH.
Som modellsubstanser för partiklar i avloppsvatten
användes dels mineralpartiklar (filler) dels en suspension
av pappersfibrer. Den senare hade helt enkelt
erhållits genom att fördela hushållspapper i vattenlösning
med hjälp av en mixer. Fem olika suspkoncentrationer/partikeltyper
utnyttjades enligt Tabell
3-1. Partikelhalterna finns angivna som konventionellt
analyserad susp-halt, grumlighet samt utslag på en
kontinuerlig susp-mätare i volt (max= 5V). Slamvolymen,
det vill säga avläsning efter 30 min sedimentering
i en Imhoff-tratt, uppmättes bara för
pappersfibersuspensionerna. I tabellen finns också
angiven basnivån hos renvattnet före resp. partikeldosering.
Anledningen till det relativt höga utgångsläget
vid pappersfiberdoseringen, kan man misstänka
beror på att en viss mängd av fillertillsatsen dagen
före trots rengöring har funnits kvar i systemet.
Två st. ADS-mätare användes vid försöken. Från
resp. hastighetssensor insamlades minst fem energispektra
per experiment.
Syftet med försöksuppläggningen var alltså att
fånga in inverkan av partikelhalt (huvudsyftet), men
också av andra faktorer som flöde, vattenhastighet,
partikeltyp och variabilitet mellan sensorer. Hur
detta lyckades utvecklas kortfattat i fortsättningen
av detta avsnitt och mer detaljerat i Bilaga A.
Tre flöden, tre dämningsnivåer (hastigheter) samt
fem olika vatten ger teoretiskt totalt 45 olika experiment/kombinationer.
Endast 30 av dessa var praktiskt
möjliga att utvärdera (restriktioner i kombinationen
dämning/flöde) och av andra skäl begränsades slutligen
antalet experiment till 29 st. Eftersom 5 st.
energispektra insamlades per experiment ger detta
totalt 85 (filler) + 60 (pappersfibrer) x 2 sensorer =
290 spektra att hantera.
Bland mängden data illustrerar Figur 3-13 några
av svårigheterna i uttolkningen av aktuella resultat.
Spektrum vid två olika susp-halter och vid tre olika
flödeshastigheter har valts ut. Varje punkt är medianvärde
för vardera 5 observationer (Observera dock
att de båda susp-halterna är av olika ”typ”, den lägre
– pappersfibrer, den högre – filler). Skillnaden i
susp-halt ger ingen tydlig skillnad i respons, utom
för det högsta flödet. Påverkan av hastigheten i sig
är tydlig. Båda dessa fakta är dåliga nyheter för hela
grundidén till ”mätmetoden”, dessutom stämmer inte
denna iakttagelse med vad som tidigare observerats
i fält. Frågan är då varför.
En hypotes skulle kunna vara att lab-uppställningen
har rördiametern 225 mm medan fältmätningarna
gjorts på ledningar med diametrar >1.0 m.
En annan hypotes skulle kunna vara felaktig
hantering av data/inställning av dataregistreringen på
Tabell 3-1. Karakterisering av de fem olika vatten/partikelblandningar som utnyttjats vid försöken.
Partikeltyp
Susphalt,
mg SS/l
Grumlighet,
NTU
Kont suspmätare,
volt, ”medel”
Slamvolym,
ml/l
Före fillertillsats – 19 0,045 –
1.Filler_1 43 30 0,125 –
2.Filler_2 77 38 0,195 –
3.Filler_3 400 140 0,665 –
Före fibertillsats 69 30 0,155 –
4.Pappersfibrer_1 130 50 0,245 17
5.Pappersfibrer_2 170 ca 70 0,355 33
18

Figur 3-13. Exempel på sex olika energispektra erhållna vid två olika susphalter och tre vattenhastigheter. Varje
punkt är median av vardera 5 observationer.
grund av bristande information beträffande signalbehandlingen.
En mera grov bearbetning av uppmätta data enligt
nedan kan dock kanske återge hoppet för metoden.
I Figur 3-14 finns samtliga uppmätt signalstyrkor
plottade som funktion av aktuell susp-halt. Som synes
är spridningen mellan enskilda spektra mycket stor.
I Figur 3-15 har från dessa data medianvärdet för
resp. givare och susphalt räknats ut. En välvillig
tolkning av denna figur är att det då framträder en
Figur 3-14. Signalstyrka för samtliga uppmätta energispektra som funktion av susp-halt. ”y” indikerar pappersfibrer,
”x” filler. Spektra från resp givare: 1899 resp 1903.
Figur 3-15. Medianvärden av signalstyrkan för resp. susp-halt och givare (5 spektra) som funktion av susp-halt.
Mätningar som gett 0-hastighet är borttagna ur kalkylen.
19

samvariation mellan signalstyrkan och susp-halten,
för den ena givaren över hela susp-intervallet och för
den andra upp till susp-halten ca 200 mg SS/l. Slutsatserna
blir kvalitativt desamma om medianvärden
för medelenergin plottas mot susp-halten, Figur 3-16.
Trots dessa problem att gräva fram överskottsinformation
från energispektra bör man notera att
hastighetsgivarna fungerar klanderfritt, dvs. att
bestämma hastigheten. I Figur 3-7 visas samtidig
hastighetsregistrering hos de två hastighetsgivarna.
Överensstämmelsen mellan givarna är som synes
mycket god, med undantag för de få tillfällen då reflekterad
energi inte tillåtit en hastighetsbestämning,
vilket resulterat i en registrerad noll-hastighet.
4 Slutsatser
Utvärderingen av samtidig mätning av flöde med
nivå-hastighetsgivare och susphaltsmätning har visat
att det är möjligt att korrelera data från hastighetsgivaren
med uppmätta susphalter. Det är emellertid
inte möjligt att använda korrelationsdata från en plats
för mätningar på en annan plats. Korrelationsdata
måste alltså kalibreras för varje ny plats. Det finns
alltså inget generellt samband mellan energispektrat
från hastighetsgivaren och halten partiklar i vattnet.
Genom att kalibrera metoden för varje plats erhålls
en bra överensstämmelse mellan beräknad partikelhalt
och uppmätt partikelhalt.
Figur 3-16. Medianvärden av ”energi” för resp. susp-halt och givare (5 spektra) som funktion av susp-halt.
Mätningar som gett 0-hastighet är borttagna ur kalkylen.
Figur 3-17. Samtidig registrering av vattenhastighet hos de två hastighetsgivarna.
20

Utifrån de resultat som presenterats i denna studie
går det inte att bestämma inverkan på mätsignalen
från reflektioner från rörväggarna eller andra störningar
såsom elektroniskt brus.
ADS flödesmätare måste i sitt nuvarande utförande
modifieras för att kunna registrera det energispektra
som använts i denna undersökning för
korrelation med partikelhalten i vattnet.
Det finns ett stort behov av on-line mätningar
av partikelhalt i avloppsledningar som inte medför
omfattande provtagning och analys. Den testade
metoden visar på en bra applikation för samtidig
mätning av flöde och partikelhalt, men med nackdelen
att mätmetoden måste kalibreras för varje ny
mätplats. En komplettering med en portabel susphaltsmätare
för kalibreringsändamål skulle kunna
göra metoden praktiskt användbar.
21

Referenser
Hernebring C., Andréasson M. & Ohlsson L. : ”Integrerad modellering i Halmstad
– samverkan mellan ledningsnät och reningsverk”. Nordisk konferanse om EDB
i VA-teknikken 21–23. november 2000 på Lillehammer
Hernebring C.: ”Studier av samverkan mellan avloppsverk och ledningsnät.
Erfarenheter från tre svenska tillämpningar. DEL 1 Bakgrund och uppbyggnad
av delmodeller.” VATTEN 57,2, 2001, s 95–111.
Hernebring C.: ”Studier av samverkan mellan avloppsverk och ledningsnät.
Erfarenheter från tre svenska tillämpningar. DEL 2 Modelltillämpningar.”
VATTEN 57,2, 2001, s 113–122.
Hernebring C., Jönsson L.-E., Thorén U.-B., Møller A.: ”Dynamic online sewer
modelling in Helsingborg”. Water Science & Technology Vol. 45 No 4–5 pp
429–436, 2002.
Kölling C. & Peroff A.M.: ”New finite Element Model Accurately Predicts
Velocity Profiles”, WEFTEC’94. Proceedings. 1994, pp 327–338.
Petroff A.M.: ”Digital Doppler velocity Technology Improves Performance and
Accuracy of Sewer Flow Measurements”. WEF Conf Series. Automating to
Improve Water Quality. Minneapolis, June 25–28, 1995. pp 3-27–3-37.
22

Bilagor – dataanalys
Bilaga A: Halmstad, Sundsvall
– (DHI_DK-rapport)
DHI-Project: 41006
Authors: Flemming Schlütter, Lars Yde
A.1 Aim of the study
The scope of this study is to collect and present the
current state of the art regarding the correlation
between the energy from backscatter and the concentration
of suspended solids in wastewater.
Measuring the flow in sewer systems is often done
by using ultrasonic flowmeters. A beam of ultrasound
is projected into the flow and the returning
backscatter signal is measured. Based on the phase
shift and the Doppler principle the flow velocity of
the water can be estimated. It is apparent that the
intensity of the backscatter is dependent on the
amount of particles suspended in the fluid.
When it comes to measurements in sewers the
situation is more complicated than under ideal conditions.
E.g. you may have an amount of backscatter
originating from the pipe walls. This investigation
carries out analysis on existing data and compares
with experiences from the marine environment. The
question is how strong the correlation is and if the
relation between concentration and backscatter is site
specific or not.
A.2 Existing knowledge
The correlation between backscatter measurements
(ADB) – acoustic Doppler current measurements and
the concentration of suspended solids (SS) in water
is well known. DHI Water & Environment have
performed several investigations (Weirgang 1995;
Valeur 1997) into the subject. These investigations
have been carried out with data from the marine
environment in connection with dredging projects.
Other researchers have, likewise, presented studies
within this research field, e.g. (White 1998; Holdaway
et al. 1998).
23
The attempts to correlate ADB with SS have been
done mainly by developing and applying theoretical
expressions for estimating the concentration. These
relations will not be rendered here but common for
them is that they are directly dependent on the particle
radius. This entails that estimates of the concentrations
are most reliable if the suspended solids
encompass particle sizes within at rather small size
range.
The general conclusion in the cited references is
that it is possible to calibrate the mathematical
models to sample values of SS, this excluding the
reference of (Valeur 1997) which did not find a
correlation.
Two problems arise when carrying out the same
analysis for sewer systems. The particle size range
and type varies significantly and estimating the
characteristics of these sediments with an acceptable
precision is in reality unfeasible (Lucas-Aiguier et al.
1998). It is thus necessary to exploit the possibilities
to find relations excluding particle size information.
A.3 Data basis for new analysis
The original idea of this Research & development
project was to carry out measurements and sampling
before data analysis. The current size of the project
obviously prohibits such measures. Fortunately, it has
been possible to borrow data from DHI Sweden, who
have carried out measurements in sewers at two
locations (Halmstad and Sundsvall). Figure A-1 to
A-2 (next page) shows comparisons between measured
backscatter signal and concentration of suspended
solids for Halmstad and Sundsvall respectively.
As seen from the figures A-1 and A-2 the connection
between ADB and SS is not necessarily very
strong and data is furthermore associated with some
outliers.
The conclusion from the initial data analysis was
that it is possible to calibrate the ADS flowmeter
backscatter signal to SS samples but calibration factors
are site specific.
To see if it is possible to exploit the data in a more
effective way the next sections (A.4 and A.5) show
the result of applying black box techniques to the
data. For that purpose two approaches has been
taken, namely, artificial neural networking, and
genetic programming.

Figure A-1. Comparison between ADB and SS for Halmstad. (From presentation of DHI Sweden).
Figure A-2. Comparison between ADB and SS for Sundsvall. (From presentation of DHI Sweden).
A.4 Artificial neural networking
Applying a neural network for correlating different
measured entities with SS is probably not a desirable
solution. The problem is that it lies inherent in the
technique that your network will be site specific, unless
calibration is made with data from all catchments.
Therefore the ANN has not been used intensively
for this study.
A plot of the interface for the neural network
model is seen in Figure A-3. The implementation of
the ANN have been implemented in earlier work
24
by (Schlütter 1999), but can just as well be used for
the current task.
The network applied in this case is a simple feed
forward network. It consists of an input layer of neurones,
two hidden layers of neurones and an output
layer. As indata two measured signals are applied,
velocity and the backscatter.
In order to have a reasonable amount of data for
calibration it was chosen to interpolate the signal for
the concentration using a spline interpolation. This
interpolation is seen in Figure A-4 and A-5.

Figure A-3. Interface for Neural network model.
Figure A-4. Interpolation of data from Halmstad (X-axis: Time; Y-axis: Concentration).
Figure A-5. Interpolation of data from Sundsvall (X-axis: Time; Y-axis: Concentration).
25

If scatterplots is produced for the interpolated concentrations
versus the backscatter signal, the result
is seen in Figure A-6 and A-7.
Using the ANN program all data have been used
for calibration, thus the results mainly gives an indication
of how well it is possible to establish a relation
between input and output for future reference.
As an example the ANN came up with the model
shown in Figure A-8 for Halmstad.
When analysing the data seen in Figure A-1 and
A-2 there is a correlation coefficient between the
backscatter signal and concentrations of R2 = 0.65
for the Halmstad site, whereas the Sundsvall site
does not reveal a significant correlation. The results
of the neural network modelling yields correlation
coefficients of 0.84 for Halmstad and 0.50 for
Sundsvall, where it should be noted that now the
velocity signal is included in the analysis.
The conclusion from the neural network modelling
must be that the data basis makes it possible to
establish a relation between indata and measured concentrations.
If e.g. the Halmstad network is applied
on the Sundsvall indata, the results are unusable,
indicating that the two measurement sites are very
different from each other.
A.5 Genetic programming
As an alternative to the ANN genetic programming
offers an opportunity to get mathematical relations
as results. The software used is the GPkernel developed
by V. Babovic and M. Keijzer. The software
and a number of references can be found on the website:
www.d2k.dk.
The way the genetic programming (GP) is used
in this case, the time data column is not included
as indata. This means that even though the data is
strongly autocorrelated the time will not be a part
of the final expressions.
The mathematical expressions are limited in size,
so that huge equations are avoided. Contrary to the
ANN calibration, where all data was used for calibration
in the GP case only the first 75 % of the data
is used for calibration the rest serving as validation
data.
Figure A-6. Direct linear correlation between backscatter signal and measured concentration for the Halmstad
site.
26

Figure A-7. Direct linear correlation between backscatter signal and measured concentration for the Sundsvall
site where outliers are excluded.
Figure A-8. ANN simulation of Halmstad data.
27

As already determined the Halmstad data depicts a
much better correlation between indata and measured
concentrations respectless whether the outliers points
at in figure 3.2 is included or not. This trend can be
expected for the GP as well.
For both sites ten experiments have been carried
out and most of the found relations have been used
for comparisons with measured data.
The equations relating concentration (c) with
average backscatter signal (avs), velocity (v), backscatter
signal (s), and maximum backscatter signal
(ms), determined by GPkernel for Halmstad is:
f1)
2
c 0.39
avs 4v
f2) c 0. 1682 avs
f3) c
2
avs / log( avs / v)
f4)
2
c 0.4044 avs exp(exp( v ))
f5)
v
c 2.473
avs v
f6) c 0.3679
(
avs avs)
f7)
2
c 0.3877
avs v
f8) c 0. 3881
avs
20
Equivalently the Sundsvall data forms basis for the
following equations:
f1) c s s /( avs 9.572)
f2) c 2 s s / avs
f3)
f4)
s
c s / ( avs )
ms
c (log(log(s)
2 ) 4
f5)
s
c log(exp( ) s)
avs
f6)
2s
2
c log( s)
avs
f7) c log( s
4 ) log( s
v )
Figure A-9 and A-10 show the equations listed above
together with the measured signals.
As seen on Figure A-9 and A-10 only modelling
of the Halmstad data makes sense. Looking at the
Halmstad results data it is clearly seen that the GP
like the ANN is very data driven as the modelled
signal resemples the inddata in a scaled version more
than the actual target concentrations.
If the equations found for Sundsvall is applied on
the Halmstad data and vice versa the results can be
seen in figure A-11 and A-12.
4
2
Figure A-9. GP for Halmstad data.
28

Figure A-10. GP for Sundsvall data.
Figure A-11. GP applying Sundsvall results on Halmstad data.
29

Figure A-12. GP applying Halmstad results on Sundsvall data.
It is easily deduced from looking at Figure A-11 and
A-12 that the estimated mathematical models are
site specific.
A.6 Conclusion
The blackbox and greybox modelling of neural networks
and genetic programming have shown that
it is possible to correlate measured indata from the
ADS flowmeter to samples of suspended solids.
However, it is not directly possible to use model
calibrated for e.g. Halmstad on the Sundsvall site.
This means that given that the measured data are
correlated an empirical model needs to be calibrated
for each new measurement site. But, thus the facility
of measuring the backscatter strength can help interpolating
intelligently between measured data, which
is beneficial as the number of water samples always
will be limited. This conclusion is supported by
similar findings in the literature.
On the basis of the present data it is not possible
to determine to how large a degree the measured
backscatter signal is disturbed by sidewall reflections
and noise from the outgoing carrier signal.
The ADS flowmeters cannot without modifications
log the signals used in this study, so the data are not
available from every study performed with the ADS
flowmeters. If sample concentrations are related
purely to flow entities velocity and water level it is
also possible to correlate the data with reasonable
results. Seen in this light the results of correlating
backscatter and concentrations are not stunningly
good.
A lot of other possibilities exist to estimate concentrations
of suspended solids and these should
be examined along with this study. The main problem
with other techniques is that they often require
handling of water sample or having a sensor protruding
into the wastewater flow which is not a
feasible idea in a combined sewer system.
30

A.7 Literature
Aguilera, D.R., (2000). Genetic programming with
GPkernel. (www.d2k.dk). Manual for software
developed by Babovic, V., Keijzer, M. (DHI).
Deines, K.(1999). Backscatter Estimation Using
Broadband Acoustic Doppler Current Profilers. RD
Instruments.
Holdaway, G.P., Thorne, P.D., Flatt, D., Jones, S.
E., Prandle, D. (1999). Comparison between ADCP
and transmissometer measurements of suspended
sediment concentration. Continental Shelf Research,
Elsvier 1999.
Lucas-Auguier, E., Chebbo, C., Bertrand-Krajewski,
J.-L., Gagné, B., Hedges, P. (1998), Analysis of
methods for determining the settling characteristics
of sewage and stormwater solids. Water Science and
Technology, (37), 1.
Schlütter, F., (1999). Numerical Modelling of Sediment
Transport in Combined Sewer Systems. Ph.D.
Dissertation, Department of Civil Engineering,
Aalborg University, Denmark.
Valeur, J.R., (1997). Determination of Suspended
Concentration (mg/l), based on ADCP Backscatter
Data (dB) and Turbidity Data (FTU). DHI – Internal
report.
Weiergang, J., (1995). Estimation of Suspended Sediment
Concentrations Based in Single Frequency
Acoustic Doppler Profiling. 14th World Dredging
Congress, Amsterdam, Netherlands.
White, T.E., (1998). Status of measurement techniques
for coastal sediment transport. Coastal Engineering,
(35), pp. 17–45, Elsvier.
31

Bilaga B: Exempel på spektruminformation
Ett antal rader utan information (med 0:or) är borttagna i spektrumdata. Innehållet i ”bin” (hastighets/
frekvensfraktion) 0- 1019 anges hexadecimalt.
Start and Get ONE Reading
:PARAMETERS
Used algorithm = 0
Negative flow enable = 0
Filter enable = 0
Sensitivity = 10
Floor = 0
Suppression enable = 1 @ 400 max carrier limit
D/A Gain = 0
:END
:STATISTICS RAW Engr. Units Quality Indicator
Velocity = 1.720 f/s @ 100 % Quality
Carrier = 65535, 4229 uVolt @ 3 Suppression
Max = 40002, 2441 uVolt @ 0.860 f/s
Signal = 40002, 2441 uVolt @ 0.860 f/s
Threshold = 4000 , 772 uVolt @ 1.907 f/s
Noise Level = 24 , 60 uVolt @ 712 uVolt margin
Average Energy = 1551 , 481 uVolt
Positive/Negative % = 100 / 0
D/A Gain = 10 @ 26 Pops
Pre / Post Gain = 1 / 13
:END
Give Spectrum
:SPECTRUM
Bin: 0 0 0 0 0 0 0 0 0 0 0
Bin: 10 0 0 0 0 0 0 0 0 0 0
Bin: 20 0 0 0 0 0 0 0 0 0 0
.............
Bin: 170 0 0 0 0 0 0 0 0 0 0
Bin: 180 0 0 0 0 0 0 0 0 0 0
Bin: 190 0 0 0 0 0 0 0 0 0 0
Bin: 200 0 0 1D 22 23 28 1F 33 36 25
Bin: 210 83 5E 75 5F 93 D6 7B 13A FA 1D8
Bin: 220 16A 265 1F0 790 7B8 705 8FE B33 8E5 7CB
Bin: 230 8F5 87E B5D EEA 696 48F 577 9D3 2BC AB2
Bin: 240 BAE 44D B6A 811 DD5 EEB A7E D60 5E5 94F
Bin: 250 51D 9B7 659 CD0 5E5 3BA 0 0 0 366
Bin: 260 1429 AE1 909 B44 EC1 229C 24D6 19AF 35CF 2A69
Bin: 270 439F 4BC0 41C8 537A 697A 6DDB 68DF 954D AEF5 E61D
Bin: 280 3D57 C389 8C41 8FC3 DB44 8F30 49A5 598D 9D9C 5EFB
Bin: 290 54CA 2984 2A80 3966 2B1A 10C1 150E 1D4F 1AD9 B8B
Bin: 300 1616 1607 111A 1FF1 E91 3A9 4DD 774 A4D 64A
Bin: 310 57D 475 224 A8 33D 1B7 77 EF 4D 5B
Bin: 320 40 27 27 29 21 0 0 1E 0 1D
Bin: 330 28 0 0 0 0 0 0 0 0 0
Bin: 340 1B 0 0 0 0 0 0 0 0 0
Bin: 350 0 0 0 0 0 0 0 0 0 0
.............
32

Bin: 800 0 0 0 0 0 0 0 0 0 0
Bin: 810 0 0 0 0 0 0 0 0 0 0
Bin: 820 0 0 0 0 0 0 0 0 0 1A
Bin: 830 0 1F 0 0 0 0 0 0 0 0
Bin: 840 0 1B 0 0 0 0 0 0 0 0
Bin: 850 0 0 0 0 0 0 0 0 0 0
Bin: 860 0 0 0 0 0 0 0 0 0 0
.............
Bin: 1000 0 0 0 0 0 0 0 0 0 0
Bin: 1010 0 0 0 0 0 0 0 0 0 0
:END
33

Beräkning av partikulär föroreningstransport från flödesdata on-line i avloppsledningar
Box 47607 117 94 Stockholm
Tfn 08 506 002 00
Fax 08 506 002 10
E-post svensktvatten@svensktvatten.se
www.svensktvatten.se