Bildandet av svavelväte (H2S) i avloppssystem utgör betydande utmaningar för avloppsinfrastruktur och folkhälsa. En djupare förståelse av H2 S-prediktion kan vara fördelaktig för att genomföra förebyggande åtgärder och därmed minska svavelvätets påverkan. Denna studie jämför de prediktiva förmågorna hos Convolutional Neural Network (CNN) och Long Short-Term Memory (LSTM) modeller för att förutsäga H2S-nivåer med hjälp av operativ data från pumpstationer, inklusive temperatur, concentration och vattnets ålder. Med hjälp av statistiska mått som R2 och andra anpassade evalueringsmått fann studien att CNN-modellen presterade bättre än LSTM-modellen. CNN uppnådde en träffsäkerhet på 94,2% jämfört med LSTM 89,8%, inom en definierad felmarginal. Även om LSTM-modellen effektivt fångar toppars utseende, hade den svårigheter med generalisering. Trots CNNs överlägsna prestanda visade båda modellerna starka prediktiva förmågor baserat enbart på operativa data, utan att inkludera kemiska parametrar som syrenivåer, nitrater eller pH. Dessutom undersökte studien strategiska faktorer som är väsentliga för att integrera H2S-prediktioner i företagslösningar. Resultaten lyfter fram överväganden som finansiella, kapacitet, marknadsstrategi och implementeringsrisker.

The formation of hydrogen sulfide (H2S) in wastewater and sewage systems poses significant challenges to wastewater infrastructure and public health. A deeper understanding of H2S  prediction could be beneficial for implementing preventive measures, ultimately reducing the impact of hydrogen sulfide. This paper compares the predictive capabilities of Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) models for predicting H2S levels using operational data from pump stations, including temperature, concentration, water age, and flow. Using statistical measures such as R2  and various custom metrics, the study found that the CNN model outperformed the LSTM model. The CNN achieved an accuracy of 94.2%, compared to LSTM’s 89.8%, within a defined margin of error. While LSTM effectively captured peak characteristics, it struggled with generalization. Despite CNN’s superior performance, both models showed strong predictive capabilities based solely on operational data, without incorporating chemical features such as oxygen levels, nitrates, or pH. Additionally, the study examined strategic factors essential for integrating H2S  predictions into enterprise offerings. The findings highlight considerations such as financial, capability, market strategy, and implementation risks.