השימוש באינטליגנציה מלאכותית כדי לייעל תהליכי עיבוד במים

הבנה של תהליך טיפול במים Core

סינדימנטציה היא אחת מפעילות היחידה הוותיקה והנפוצה ביותר במים ובטיפול במים.העיקרון הבסיסי הוא פשוט: חלקיקים מושעה יותר ממים יתיישבו תחת השפעת הכבידה כאשר מהירות זרימת המים נמוכה מספיק.בצמח טיפול במים קונבנציונליים, החיסמנטציה בדרך כלל עוקב אחר קוגניציה וריצוף, שבו כימיקלים נוספים כדי לערעור וצורה גדולה יותר, כבד יותר כי התיישבות במהירות.

היעילות של אגן סימנטציה - לעתים קרובות נקרא מפיץ או מנקה - תלוי על משחק מורכב של גורמים פיזיים וכימיקליים. פרמטרים מרכזיים כוללים את פני השטח מעל פני השטח (כמות המים משאירים את מיכל על פני השטח של שטח ליחידה במשך זמן), זמן מעצר (כמה זמן המים נשאר בתוך הטנק), חלקיק, קביעת מהירות, ואת נוכחות של זרמים או קצר-מחץ.

פעולה מסורתית התבססה על בדיקות jar ושיפוט מפעיל תקופתיות כדי להתאים את המינון coagulant ואת שערי זרימת הדם. בעוד מפעילי מנוסים יכולים להשיג תוצאות טובות, גישה זו היא פעולה בלתי פעילה ומוגבלת על ידי תדירות של דגימה.תנאים תת-אופטימיים יכולים להימשך שעות בין התאמות, במיוחד במהלך אירועי סערה או שינויים עונתיים באיכות מים גולמית.

כיצד בינה מלאכותית מאמתת את הזיוף

אינטליגנציה מלאכותית, במיוחד למידת מכונה (ML) ולמידה עמוקה, מאפשרת מערכות טיפול במים לנוע משליטה פעילה, מבוססת לוח הזמנים לאופטימיזציה של זמן אמתי, מודלים של AI מקיפים את הזרמים המתמשכים ביותר של נתונים מחיישנים - הפרעות, pH, טמפרטורה, קצב זרימה, מינון כימי, ספירת חלקיקים ואפילו תחזית מזג אוויר - וללמוד לחזות נתונים - כדי לחזות את נקודות התפעול האופטימליות עבור אגן.

רכישת נתונים ו-Time-Time Monitoring

מתקנים מודרניים יותר ויותר מותאמים עם מנתחים מקוונים. Turbidity צגפים באפקט המבהיר הם סטנדרטיים, אבל צמחים מתקדמים גם לפרוס ניגודי חלקיקים זרמים, ספקטרום של UV, ומערכות בקרת כפייה אוטומטיות.חיישנים אלה להאכיל נתונים לתוך בקרה פיקוח ורכישת נתונים (SCADA) המערכת AI יושב על גבי SCADA, למשוך היסטורי ונוכחי לבנות נתונים חיזוי מודלים.

אחת האפליקציות החזקות ביותר היא השימוש ברשתות עצביות כדי לעצב את הקשר הלא-ליני בין איכות בלתי-השפעה, מינון כימי, וזעזועים יעילים. לדוגמה, רשת החזרות מזין יכולה להיות מאומנת בחודשים של נתונים תפעוליים היסטוריים כדי לחזות את ההפרעות העוצמתיות של 15-60 דקות קדימה.

Machine Learning Algorithms for Sediment control

כמה גישות ML כבר היו בתוקף:

• (FLT:0)Linear Regression and Support Vector Regression (SVR): שימוש ב- 1FreaLT למשימות חיזוי פשוטות שבהן מערכות היחסים הן ליניאריות למדי.SVR הוא חזק לערים ופועל היטב עם נתונים בינוניים.
• (FLT:0Random Forest ו- Gradient Boosting:FLT) 1 שיטות אנסמבל מטפלות ללא לינאריות ואינטראקציות בין משתנים.הם משמשים לעתים קרובות לניתוח חשוב, חושף אילו חיישנים המשפיעים ביותר על ביצועי המשקעים.
• (FLT:0) רשתות ניאלליות (ANNs): עמוק בפנים עם כמה שכבות נסתרות יכול ללכוד דינמיות מורכבות בהבהרות, כולל ההשפעות של זרמי צפיפות ושכבות טמפרטורה.
• (FLT:0) Reinforcement Learning:FLT:1Build, an a rising Access, שבו סוכן AI לומד מדיניות אופטימלית של שליטה או זרימה על ידי אינטראקציה עם סביבת הצמח.הסוכן מקבל פרס על פעולות ששומרות על מצוקות איטיות תוך צמצום השימוש הכימי.

מודלים אלה הם בדרך כלל פרוסים במערכת בקרת קופות סגורה.הבינה המלאכותית מחשבת מנה אופטימלית של כורכולן בכל דקה, שולחת את נקודת המוצא למשאבת המזינים הכימית, ואת האיכות המועילה נמדדת כפידבק.לאורך זמן, המודל מהדהד כל הזמן להסתגל לשינוי תנאי מים גולמיים, ומבטיח אמינות ארוכת טווח ללא החלמה ידנית.

יתרונות של אופטימיזציה של AI-Driven Sedimentation

היתרונות הקוונטיים של יישום AI עבור בקרת השמדה מתועדת היטב בשני המחקרים ויישומים בקנה מידה מלא:

איכות המים והחומרים

על ידי שמירה על זעזוע נמוך ויציב באופן עקבי, מסננים במורד הזרם מוגנים מפני עומסי מוצק מופרזים.תוצאות אלה בספירת חלקיקים מוגמרת נמוכה יותר, ירידה בביקוש לחיטוי ושיפור עמידה בסטנדרטים רגולטוריים כגון חוק טיפול במים של הסוכנות להגנת הסביבה של ארצות הברית. חלק מהמתקנים מדווחים על ירידה של 20-4% בתדירות שטיפת סינון, צמצום צריכת פסולת ואנרגיה נוספת.

חיסכון באנרגיה וכימיקלים

מינון מבוסס בינה מלאכותית יכול להפחית את ה- coagulant (למשל, אלומיניום, צ'ורריד ferric) בשימוש על ידי 15-30% תוך שמירה או אפילו שיפור איכות מעוותת.בצמחים גדולים מתייחסים למאות מיליוני ליטרים ליום, זה מתורגם לחיסכון שנתי של מאות אלפי דולרים.

יציבות וחיזוי

מערכות בינה מלאכותית מטפלות בשינויים פתאומיים באיכות המים הגולמית – כגון אלה הנגרמים על ידי גשם כבד או מפלט האביב – מהר יותר ממפעיל אנושי.המודל צופה בהסתגלות הכימית הנדרשת לפני הספיציפי הזעזועים המסובכים, ומונעות מהפרעות תהליכים.יכולות החיזוי הזה גם מקטין את ההסתמכות על בדיקות צ'אר, ומשחרר את המפעילים להתמקד במשימות תחזוקה וציות אחרות.

תחזוקה חיזוי ונכסים ארוכים

על ידי ניתוח מתמיד של נתוני חיישן, AI יכול לזהות שינויים עדינים המצביעים על ציוד ללבוש או רעייה.לדוגמה, עלייה הדרגתית בירידה בלחץ על פני מערבול או שינוי בצריכת הכוח של משאבת תיקון סלשן יכול להיות מעוגן כמו סימני אזהרה מוקדמת.זה מאפשר תחזוקה מבוסס מצב ולא לוח זמנים מבוסס זמן, צמצום זמן לא מכווץ ומרחיב את החיים של רכיבים ברורים.

יישום אמיתי בעולם ו Case Studies

מספר כלי מים ברחבי העולם פרסמו את AI עבור שליטה במשקעים עם הצלחה מתועדות.

מפעל ה-Sing Water Recalls

PUB, סוכנות המים הלאומית של סינגפור, יישמה מודלים למידה עמוקים במפעל ההשמעה של צ'ו צ'ו קאנג מים.מערכת הבינה המלאכותית משתמשת בנתונים מ -40 חיישנים מקוונים כדי לחזות ולבקר במינון פולימרים בטנקים הסימנטציה העיקרית.תוצאות הראו ירידה של 25% בצריכת פולימרים ושיפור של 10% בסך הכל הושעה הסרת מוצקים.ה המערכת באופן אוטונומי במשך שבועות עם פעילות מינימלית.

בריטניה - יורקשייר Water

יורקשייר מים שותפו עם חברת טכנולוגיה לפיתוח בקר מבוסס AI עבור עבודות הטיפול במים שלה.המערכת, המשתמשת היברידית של יערות אקראיים ומודלים ברשת עצבית, מתאמת את המינון coagulant המבוסס על זעזוע בזמן אמת, pH, וזרימה נתונים.לאחר ניסוי של שישה חודשים, הצמח דיווח על ירידה של 22% בשימוש כימי והפחתה של 30% בתדירות של זעזועים, עכשיו, הוא התגלגל טיפול נוסף.

מחוז אורנג' קאונטי ווטרס

מחוז המים אורנג 'מחוז המים (California) מפעיל אחד מתקני טיהור המים הגדולים בעולם.הם שילבו את AI לשלב המשקעים העיקרי של מערכת התחדשות המים הקרקע שלהם.מודלים AI להשתמש בנתונים היסטוריים מלמעלה משלוש שנים כדי לייעל את תוספת של כלור ופולימרמרי.המערכת השיגה סטיות עקביות מתחת ל- NTU בעוד שהפחתה של כ- 18% על ידי עלויות כימיות.

מחקרים אלה מראים כי בינה מלאכותית אינה מושג תיאורטי – היא כבר מספקת הטבות תפעוליות ופיננסיות למדידה בצמחים לטיפול במים בקנה מידה מלא.

אתגרים באימוץ AI עבור סינדימנטציה

למרות היתרונות ברורים, יש לטפל כמה מחסומים לפני AI יכול להיות כלוביקור בטיפול מים.

איכות נתונים וזמינות

מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מאומן על.צמחים רבים של טיפול במים מבוגרים יותר חסרים את תשתית החיישן הנדרשת כדי לספק נתונים גבוהים, נקיים. סחף, רעוע, ונקודות נתונים חסרות יכולות לזלזל בביצועי מודל.

אבטחת סייבר ושילוב מערכת

חיבור תוכנת AI ישירות לטכנולוגיה תפעולית (OT) רשתות מציג סיכונים אבטחת סייבר.שחקן זדוני שזוכה בגישה למפקח AI יכול לשנות את העשייה הכימית, שעלולה לגרום לאירוע בריאות הציבור.כלי מים חייבים לאמץ פערי רשת קפדניים, הצפנה ופרוטוקולים אימות.בנוסף, מערכת הבינה המלאכותית חייבת להיות משולבת בצורה חלקה עם מערכות קיימות ובקרת צמחים, אשר יכול להיות משימה מורכבת ויקרה.

דרושים for Skilled Personnel

מינוף ושמירה על מודלים של בינה מלאכותית דורש מדענים או מהנדסים עם מומחיות בלמידה מכונה - מיומנות שעדיין נדירה בתעשיית המים. Utilities לעתים קרובות להסתמך על ספקים חיצוניים, אבל קיימות ארוכת טווח דורשת בנייה בידע בית. תוכניות הכשרה למפעילים ולעבד מהנדסים על יסודות AI הופכים נפוצים יותר, אבל פער הכישרון נשאר אתגר.

מודל אי-אפשרות ואמון

מודלים רבים של בינה מלאכותית מתקדמים, במיוחד רשתות עצביות עמוקות, נחשבים לעתים קרובות "קופסאות שחורות" ו הרגולטורים עשויים להיות רגישים לאמון במערכת שלא יכולה להסביר מדוע היא בחרה מנה כימית מסוימת.טכניקות כגון SHAP (SHapley Additive exPlanations) או LIME (הסברים הבין-ממשלתיים-אגנוסטיים) יכולות לשפר את השקיפות, אך עדיין יש עבודה כדי להבטיח שהמלצות ניתנותנות ו-AI.

"מגזר המים נמצא בשלב מסוים בחשיבה.בינה מלאכותית תהפוך לסטנדרט כמו SCADA בעשור הקרוב, אך רק אם נשקיע בתשתיות נתונים בסיסיות ונבנה אמון באמצעות אימות קפדני." ~ ד"ר Janice Ho, Research Scientist, Water Innovation LabFLT:1

כיוונים עתידיים וטכנולוגיות מתפתחות

התחום מתקדם במהירות, עם כמה התפתחויות מרגשות באופק.

תאומים דיגיטליים לזייף

תאום דיגיטלי הוא העתק וירטואלי של אגן סימנטציה פיזית שמקבל נתונים בזמן אמת ומפעיל דינמיקת נוזל חישובית (CFD) מודלים. AI יכול להשתלב לתוך התאום הדיגיטלי כדי לדמות תרחישים "מה אם" - לדוגמה, ההשפעה של עלייה פתאומית בזרימה או שינוי בכימיה coagulant.exes יכול לבדוק אסטרטגיות בקרה בסביבה בטוחה לפני פריסת אותם בתוך תאמים אמיתיים כבר בשימוש בהצלחה באוסטרליה.

AI (XAI) לטיפול במים

מחקר ב- AI מסביר לייצר מודלים שיכולים לייצר לא רק המלצה, אלא גם את הגורמים המרכזיים המניעים את ההמלצה.עבור התאמה של מינון, מודל XAI עשוי להצביע על כך שהנהג העיקרי היה עלייה בעימות בלתי-השפעה בשילוב עם ירידה בטמפרטורת המים.זה בונה אמון מפעיל וסימולציות תיעוד.

בקרה אוטונומית

מערכות בינה מלאכותית עתידיות יעברו מעבר להתאמה פשוטה של סטאפ לשליטה אוטונומית מלאה.שימוש בלמידה של חיזוק, AI יכול לאזן באופן דינמי מטרות מתחרות מרובות - איכות משמעותית, עלויות כימיות, שימוש באנרגיה, ייצור מתפתל - בזמן אמת ללא התערבות אנושית. מחקרים מוקדמים במניפסטים בקנה מידה פיילוט הראו כי בינה מלאכותית אוטונומית יכולה להשיג ביצועים בתוך 5% של מפעיל אנושי מומחה, אך עם הרבה יותר מהיר.

צוק AI ו- Low-Cost Sensors

ההתקדמות במחשוב קצה מאפשרת למודלי AI לרוץ באופן מקומי על מכשירים קטנים, נמוכים ישירות במפעל הטיפול, מבלי צורך לשלוח נתונים לענן.זה מקטין את הגמישות, משפר את האבטחה, ומפחית עלויות התקשורת. בשילוב עם התפתחות של חיישנים זולים, חזקים (למשל, הפרעות אופטיות וחיישנים קצה UV), AI יעשה גם סביר עבור מערכות קטנות.

מסקנה

אינטליגנציה מלאכותית אינה מושג עתידני יותר לטיפול במים; היא כלי מעשי ומוכח לקידוד תהליך המשקעים.על ידי מינוף נתונים בזמן אמת ואלגוריתמי למידת מכונה, כלי מים יכולים להשיג שיפורים משמעותיים באיכות המים, יעילות כימית ואנרגיה, ויציבות תפעולית. יישום אמיתי-עולם מסינגפור עד קליפורניה בבריטניה הוכיחו חיסכון של 15-30% בעלויות כימיות והפחתה משמעותית בהפחתה משמעותית באפקטיביות כימיות.

עם זאת, אימוץ מוצלח דורש תכנון זהיר: השקעה בתשתיות חיישן, אמצעי אבטחת סייבר, ומבנה היכולת של אנשי צמח.העתיד מחזיק אפילו הבטחה גדולה יותר עם תאומים דיגיטליים, בינה מלאכותית, מחשוב קצה, אשר יהפכו את השליטה האינטליגנטית של המשקעים לנגישה למגוון רחב יותר של מתקנים.כפי שהביקוש העולמי לעצימות מים נקיים ותקנות הופך להיות מחמיר יותר, אופטימיזציה של AI-עצמית של משקעים – וכל המים – יהפכו לסטנדרט הכרחי עבור תעשיית המים.

(ב) לעיין בחוקי הטיפול במים של EPA (FLT:1), ב- 2 (המשאבים של איגוד עבודות המים האמריקאיים ב-AI in WaterveFLT 3: 3, ובמחקר שפורסם לאחרונה ב-FLT:4 מחקר מים:5).