NSF Haberler

Makine öğrenimiyle desteklenen ucuz izleme süreci su arıtımına yardımcı olabilir

Küçük, kırsal içme suyu arıtma tesisleri, dezenfeksiyon işlemini uygulamak için genellikle yalnızca klor kullanır. Dezenfeksiyon için önemli bir performans ölçüsü: serbest klor kalıntısı, klor hedef kirletici maddeleri oksitledikten sonra suda kalan serbest klor konsantrasyonu. Tesis operatörleri tatmin edici bir klor dozu elde etmek için klor dozunu seçerler. konsantrasyon ancak genellikle klor gereksinimlerini tahmin etmek gerekir.

Doğru klor konsantrasyonunu belirlemenin zorluğu, makine öğrenimi de dahil olmak üzere ileri tahmin tekniklerinin kullanılmasına yol açmıştır. Karmaşık sistemlerdeki çok sayıda değişken arasındaki korelasyonları belirleyerek makine öğrenimi, uygun maliyetli, düşük teknolojili izleme verilerinden bile serbest klor kalıntısını doğru bir şekilde tahmin etmek için kullanılabilir.

Araştırmacılar Georgia Teknoloji ve diğer kurumlar bir uygulama başlattı. makine öğrenme Serbest klor kalıntısını tahmin etmek için model. Model, tahmin oluşturmak amacıyla karar ağaçlarını toplamak için gradyan artırma algoritmalarını kullanır. Veriler Gürcistan'daki bir su arıtma tesisinden toplandı ve üretimin kalitesini, verimliliğini ve maliyetini etkileyen değişkenler olan çok çeşitli izleme kayıtları ve operasyonel süreç parametrelerini içeriyordu. Kısmen desteklenen çalışma iki hibeler ABD Ulusal Bilim Vakfı'ndan, şu tarihte yayınlandı: Çevre Bilimi ve Mühendisliğinin Sınırları.

Araştırma ekibi, genelleştirilmiş bir modelleme yaklaşımının dört yinelemesini geliştirdi ve makine öğrenimi modellerini birçok girdi parametresiyle yorumlamak için açık kaynaklı yazılım uygulayarak kullanıcıların her parametrenin tahmini nasıl etkilediğini görsel olarak anlamasını sağladı.

Dördüncü ve son yinelemede yalnızca sezgisel, fiziksel ilişkiler ve filtrelemenin aşağısında ölçülen su kalitesi dikkate alındı. Ekip üç temel bulgu belirledi: 1) Yeterli miktarda ilgili girdi parametresi ile makine öğrenimi modelleri doğru tahmin sonuçları üretebilir; 2) makine öğrenimi modelleri, fiziksel bir temeli olan veya olmayan korelasyonlar tarafından yönlendirilebilir; ve 3) makine öğrenimi modelleri operatör deneyimine benzer olabilir.

Araştırma ekibi gelecekteki çalışmaların uygulanabilirlik alanını genişletmeyi keşfetmesi gerektiğini öne sürüyor. Örneğin analiz ettikleri veri seti yalnızca bir tam yılla sınırlıydı. Bu nedenle, daha fazla veri kullanılabilirliğinin uygulanabilirlik alanını genişletmesi ve öngörülebilirliği artırması bekleniyor.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir