Lo strumento di previsione fornisce supporto per la disinfezione a base di cloro.
Acqua pulita – interpretazione artistica. Credito immagine: Amritanshu Sikdar tramite Unsplash, licenza gratuita
Piccolo, rurale trattamento dell’acqua potabile gli impianti in genere utilizzano solo cloro per implementare il processo di disinfezione. Una misura chiave delle prestazioni per la disinfezione è il residuo di cloro libero, la concentrazione di cloro libero rimanente nell’acqua dopo che il cloro ha ossidato i contaminanti target.
Gli operatori dell’impianto scelgono una dose di cloro per ottenere una concentrazione soddisfacente, ma spesso devono stimare il fabbisogno di cloro.
Lo strumento di previsione dell’apprendimento automatico fornisce supporto per la disinfezione dell’acqua a base di cloro. Credito immagine: stampa per l’istruzione superiore tramite NSF
La sfida di determinare una concentrazione accurata di cloro ha portato all’uso di tecniche di previsione avanzate, compreso l’apprendimento automatico. Identificando le correlazioni tra numerose variabili in sistemi complessi, l’apprendimento automatico potrebbe prevedere con precisione il residuo di cloro libero, anche da dati di monitoraggio economici e a bassa tecnologia.
I ricercatori di Georgia Tech e altre istituzioni hanno implementato a modello di machine learning per prevedere il residuo di cloro libero. Il modello utilizza algoritmi di potenziamento del gradiente per accumulare alberi decisionali per generare previsioni. I dati sono stati raccolti da un impianto di trattamento delle acque in Georgia.
Includevano un’ampia varietà di registrazioni di monitoraggio e parametri di processo operativo, variabili che influiscono sulla qualità, sull’efficienza e sui costi di produzione. Il lavoro, sostenuto in parte da due sovvenzioni della US National Science Foundation, è pubblicato in Frontiere delle scienze ambientali e Ingegneria.
Il team di ricerca ha sviluppato quattro iterazioni di un approccio di modellazione generalizzato e ha applicato software open source per interpretare modelli di apprendimento automatico con molti parametri di input, consentendo agli utenti di comprendere visivamente come ciascun parametro influisce sulla previsione.
La quarta e ultima iterazione ha considerato solo le relazioni fisiche e intuitive e la qualità dell’acqua misurata a valle della filtrazione.
Il team ha identificato tre risultati chiave: 1) Con un numero sufficiente di parametri di input correlati, i modelli di apprendimento automatico possono produrre risultati di previsione accurati; 2) i modelli di machine learning possono essere guidati da correlazioni che possono o meno avere una base fisica; e 3) i modelli di apprendimento automatico possono essere analoghi all’esperienza dell’operatore.
Il gruppo di ricerca suggerisce che gli studi futuri dovrebbero esplorare l’espansione del campo di applicabilità. Ad esempio, il set di dati analizzato era limitato a un solo anno intero. Pertanto, si prevede che una maggiore disponibilità dei dati amplierà il campo di applicabilità e migliorerà la produttività.
Fonte: NSF
Da un’altra testata giornalistica. news de www.technology.org
