Штучний інтелект

Анотація: Зростання населення планети призводить до збільшення проблеми доступу до прісної води. Основні джерела води на Землі – солонувата та морська вода. У зв'язку з водною кризою, очищення води стає надзвичайно важливим процесом і його досягнення здійснюється шляхом опріснення та різних методів водопідготовки. В цьому контексті, дослідження можливості використання нейронних мереж для покращення роботи очисних споруд є необхідним. Метою дослідження було встановлено оптимізацію та аналіз ефективності роботи очисних споруд при очищенні промислових стічних вод. Для оптимізації запропонованих моделей було використано методи м'яких обчислень. У цьому дослідженні були визначені точні результати застосування нейронної мережі за допомогою аналітичного та порівняльного підходів. Очищення всіх стічних вод і відходів, що утворюються в очисній промисловості, включає ряд процесів, включаючи повітряну флотацію, хімічну коагуляцію, відстоювання і біологічне очищення з використанням повністю змішаного активного мулу. Розглядалися різні функції навчання, включаючи штучні нейронні мережі (ШНМ) з прямим поширенням, такі як багатошаровий персептрон (MLP), каскадні ШНМ з прямим поширенням та моделі регресії з опорними векторами (SVR). Процес навчання включає використання алгоритмів оптимізації Левенберга-Марквардта та послідовного мінімуму. У статті також наведено графічні зображення, що ілюструють різні типи забруднювачів, витрати, пов'язані з очисними спорудами, та зміни кольору стічних вод, що спостерігаються після процесу очищення. Отримані результати демонструють високий ступінь подібності між прогнозованими та експериментальними даними, що підкреслює ефективність ANN-моделі зі зворотним розповсюдженням для точних прогнозів. Крім того, інтеграція машинного навчання у виробництво миючих засобів може бути надзвичайно ефективною, сприяючи ефективному та сталому використанню водних ресурсів. Загалом, стаття надає цінні висновки щодо використання машинного навчання для розв’язання проблеми дефіциту прісної води.

Ключові слова: очисні споруди, модель, ресурси, регресія опорних векторів, моделювання

Посилання:

1. UNESCO. 2022. The United Nations World Water Development Report 2022: Groundwater: Making the invisible visible. Paris: UNESCO. https://www.undp.org/publications/united-nations-world-water-development-report-2022-groundwater-making-invisible-visible
2. Filipchuk, V.L., Drevetskyi, V.V., Filipchuk, L.V., Klepach, M.I. 2017. Automated management of environmental protection systems for the treatment of metal-containing wastewater. Rivne: NUVHP. http://surl.li/jjwew
3. Tymkiv, M.M. 2021. Optimization of the well network of the hydrogeoecological monitoring system (on the example of the Pripyat River basin). Kyiv: Institute of Environmental Geochemistry of the National Academy of Sciences of Ukraine. https://www.igns.gov.ua/wp-content/uploads/2021/05/dysertatsiya_tymkiv.pdf
4. Shtepa, V.M. 2020. Scientific and theoretical foundations of environmentally safe industrial wastewater treatment technologies. Sumy: Sumy State University. https://essuir.sumdu.edu.ua/handle/123456789/78079
5. Predzymirska, L.M. 2015. Cavitation purification of natural and waste waters from organic and biological contaminants. Lviv: Lviv Polytechnic National University. http://elar.nung.edu.ua/bitstream/123456789/8976/1/an2520.pdf
6. Xie, Y., Chen, Y., Lian, Q., Yin, H., Peng, J., Sheng, M., Wang, Y. 2022. Enhancing real-time prediction of effluent water quality of wastewater treatment plant based on improved feedforward neural network coupled with optimization algorithm. Water, 14(7), 1053. https://doi.org/10.3390/w14071053
7. Kumari, U., Swamy, K., Gupta, A., Karri, R.R., Meikap, B.Ch. 2021. Global water challenge and future perspective. In: Green Technologies for the Defluoridation of Water (pp. 197-212). London: Elsevier. https://doi.org/10.1016/B978-0-323-85768-0.00002-6
8. Tzanakakis, V.A., Paranychianakis, N.V., Angelakis, A.N. 2020. Water supply and water scarcity. Water, 12(9), 2347. https://doi.org/10.3390/w12092347
9. Thongam, D.D., Chaturvedi, H. 2021. Nanomaterials for climate change and water pollution mitigation. In: Water Conservation in the Era of Global Climate Change (pp. 277-314). London: Elsevier. https://doi.org/10.1016/B978-0-12-820200-5.00005-1
10. Akpor, O.B., Otohinoyi, D.A., Olaolu, T.D., Aderiye, B.I. 2014. Pollutants in wastewater effluents: impacts and remediation processes. International Journal of Environmental Research and Earth Science, 3(3), 50-59. http://eprints.lmu.edu.ng/1023/1/IJERES_2014.pdf
11. Elsayed, A., Siam, A., El-Dakhakhni, W. 2022. Machine learning classification algorithms for inadequate wastewater treatment risk mitigation. Process Safety and Environmental Protection, 159, 1224-1235. https://doi.org/10.1016/j.psep.2022.01.065
12. Tarafdar, A., Shahi, N.Ch., Singh, A., Sirohi, R. 2018. Artificial neural network modeling of water activity: a low energy approach to freeze drying. Food and Bioprocess Technology, 11(1), 164-171. https://doi.org/10.1007/s11947-017-2002-4
13. Xinyi, Q. 2023. The application of artificial intelligence – artificial neural networks – in wastewater treatment. E3S Web of Conferences, 393, 03003. https://doi.org/10.1051/e3sconf/202339303003
14. Yadav, A., Chithaluru, P., Singh, A., Joshi, D., Elkamchouchi, D.H., Pérez-Oleaga, C.M., Anand, D. 2023. An enhanced feed-forward back propagation Levenberg–Marquardt algorithm for suspended sediment yield modeling. Water, 14(22), 3714. https://doi.org/10.3390/w14223714
15. Ali, S., Riaz, Sh., Safoora, Xiangryong, L., Wang, G. 2023. A Levenberg-Marquardt based neural network for short-term load forecasting. Computers, Materials and Continua, 75(1), 1783-1800. https://doi.org/10.32604/cmc.2023.035736
16. Malekian, A., Chitsaz, N. 2021. Concepts, procedures, and applications of artificial neural network models in streamflow forecasting. In: Advances in Streamflow Forecasting (pp. 115-147). London: Elsevier. https://doi.org/10.1016/B978-0-12-820673-7.00003-2
17. Le, T.H., Dai, L., Jang, H., Shin, S. 2022. Robust process parameter design methodology: A new estimation approach by using feed-forward neural network structures and machine learning algorithms. Applied Sciences, 12(6), 2904. https://doi.org/10.3390/app12062904
18. Jana, D.K., Bhunia, P., Adhikary, S.D., Bej, B. 2022. Optimization of effluents using artificial neural network and support vector regression in detergent industrial wastewater treatment. Cleaner Chemical Engineering, 3, 100039. https://doi.org/10.1016/j.clce.2022.100039
19. Sharma, K. 2022. A comparative study of different technologies of sewage treatment plant. Delhi: Delhi Technological University. http://dspace.dtu.ac.in:8080/jspui/bitstream/repository/19613/1/KESHAV%20SHARMA%20M.Tech.pdf
20. Singh, N.D., Murugamani, C., Kshirsagar, P., Tirth, V., Islam, S., Qaiyum, S., Suneela, B., Duhayyim, M.A., Waji, Y.A. 2022. IOT based smart wastewater treatment model for industry 4.0 using artificial intelligence. Scientific Programming, 2022, 5134013. https://doi.org/10.1155/2022/5134013
21. Pezhhanfar, S., Zarei, M., Shekaari, T., Khalilzadeh, M. 2021. Neural network, isotherm, and kinetic study for wastewater treatment using populus alba’s pruned material. Iranian Journal of Chemistry & Chemical Engineering, 40(6), 1868-1881. https://doi.org/10.30492/IJCCE.2020.43472
22. Yang, B., Xiao, Z., Meng, Q., Yuan, Y., Wang, W., Wang, H., Wang, Y., Feng, X. 2023. Deep learning-based prediction of effluent quality of a constructed wetland. Environmental Science and Ecotechnology, 13, 100207. https://doi.org/10.1016/j.ese.2022.100207.