Analysis of Sewage Treatment Plant’s Data to evaluate Quality of Effluent using Experimental Results and Prediction based on Artificial Intelligence Models (Case Study: Tehran Wastewater Treatment Plant)
Diese Studie bewertet die Leistungsfähigkeit von Modellen des künstlichen neuronalen Netzes (ANN), der Fuzzy-Logik (FL) und des adaptiven neuro-fuzzy-inferenz-systems (ANFIS), die durch die Hauptkomponentenanalyse (PCA) verbessert wurden, um die Abwasserqualität in der Kläranlage von Teheran vorherzusagen, wobei letztlich nachgewiesen wird, dass das ANFIS-Modell die höchste Genauigkeit bei der Prognose der Schadstoffentfernungsrate bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Wasser ist das Lebenselixier moderner Städte, doch während die Bevölkerung anschwillt und saubere Quellen schwinden, wird das Abwasser, das wir wegspülen, zu einer Ressource, die wir nicht länger ignorieren können. Kommunale Kläranlagen fungieren als die großen Filter unserer Zivilisation, indem sie das schmutzige Wasser aus Haushalten und Industrien aufbereiten und reinigen, bis es sicher genug ist, um in die Umwelt zurückgeführt oder sogar für die Landwirtschaft wiederverwendet zu werden. Diese Anlagen sind jedoch komplexe Maschinen, in denen chemische und biologische Prozesse auf eine Weise interagieren, die oft unordentlich und unvorhersehbar ist. Die traditionelle Mathematik hat Schwierigkeiten, dieses Chaos zu erfassen, da die Beziehungen zwischen der Temperatur des Wassers, seinem Säuregehalt und der Menge an Abfall, die es transportiert, selten geradlinig verlaufen. Um diese Anlagen effektiv zu steuern, müssen Ingenieure genau wissen, wie sauber das austretende Wasser sein wird, aber das Warten auf Laborergebnisse, die Tage dauern können, ist für schnelle Entscheidungen oft zu langsam. Hier tritt das Versprechen der künstlichen Intelligenz auf den Plan und bietet eine Möglichkeit, aus vergangenen Daten zu lernen, um die Zukunft mit Geschwindigkeit und Präzision vorherzusagen.
In einer kürzlich durchgeführten Studie, die sich auf eine große Kläranlage in Teheran, Iran, konzentrierte, untersuchten Forscher, ob Computermodelle die Qualität des aus der Anlage austretenden Wassers genau vorhersagen könnten. Sie sammelten ein Jahr lang Realdaten und erfassten dabei alles, von der Menge der organischen Stoffe und der Schwebstoffe, die in das System gelangen, bis hin zur Temperatur und dem Säuregehalt des Wassers. Das Team entwickelte daraufhin drei verschiedene Arten digitaler „Gehirne“, um diese Informationen zu analysieren. Das erste war ein künstliches neuronales Netz, ein System, das darauf ausgelegt ist, die Art und Weise nachzuahmen, wie menschliche Neuronen sich verbinden und lernen. Das zweite war ein Fuzzy-Logic-Modell, das Unsicherheit handhabt, indem es Regeln verwendet, die Graustufen statt strikter Ja-oder-Nein-Antworten zulassen. Das dritte war ein Hybridsystem namens Adaptive Neuro-Fuzzy Inference System, welches die Lerngeschwindigkeit des neuronalen Netzes mit der regelbasierten Logik der Fuzzy-Logik kombiniert. Um zu prüfen, ob eine Vereinfachung der Daten half, ließen sie diese Modelle auch zweimal laufen: einmal unter Verwendung aller Rohmesswerte und einmal nachdem sie eine statistische Methode angewandt hatten, um redundante Informationen zu entfernen und nur die kritischsten Faktoren beizubehalten.
Die Forscher entdeckten, dass alle drei Computersysteme in der Lage waren, die Muster der Kläranlage zu erlernen, aber eines stach als signifikant zuverlässiger hervor. Das Hybridsystem, das neuronale Netze mit Fuzzy-Logik verbindet, erwies sich als der genaueste Prädiktor für die endgültige Wasserqualität. Als das Team die Vermutungen des Computers mit den tatsächlichen Laborergebnissen verglich, machte dieses Hybridmodell weniger Fehler als die anderen und reduzierte den durchschnittlichen Fehler im Vergleich zum Fuzzy-Logic-Modell um fast 14 Prozent und im Vergleich zum reinen neuronalen Netz um über 8 Prozent. Interessanterweise fanden die Forscher heraus, dass die Fütterung des Computers mit weniger, sorgfältiger ausgewählten Variablen nicht immer die Ergebnisse verbesserte; tatsächlich lieferten für einige Modelle die Verwendung des vollständigen Datensatzes bessere Vorhersagen. Dies deutet darauf hin, dass, obwohl die Vereinfachung von Daten hilfreich sein kann, die komplexen Beziehungen in der Abwasserreinigung so reichhaltig sind, dass das Wegwerfen von Informationen manchmal wichtige Hinweise verbergen kann.
Über die reine Vorhersage von Zahlen hinaus bestätigte die Studie, dass die Kläranlage selbst außergewöhnlich gut arbeitet. Durch die Berechnung der Menge der entfernten Verunreinigungen stellten die Forscher fest, dass die Anlage etwa 96,68 Prozent der gesamten Schwebstoffe eliminiert, bei denen es sich um winzige feste Partikel handelt, die im Wasser schweben. Die Entfernungsraten für andere Schadstoffe, wie etwa die organische Substanz, die Sauerstoff in Flüssen verbraucht, waren nahezu ebenso hoch. Die Computermodelle konnten diese hohe Effizienz mit bemerkenswerter Genauigkeit replizieren, was beweist, dass sie den Anlagenbetreibern als vertrauenswürdiges Werkzeug dienen können. Anstatt auf langsame Labortests zu warten, könnten Anlagenleiter diese Modelle potenziell nutzen, um eine sofortige, genaue Schätzung darüber zu erhalten, wie sauber das Wasser ist, was es ihnen ermöglicht, den Reinigungsprozess in Echtzeit anzupassen. Die Arbeit zeigt, dass künstliche Intelligenz nicht nur ein theoretisches Konzept ist, sondern eine praktische, effiziente und zuverlässige Methode, um sicherzustellen, dass das Wasser, das wir wiederverwenden, sicher für das Land und die Menschen ist, die darauf angewiesen sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.