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)
यह अध्ययन तेहरान के अपशिष्ट जल उपचार संयंत्र में बहिःस्राव गुणवत्ता की भविष्यवाणी करने के लिए प्रिसिंपल कंपोनेंट एनालिसिस (PCA) द्वारा उन्नत आर्टिफिशियल न्यूरल नेटवर्क (ANN), फजी लॉजिक (FL), और एडेप्टिव न्यूरो-फजी इन्फरेंस सिस्टम (ANFIS) मॉडलों के प्रदर्शन का मूल्यांकन करता है, जो अंततः यह प्रदर्शित करता है कि प्रदूषक हटाने की दक्षता के पूर्वानुमान के लिए ANFIS मॉडल उच्चतम सटीकता प्रदान करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
पानी आधुनिक शहरों का जीवन रक्त है, लेकिन जैसे-जैसे जनसंख्या बढ़ रही है और स्वच्छ स्रोत कम हो रहे हैं, वह पानी जिसे हम बहा देते हैं, एक ऐसा संसाधन बनता जा रहा है जिसे हम अब और अधिक अनदेखा नहीं कर सकते। नगरपालिका अपशिष्ट जल उपचार संयंत्र (म्यूनिसिपल वेस्टवॉटर ट्रीटमेंट प्लांट) हमारी सभ्यता के महान फिल्टर के रूप में कार्य करते हैं, जो घरों और उद्योगों से आने वाले गंदे पानी को तब तक साफ करते हैं जब तक कि यह पर्यावरण में वापस भेजने या खेती के लिए पुन: उपयोग करने के लिए सुरक्षित न हो जाए। हालांकि, ये संयंत्र जटिल मशीनें हैं जहाँ रासायनिक और जैविक प्रक्रियाएं इस तरह से परस्पर क्रिया करती हैं जो अक्सर अव्यवस्थित और अप्रत्याशित होती हैं। पारंपरिक गणित इस अराजकता को पकड़ने में संघर्ष करता है क्योंकि पानी के तापमान, इसकी अम्लता और इसमें मौजूद कचरे की मात्रा के बीच के संबंध शायद ही कभी सीधी रेखाओं में होते हैं। इन संयंत्रों को प्रभावी ढंग से प्रबंधित करने के लिए, इंजीनियरों को यह जानने की आवश्यकता होती है कि बाहर आने वाला पानी वास्तव में कितना स्वच्छ होगा, लेकिन लैब के परिणामों के लिए दिनों तक प्रतीक्षा करना त्वरित निर्णय लेने के लिए बहुत धीमा हो सकता है। यहीं पर कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) का वादा प्रवेश करता है, जो भविष्य की भविष्यवाणी करने के लिए गति और सटीकता के साथ पिछले डेटा से सीखने का एक तरीका प्रदान करता है।
तेहरान, ईरान में एक प्रमुख उपचार सुविधा पर केंद्रित एक हालिया अध्ययन में, शोधकर्ताओं ने यह परीक्षण करने के उद्देश्य से काम किया कि क्या कंप्यूटर मॉडल संयंत्र से बाहर निकलने वाले पानी की गुणवत्ता का सटीक पूर्वानुमान लगा सकते हैं। उन्होंने एक वर्ष का वास्तविक दुनिया का डेटा एकत्र किया, जिसमें सिस्टम में प्रवेश करने वाले कार्बनिक पदार्थों और निलंबित ठोस पदार्थों (सस्पेंडेड सॉलिड्स) की मात्रा से लेकर पानी के तापमान और अम्लता तक सब कुछ ट्रैक किया गया। टीम ने फिर इस जानकारी का विश्लेषण करने के लिए तीन अलग-अलग प्रकार के डिजिटल "मस्तिष्क" बनाए। पहला एक आर्टिफिशियल न्यूरल नेटवर्क था, एक ऐसी प्रणाली जिसे मानव न्यूरॉन्स के जुड़ने और सीखने के तरीके की नकल करने के लिए डिज़ाइन किया गया है। दूसरा एक फजी लॉजिक मॉडल था, जो अनिश्चितता को संभालने के लिए ऐसे नियमों का उपयोग करता है जो सख्त हाँ-या-ना के बजाय ग्रे शेड्स (धुंधलेपन) की अनुमति देते हैं। तीसरा एक हाइब्रिड सिस्टम था जिसे एडेप्टिव न्यूरो-फजी इन्फरेंस सिस्टम कहा जाता है, जो न्यूरल नेटवर्क की सीखने की गति को फजी लॉजिक के नियम-आधारित तर्क के साथ जोड़ता है। यह देखने के लिए कि क्या डेटा को सरल बनाने से मदद मिलती है, उन्होंने इन मॉडलों को दो बार भी चलाया: एक बार सभी कच्चे मापों का उपयोग करके और एक बार सांख्यिकीय पद्धति का उपयोग करके अनावश्यक जानकारी को हटाकर और केवल सबसे महत्वपूर्ण कारकों को रखकर।
शोधकर्ताओं ने पाया कि तीनों कंप्यूटर प्रणालियाँ उपचार संयंत्र के पैटर्न को सीखने में सक्षम थीं, लेकिन एक मॉडल अन्य की तुलना में काफी अधिक विश्वसनीय के रूप में उभरा। हाइब्रिड सिस्टम, जो न्यूरल नेटवर्क को फजी लॉजिक के साथ मिलाता है, पानी की अंतिम गुणवत्ता का सबसे सटीक भविष्यवक्ता साबित हुआ। जब टीम ने कंप्यूटर के अनुमानों की तुलना वास्तविक लैब परिणामों से की, तो इस हाइब्रिड मॉडल ने अन्य की तुलना में कम गलतियाँ कीं, जिससे फजी लॉजिक मॉडल की तुलना में त्रुटि औसतन लगभग 14 प्रतिशत और अकेले न्यूरल नेटवर्क की तुलना में 8 प्रतिशत से अधिक कम हो गई। दिलचस्प बात यह है कि अध्ययन में पाया गया कि कंप्यूटर को कम, अधिक सावधानीपूर्वक चुने गए चर (वेरिएबल्स) खिलाने से हमेशा परिणाम बेहतर नहीं हुए; वास्तव में, कुछ मॉडलों के लिए, डेटा के पूर्ण सेट का उपयोग करने से बेहतर भविष्यवाणियां प्राप्त हुईं। यह सुझाव देता है कि जबकि डेटा को सरल बनाना सहायक हो सकता है, अपशिष्ट जल उपचार में जटिल संबंध इतने समृद्ध हैं कि जानकारी को फेंक देने से कभी-कभी महत्वपूर्ण सुराग छिप सकते हैं।
केवल संख्याओं की भविष्यवाणी करने से परे, अध्ययन ने पुष्टि की कि उपचार संयंत्र स्वयं असाधारण रूप से अच्छा प्रदर्शन कर रहा है। प्रदूषण की मात्रा की गणना करके, शोधकर्ताओं ने पाया कि सुविधा कुल निलंबित ठोस पदार्थों (सस्पेंडेड सॉलिड्स), जो पानी में तैरते सूक्ष्म ठोस कण होते हैं, का लगभग 96.68 प्रतिशत हिस्सा हटा देती है। अन्य प्रदूषकों के लिए निष्कासन दर, जैसे कि कार्बनिक पदार्थ जो नदियों में ऑक्सीजन की खपत करते हैं, लगभग उतनी ही उच्च थी। कंप्यूटर मॉडल इस उच्च दक्षता स्तर को उल्लेखनीय निकटता के साथ दोहराने में सक्षम थे, जो यह सिद्ध करता है कि वे ऑपरेटरों के लिए एक भरोसेमंद उपकरण के रूप में काम कर सकते हैं। धीमी प्रयोगशाला परीक्षाओं की प्रतीक्षा करने के बजाय, संयंत्र प्रबंधक इन मॉडलों का उपयोग पानी के शुद्ध होने का तत्काल, सटीक अनुमान प्राप्त करने के लिए कर सकते हैं, जिससे उन्हें वास्तविक समय में उपचार प्रक्रिया को समायोजित करने की अनुमति मिल सके। यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस केवल एक सैद्धांतिक अवधारणा नहीं है, बल्कि उस पानी को सुरक्षित सुनिश्चित करने के लिए एक व्यावहारिक, कुशल और विश्वसनीय तरीका है जिसे हम भूमि और उन लोगों के लिए पुन: उपयोग करते हैं जो इस पर निर्भर हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।