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)
Questo studio valuta le prestazioni dei modelli di Reti Neurali Artificiali (ANN), Logica Fuzzy (FL) e Sistema di Inferenza Neuro-Fuzzy Adattivo (ANFIS), potenziati dalla Analisi delle Componenti Principali (PCA), per prevedere la qualità dell'effluente presso l'impianto di trattamento delle acque reflue di Teheran, dimostrando infine che il modello ANFIS offre la massima accuratezza nella previsione dell'efficienza di rimozione degli inquinanti.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
L'acqua è il sangue vitale delle città moderne, ma con l'aumento delle popolazioni e la diminuzione delle fonti pulite, l'acqua che scarichiamo sta diventando una risorsa che non possiamo più permetterci di ignorare. Gli impianti di trattamento delle acque reflue municipali agiscono come i grandi filtri della nostra civiltà, prendendo l'acqua sporca proveniente da case e industrie e pulendola finché non è abbastanza sicura da essere restituita all'ambiente o persino riutilizzata per l'agricoltura. Tuttavia, questi impianti sono macchine complesse dove processi chimici e biologici interagiscono in modi che sono spesso disordinati e imprevedibili. La matematica tradizionale fatica a catturare questo caos perché le relazioni tra la temperatura dell'acqua, la sua acidità e la quantità di scarti che trasporta sono raramente linee rette. Per gestire questi impianti in modo efficace, gli ingegneri hanno bisogno di sapere esattamente quanto sarà pulita l'acqua in uscita, ma aspettare giorni per i risultati di laboratorio può essere troppo lento per prendere decisioni rapide. È qui che entra in gioco la promessa dell'intelligenza artificiale, offrendo un modo per imparare dai dati passati per prevedere il futuro con velocità e precisione.
In uno studio recente focalizzato su un importante impianto di trattamento a Teheran, in Iran, i ricercatori si sono posti l'obiettivo di testare se i modelli informatici potessero prevedere accuratamente la qualità dell'acqua in uscita dall'impianto. Hanno raccolto un anno di dati reali, tracciando tutto, dalla quantità di materia organica e solidi sospesi in entrata nel sistema alla temperatura e all'acidità dell'acqua. Il team ha poi costruito tre diversi tipi di "cervelli" digitali per analizzare queste informazioni. Il primo era una rete neurale artificiale, un sistema progettato per imitare il modo in cui i neuroni umani si connettono e apprendono. Il secondo era un modello a logica fuzzy, che gestisce l'incertezza utilizzando regole che permettono sfumature di grigio piuttosto che risposte rigide sì-o-no. Il terzo era un sistema ibrido chiamato sistema di inferenza neuro-fuzzy adattivo, che combina la velocità di apprendimento della rete neurale con il ragionamento basato su regole della logica fuzzy. Per vedere se semplificare i dati aiutasse, hanno anche eseguito questi modelli due volte: una volta utilizzando tutte le misurazioni grezze e una volta dopo aver utilizzato un metodo statistico per eliminare le informazioni ridondanti e mantenere solo i fattori più critici.
I ricercatori hanno scoperto che tutti e tre i sistemi informatici erano in grado di apprendere i modelli dell'impianto di trattamento, ma uno si è distinto come significativamente più affidabile. Il sistema ibrido, che fonde le reti neurali con la logica fuzzy, si è dimostrato il predittore più accurato della qualità finale dell'acqua. Quando il team ha confrontato le ipotesi del computer con i risultati effettivi del laboratorio, questo modello ibrido ha commesso meno errori rispetto agli altri, riducendo l'errore medio di quasi il 14 percento rispetto al modello a logica fuzzy e di oltre l'8 percento rispetto alla sola rete neurale. Interessanti sono anche le conclusioni dello studio, secondo cui alimentare il computer con meno variabili, selezionate con cura, non ha sempre migliorato i risultati; infatti, per alcuni modelli, l'utilizzo dell'intero set di dati ha prodotto previsioni migliori. Ciò suggerisce che, sebbene la semplificazione dei dati possa essere utile, le relazioni complesse nel trattamento delle acque reflue sono così ricche che scartare informazioni potrebbe talvolta nascondere indizi importanti.
Oltre a prevedere numeri, lo studio ha confermato che l'impianto di trattamento stesso sta operando in modo eccezionale. Calcolando quanta inquinazione veniva rimossa, i ricercatori hanno scoperto che la struttura elimina circa il 96,68 percento dei solidi sospesi totali, ovvero le minuscole particelle solide che galleggiano nell'acqua. I tassi di rimozione per altri inquinanti, come la materia organica che consuma ossigeno nei fiumi, erano quasi altrettanto alti. I modelli informatici sono stati in grado di replicare questo alto livello di efficienza con una vicinanza sorprendente, dimostrando di poter servire come strumento affidabile per gli operatori. Invece di aspettare i lenti test di laboratorio, i gestori dell'impianto potrebbero potenzialmente utilizzare questi modelli per ottenere una stima immediata e accurata di quanto sia pulita l'acqua, consentendo loro di regolare il processo di trattamento in tempo reale. Il lavoro dimostra che l'intelligenza artificiale non è solo un concetto teorico, ma un metodo pratico, efficiente e affidabile per garantire che l'acqua che riutilizziamo sia sicura per la terra e per le persone che dipendono da essa.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.