تماس با ما
گروه تلگرام ما
هشدارهای ما
آمار و اطلاعات
پروژه
استفاده از هوش مصنوعی برای کاهش مصرف آب
در سال 2015، اکثریت قریب به اتفاق کشورها متعهد به محدود کردن گرم شدن کره زمین در اجلاس سران در پاریس، فرانسه شدند. از آن زمان به بعد، تعداد فزاینده ای از کشورها تاریخ های لازم الاجرا را تعیین کرده اند تا بتوانند به کربن صفر خالص برسند. با توجه به این تعهد برای کاهش تغییرات آب و هوایی، کاهش انتشار گازهای گلخانه ای (GHG) عامل اصلی موفقیت آن است. بخش تصفیه فاضلاب مسئول تقریباً 2٪ گازهای گلخانه ای ساطع شده در سطح جهان است. با توجه به اینکه اثر آن در مقایسه با دی اکسید کربن (CO2) 300 برابر است، مهمترین عامل آن اکسید نیتروژن (N2O) است. بسیاری از تصفیه خانه های بیولوژیکی فاضلاب حذف نیتروژن را به روشی غیربهینه انجام می دهند و مستعد انتشار N2O هستند.
در نتیجه، من همراه با چندین شریک در توسعه مدل ریسک N2O، که اکنون به سیستم پشتیبانی تصمیم گیری N2ORisk (DSS) تبدیل شده است، کمک کرده ام. N2ORisk DSS از هوش مصنوعی (AI) برای ترکیب دانش متخصص در مورد N2O و یادگیری ماشین (ML) برای تشخیص سریع روند و انتشار N2O، پیشنهاد اقدامات کاهش و در نهایت حذف N2O استفاده می کند. این ابزار نشان می دهد که چگونه می توان از دیجیتال سازی برای حل مشکلاتی که شرکت ها به طور خودکار با آن روبرو هستند، استفاده کرد، اما هنوز هم بر اساس دانش فرآیند است. بعلاوه، قرار دادن این دانش در بستر مقیاس پذیر به ما امکان می دهد تأثیر گسترده تری بر جامعه و کره زمین داشته باشیم.
با پیروی از رویکرد N2ORisk DSS و تمرکز بر N2O، ما توانسته ایم میزان انتشار کلی گازهای گلخانه ای تأسیسات بازیابی منابع آب را تا 70٪ کاهش دهیم. این امر به سادگی با بهینه سازی فرآیند با کمک هوش مصنوعی و دانش فرآیند بیولوژیکی متخصص در زمینه کاهش انتشار N2O رخ داده است. ما متقاعد شده ایم که می توان در بسیاری از گیاهان در سطح جهان دستاوردهای قابل مقایسه ای کسب کرد. این یک میوه نسبتاً ارزان و کم آویز در نبرد با تغییر اقلیم است و می تواند به سرعت بخش آب را یک قدم به خنثی سازی کربن نزدیک کند.
این فقط یک نمونه از تأثیر AI و ML در مدیریت پایدار آب است و اینکه چگونه می توان از آنها برای مقابله با مشکلات بیشتری استفاده کرد. راه حل های سنسور نرم می توانند یک سنگ بنای مهم در دیجیتالی کردن برنامه های کاربردی باشند. این واقعیت که داده های حاصل از اندازه گیری مستقیم، ML و دانش فرآیند می توانند در یک سنسور نرم قرار گیرند، کارایی را بهبود می بخشد. دلیل این امر این است که به اپراتور کمک می کند تا براساس پیش بینی های انجام شده با ترکیب اندازه گیری مستقیم و دانش فرآیند، تصمیمات سریعتر و سازگار تری بگیرد.
راه حل های هوش مصنوعی بسیار کم استفاده می شوند، که اغلب به دلیل عدم آگاهی از نحوه استفاده و نحوه کارکرد آنها است. از این رو، نیاز به راه حل های شفاف و متناسب برای یافتن راه خود در بازار وجود دارد. اما در کنار "راه حل ها"، افرادی که دارای مهارت های ترکیبی منحصر به فرد از هر دو روش تجزیه و تحلیل داده ها / هوش مصنوعی و دانش فرآیند آب هستند، برای پاسخگویی به چالش های شرکت های بزرگ مورد نیاز هستند. برای پیشبرد این، تاسیسات می توانند تیم هایی با این مهارت ایجاد کنند یا شرکت های اختصاصی می توانند آن را به عنوان یک سرویس فناوری ارائه دهند. در واقع، در آینده بسیار نزدیک، ابزارهای دیجیتالی و همچنین تیم های توسعه دهنده آنها به یک دارایی مهم مجازی تبدیل می شوند. پیشرفته ترین برنامه های کاربردی از قبل این تیم ها را دارند.
تغییر دهنده بازی دیگر این است که دانش اپراتور مخصوص سایت می تواند در این راه حل ها نهفته باشد. مسئولیت های یک اپراتور به یک نقش ناظر بر فرآیند یا یک تسهیل کننده برای تعبیه بیشتر دانش و تجربه آنها در راه حل های دیگر مشکلات تأسیسات آب تبدیل می شود، که می تواند با قدرت AI به طور موثرتر و سریعتر حل شود.
به همان روشی که ماشین ها انقلابی در صنعت خودروسازی و بانکداری ایجاد کردند، می توانیم دیجیتالی سازی هوشمند (شامل دانش تخصصی) را پیش بینی کنیم که تأثیر مشابهی در بخش آب داشته باشد. به عنوان متخصصان آب، با مقیاس تخصص خود با راه حل های دیجیتال، می توانیم کارهای سریعتر و بیشتری انجام دهیم. انجام این کار نه تنها منجر به افزایش کارایی و بهره وری می شود، بلکه به مقابله با مشکلاتی مانند تغییر اقلیم - یکی از بزرگترین چالش های امروز ما نیز کمک می کند.
شناسه تلگرام مدیر سایت: SubBasin@
نشانی ایمیل: behzadsarhadi@gmail.com
(سوالات تخصصی را در گروه تلگرام ارسال کنید)
_______________________________________________________
در منابع آب
نظرات (۰)