Problem globalnego braku dostępu do wody pitnej
Obecnie około 2,2 miliarda ludzi na świecie, co stanowi ponad jedną czwartą globalnej populacji, nie ma dostępu do bezpiecznej, zarządzanej wody pitnej. Dodatkowo, połowa ludności świata doświadcza poważnych niedoborów wody przynajmniej raz w roku. W odpowiedzi na te problemy, w skali globalnej ponoszone są ogromne koszty społeczno-ekonomiczne związane z irygacją ścieków oraz wykorzystaniem alternatywnych źródeł wody, takich jak ponowne użycie wody deszczowej czy odsalanie wody morskiej.
Ograniczenia centralnych systemów dystrybucji wody
Centralne systemy dystrybucji wody mają jednak swoje ograniczenia, zwłaszcza w kontekście szybkiej reakcji na zmieniające się zapotrzebowanie na wodę. W rezultacie, rośnie zainteresowanie zdecentralizowanymi technologiami produkcji wody, w tym technologiami opartymi na procesach elektrochemicznych, które są relatywnie proste do wdrożenia. Przykładem takich rozwiązań są odsalanie pojemnościowe oraz elektrodowe odsalanie bateryjne, znane także jako dejonizacja faradaiczna.
Braki w precyzji pomiarów jakości wody
Jednym z problemów, z jakimi mierzą się te technologie, jest niedoskonałość istniejących sensorów do pomiaru jakości wody. Aktualnie stosowane czujniki nie są w stanie precyzyjnie mierzyć i śledzić stężenia poszczególnych jonów, ograniczając się jedynie do przybliżonych szacunków na podstawie przewodnictwa elektrycznego wody.
Nowa technologia oparta na sztucznej inteligencji
Nowe podejście do tego problemu zaproponował zespół badawczy pod kierownictwem dr Sona Moona z Koreańskiego Instytutu Nauki i Technologii (KIST), który we współpracy z prof. Baek Sang-Soo z Uniwersytetu Yeongnam opracował technologię opartą na sztucznej inteligencji. Zastosowano model uczenia maszynowego, który umożliwia precyzyjne przewidywanie stężenia jonów w procesach elektrochemicznego oczyszczania wody.
Zastosowanie modelu losowego lasu w badaniach
Zespół badawczy skonstruował model oparty na losowym lesie, technice stosowanej do rozwiązywania problemów regresyjnych. Następnie model ten został wykorzystany do przewidywania stężeń jonów w technologiach elektrochemicznego oczyszczania wody. Dzięki zastosowaniu sztucznej inteligencji możliwe było dokładne przewidywanie przewodnictwa elektrycznego przetworzonej wody oraz koncentracji poszczególnych jonów, takich jak Na+, K+, Ca2+ oraz Cl-. Uzyskane wyniki osiągnęły poziom dopasowania R2 bliski 0,9, co świadczy o wysokiej precyzji prognoz.
Potrzeba regularnych aktualizacji danych
Aby zwiększyć dokładność przewidywań, okazało się, że konieczne są regularne aktualizacje danych, odbywające się co 20–80 sekund. Oznacza to, że do zastosowania tej technologii w krajowych sieciach monitorowania jakości wody niezbędne jest prowadzenie pomiarów w odstępach co najmniej jednominutowych, aby model mógł być odpowiednio trenowany na bieżąco.
Zalety modelu losowego lasu
Model losowego lasu, użyty w badaniu, ma dodatkową zaletę w postaci niższych kosztów obliczeniowych w porównaniu do bardziej złożonych modeli opartych na głębokim uczeniu. Wymaga on ponad 100 razy mniej zasobów obliczeniowych, co czyni go bardziej ekonomiczną opcją dla rozwiązań zarządzania jakością wody.