Artificiell intelligens (AI) och maskininlärning (ML) är tekniker som till följd av sina självlärande egenskaper vid bearbetning av stora mängder data lämpar sig för styrning och hjälp vid dricksvattenberedning. Sättet att bearbeta, analysera och lära av informationen är under snabb utveckling, även om artificiell intelligens funnits som begrepp under många år. I artikeln beskrivs de senaste framstegen inom området och de tekniker som idag utnyttjas som hjälp vid beredning av dricksvatten, liksom de utmaningar som behöver överbryggas för att ta ytterligare steg i användningen av artificiell intelligens.
Av: Ann Elfström Broo
Vilka AI-tekniker används inom dricksvattenberedning?
Artificiell intelligens (AI) är ett samlingsbegrepp av olika metoder för bearbetning av stora mängder data. På 1950-talet beskrev Alan Turing artificiell intelligens som en maskin som gör saker som vanligtvis utförs av intelligenta varelser. Ambitionen är att behandla och bearbeta data på ett kognitivt sätt, så att program eller robotar kan lära sig genom förmågan att minnas, lösa problem, lära ett språk med mera.
De AI tekniker som används inom dricksvatten kan delas in i maskininlärning (ML), sökalgoritmer och andra tekniker, där ML är vanligast. Maskininlärning används vanligen för att lösa fyra typer av problem: klassificering, regression, dimensionsreduktion och klusteranalys.
För att lösa klassificerings- och regressionsproblem är modellerna baserade på processdata, där en fullständig analys inkluderar en inlärningsfas, där uppskattning av förhållanden mellan ingångsparametrar och måluppfyllnad görs och baserat på detta görs en förutsägelse av de icke linjära sambanden för att erhålla nya resultat. Dessa metoder syftar i första hand till att göra förutsägelser, snarare än uppskattningar av absoluta tal, vilket gör att metoderna passar när bakgrundsdata är komplex och det finns okända interaktioner mellan parametrar och övriga förutsättningar. Inom dricksvattenberedning används dessa metoder till exempel för att göra förutsägelser om vattenkvalitet, algblomning och diagnostik för ledningsnät. Teknikerna som används är bland annat ANN (artificiella neurala nätverk), djupinlärning (DL), stödvektormaskin (SVM) och random forest (RF, slumpmässiga beslutsskogar). Det finns ytterligare en rad olika metoder som utnyttjad och inte sällan används en kombination av dessa.
Inom vilka delar i dricksvattenberedningen har AI utnyttjats?
Utifrån en litteratursökning med sökorden artificiell intelligens och dricksvattenberedning kunde konstateras att flest undersökningar gjorts inom flockning/koagulering, desinfektion och membranfiltrering. Men även för identifiering och analys av föroreningar i råvatten utnyttjas AI. Författarna poängterar att AI metoder, som tidigare nämnt, kan utnyttjas för förutsägelser och att för vattenverk med otillräckliga historiska data är dessa metoder inte lämpliga.
I relation till råvattenkvalitet och förekomst av föroreningar i råvatten har ett antal studier gjorts där AI tekniker framgångsrikt utnyttjats. Ett flertal studier har fokuserat på när och hur alger och algtoxiner förekommer i råvattentäkten, liksom förekomst av cyanobakterier och luktämnen. Resultaten visar på god korrelation och i flera fall att indata i form av vanliga vattenkvalitetsparametrar kan vara mer effektivt än att använda enstaka kvalificerade och specifika analyser, såsom exempelvis enstaka fluorescensspektra.
Tillämpningen av AI för koagulering/ flockning har i första hans fokuserat på att förutsäga turbiditeten hos det renade vattnet och dosbehovet av kemikalier för att erhålla tillfredsställande rening. Hittills har främst metoder baserade på neurala närverk utnyttjats och resultaten visar på en ökad noggrannhet i förutsägelserna i relation till dos och reningsresultat. Här föreslås också att möjligheterna att tillämpa bildigenkänning av flockarnas form och storlek genom utnyttjande av djupinlärning (deep learning, DL) undersöks.
Källa: Lei Li, Shuming Rong, Rui Wang, Shuili Yu (2021). Recent advances in artificial intelligence and machine learning for nonlinear relationship analysis and process control in drinking water treatment: A review. Chemical Engineering Journal, 405, 126673.
