Нет ничего более важного для жизни на Земле, чем вода.
Во всем мире почти 663 миллиона человек вообще не имеют безопасного доступа к чистой воде круглый год. Проблема изменения климата, вероятно, усугубит ситуацию, и поиск решений для менее экономически развитых стран является приоритетом.
Новые технологии, такие как большие данные и искусственный интеллект, могут помочь найти способ.
Кэти Уолтерс / Вода, вода повсюду / [CC BY-SA 2.0 ]
Большие данные — анализ огромного количества информации с помощью инструментов, способных обработать их гораздо быстрее, чем люди могут обойтись без технической поддержки.В последние годы объем сбора и накопления данных увеличился благодаря недорогим датчикам и растущему использованию геопространственного анализа.
Эти новые технологии улучшили нашу способность находить и контролировать запасы воды.
Более того, инфраструктура, предоставляемая современными датчиками, создает возможности для облачных вычислений и повышения доступности данных во всех системах.
сельское хозяйство Сельское хозяйство на сегодняшний день является крупнейшим потребителем (и расточителем) воды в мире.
Фермеры используют 70% пресной воды в мире, но 60% его теряется в результате утечек в ирригационных системах.
и нерациональные методы использования.
Аналитика больших данных может продолжать находить оптимальные решения для баланса производительности и надежности, когда дело касается сельского хозяйства.
Это также может предотвратить несчастные случаи по вине человека, такие как внезапное снижение качества воды, которые могут оставаться скрытыми до тех пор, пока не будет реализован полный эффект. Это может помочь предприятиям водоснабжения понять тенденции в землепользовании и климате, которые будут влиять на ключевые решения при планировании адаптивных и управляемых систем водоснабжения.
Большие данные и моделирование могут помочь предприятиям водоснабжения и землепользователям работать вместе, чтобы оценить, сколько воды потребуется и будет доступно при различных вариантах развития.
Отходы воды В 20 веке население мира утроилось, а потребление воды человеком возросло в шесть раз.
До сих пор предприятия водоснабжения были в тупике, когда дело касалось времени и ресурсов.
Их инфраструктура водоснабжения и водоотведения приходит в упадок, ломаются насосы, протекают трубы и другие детали, но предприятия, испытывающие нехватку денежных средств, не имеют ни денег, ни знаний об инфраструктуре, чтобы провести необходимые улучшения.
Актуальная проблема с данными По сути, большие данные подразумевают наличие огромного количества данных.
Компании водоснабжения получают данные через системы диспетчерского управления и сбора данных (SCADA), включая статистику потоков, онлайн-мониторинг и т. д.
Диспетчерское управление и сбор данных (SCADA) - программное обеспечение, использующее компьютеры, локальные сети передачи данных и графический интерфейс пользователя для организации контроля и управления на высоком уровне.Предприятия уже используют системы СКАДА , что позволяет им собирать огромные объемы данных.
Однако часто оказывается, что они не знают или не заботятся о том, как сделать так, чтобы эти данные принесли конкретную ценность.
Их системы SCADA могут быть устаревшими, создавать уникальные форматы данных и не обязательно быть предназначены для совместной работы (разрозненные).
Кроме того, данные, собранные с очистных сооружений, зачастую отрывочны.
Существует разрыв в данных компьютерных систем, которые не всегда обмениваются данными друг с другом.
Развитие больших данных и новые инструменты управления данными позволяют нам превращать все эти данные в понятную и полезную информацию, которая помогает нам стать более активными и принимать более эффективные бизнес-решения.
Более того, сотрудники предприятия, имеющие под рукой такого рода информацию, с большей вероятностью смогут заранее выявить потенциальные проблемы до того, как они возникнут, вместо того, чтобы спешить исправлять что-то вроде сломанный насос .
Системы SCADA способны отображать текущую ситуацию в режиме реального времени и немедленно сигнализировать о проблемах.
Возможность прогнозировать вероятные проблемы с помощью интеллектуальных платформ для обработки данных меняет правила игры.
Следующий шаг — объединение данных и использование инструментов аналитики для прогнозирования того, на чем нам нужно сосредоточить свое внимание, чтобы стать более дальновидными, — имеет решающее значение для водной отрасли.
Сосредоточьтесь на качестве, а не на количестве.
Даже самая сложная аналитическая обработка данных не может избежать ошибок измерений.
Если вы не уверены в своих основных датчиках и анализаторах, у вас их будет огромное количество.
неверные данные которые бесполезны.
Как это работает Data Mining (примечание переводчика: существует несколько переводов этого термина, в этой статье мы будем использовать «извлечение данных») — это то, как специалист по большим данным обнаруживает информацию в потоке необработанных данных.
Стимулы и выгоды для обеих сторон — поставщиков коммунальных услуг и потребителей — можно затем синхронизировать с помощью математических моделей, например, основанных на байесовском выводе и теории игр.
Информация о коммуникациях, полученная на основе больших данных, наконец-то распространяется, чтобы операторы, инженеры и руководители могли принять ее на вооружение.
Недостатка в исходных данных нет. Почти 60% предприятий водоснабжения имеют системы дистанционного сбора данных на всех насосных станциях, а 43% имеют сбор данных на всех водоемах.
Преимущества больших данных: — Расширенный анализ тенденций Высокопроизводительные большие данные (колоссально огромные наборы данных) потенциально могут обеспечить разумное управление ресурсами водной инфраструктуры, позволяя менеджерам разумно и точно оценивать, прогнозировать и распределять свои ресурсы.
Водоканалы могут извлечь выгоду из анализа тенденций, в котором используются аналитические методы, помогающие создавать будущие прогнозы для выявления скрытых закономерностей и тенденций, скрытых в старых данных.
— Прогноз спроса Расширенная аналитика больших данных делает возможным прогнозирование нагрузки на систему для руководителей высокого уровня за счет распознавания закономерностей и моделирования ряда сценариев с использованием системы динамического моделирования и передовых алгоритмов машинного обучения.
Расширенное прогнозирование нагрузки на систему для прогнозирования поведения потребления воды с использованием больших данных из нескольких наборов данных, таких как демографические факторы (плотность населения и т. д.), исторические модели потребления, климат (температура, влажность и т. д.).
), инфраструктура (используемые технологии, возраст, производительность и т. д.), политические, экономические и другие критерии.
Эти компоненты представляют собой входные переменные для разработки прогнозной модели, способной предвидеть поведение потребителей (т. е.
спрос на воду).
— Автоматизированный контроль Что, если вместо отправки сигналов команде инженеров эти системы SCADA смогут отправлять команды самонастройки? Давайте представим себе что-то вроде саморегулирующихся технологий, которые помогают нам регулировать воду.
— Открытые данные Некоторые другие области, где интеграция данных стимулирует инновации, — это открытые данные и гражданская наука.
Обратной стороной коммунальных предприятий, не работающих в конкурентной среде, является возможность создать среду для инноваций других.
Наборы данных, собранные предприятиями, могут стать, а в некоторых случаях уже стали доступными третьим лицам в виде открытых данных.
Как применять ИИ ИИ — это масштабируемое и экономичное решение для большого количества водопроводов, принадлежащих коммунальным компаниям.
Помимо интеграции данных, ИИ также улучшит процесс принятия решений, предоставляя рекомендации на основе этих данных.
Программное обеспечение с элементами искусственного интеллекта на основе машинного обучения для оценки состояния труб — лучшая стратегия развития, чем просто роботизация.
ИИ может проанализировать тысячи миль [труб] за считанные часы, что становится чрезвычайно экономически эффективным решением.
Машинное обучение — лучший способ найти значимые связи в данных, а затем вывести функциональные связи, которые можно использовать для принятия решений.
Например, были разработаны модели прогнозирования, позволяющие коммунальным предприятиям прогнозировать спрос с точностью до 98%.
Эти модели берут собранные данные и объединяют их с другими данными, такими как прогнозы погоды, которые затем передаются в модели машинного обучения во внешних приложениях.
В то время как другие отрасли широко используют анализ тенденций и прогнозирование, их ключевое значение остается загадкой в сильно фрагментированной водной отрасли.
Поставщики услуг и коммунальные предприятия должны инвестировать в надлежащие системы сбора данных для сбора, агрегирования и анализа тенденций микро- и макроданных в качестве первого шага на пути к оптимизации управления инфраструктурными ресурсами и принятия решений в водном секторе.
Некоторые стартапы разрабатывают решения по управлению водными ресурсами на основе глубокого обучения.
Компании обещают «предоставить возможность предотвращать протечки воды в системах водоснабжения, прогнозировать общее состояние системы и минимизировать эксплуатационные расходы».
Они могут предоставлять данные с отметками времени от датчиков и счетчиков, используя для их анализа самый передовой алгоритм глубокого обучения.
В Индии были разработаны две модели ИНС для определения качества воды реки Гомти.
Параметры качества воды, такие как кислотность (pH), общее содержание твердых веществ, химическая потребность в кислороде, были взяты в качестве набора данных, и был сделан предварительный расчет растворенного кислорода и биологического потребления кислорода.
Искусственная нейронная сеть (ИНС) — вычислительная модель, основанная на структуре и функционировании биологических нейронных сетей.Прототип нейронной сети был разработан на основе данных трехлетних наблюдений.
Наборы входных данных рассчитывались с использованием коэффициента корреляции с растворенным кислородом.
Расчеты прототипов ИНС сравнивались с использованием коэффициента корреляции, среднеквадратической ошибки и коэффициента эффективности.
Расчетные значения растворенного кислорода в воде и биологической потребности в кислороде совпали.
Пример процесса обработки данных конвейера Конкретные примеры В Бангалоре компании водоснабжения могут измерить расход в любое время и сделать доступ к воде максимально справедливым.
Контролируя единый пульт управления, можно контролировать работу более 250 счетчиков воды, а также уделять больше внимания отдельным агрегатам.
В Керале [Индия] компании полагаются на счетчики воды и датчики IBM для мониторинга использования воды, включая нарушения, которые могут указывать на отдельные случаи несанкционированного использования.
Преимущество платформ обработки и анализа больших данных заключается в том, что они могут искать аномалии в закономерностях, которые в противном случае могли бы остаться незамеченными.
Наконец, Google договорился с несколькими странами о разработке модели искусственного интеллекта для прогнозирования наводнений.
перевод твитов Искусственный интеллект показывает, что доступ к чистой воде снова стал главным приоритетом в мире.
Группа SXSW (Юг через Юго-Запад – кинопроизводство и конференции) сформировала «коллективный разум» с хэштегом @unanimityAI, чтобы представить наилучшие приоритеты для глобальных целей ООН.
Будущее анализа данных Когда мы вступим в эпоху больших данных, предприятия водоснабжения смогут использовать передовые датчики, которые будут обнаруживать ранее незамеченные изменения в производительности инфраструктуры.
Эти технологии прогнозирования помогут компаниям предвидеть проблемы и утечки в оборудовании.
Умные технологии могут помочь предприятиям водоснабжения улучшить обслуживание клиентов.
Например, информационно-аналитическая система самообслуживания, использующая передовой метод регистрации и анализа данных о качестве воды, могла бы позволить пользователям контролировать и оптимизировать собственное потребление воды.
Новая волна технически продвинутых инструментов аналитики предлагает предприятиям водоснабжения возможность удовлетворить эти насущные потребности и преобразовать необработанные данные в полезную информацию.
Анализ данных может быстро выявить сбои в инфраструктуре, сократить потери воды, предотвратить переливы сточных вод и оценить состояние системы.
Более того, данные могут отражать производительность, информировать о профилактических мероприятиях по техническому обслуживанию и служить ориентиром для долгосрочного планирования.
Хотя большая часть разговоров о больших данных связана с заменой физических активов цифровыми технологиями, более крупной и влиятельной тенденцией является использование онлайн-инструментов для повышения эффективности физических активов в оффлайновых сферах бизнеса, таких как водное хозяйство.
В этом контексте роль данных не в том, чтобы заставить менеджера говорить умно.
Их задача — помочь вам принять более правильные решения.
И вы не сможете сделать это, используя только технологии или анализ данных, каким бы крутым вы ни были.
Данные и вода действительно совместимы.
Об авторе статьи.
Александр Гонфалоньери пишет в своем блоге об использовании искусственного интеллекта в повседневной жизни и решении актуальных проблем.
Теги: #Машинное обучение #Популярная наука #искусственный интеллект #Экология #вода #ИИ и машинное обучение #коммунальные услуги
-
Защита От Спама На 8800 Во Freepbx
19 Oct, 24
