МЕТОДИ І ПРАКТИКИ ВПРОВАДЖЕННЯ ТА ЗАСТОСУВАННЯ РІЗНИХ ТИПІВ ШТУЧНОГО ІНТЕЛЕКТУ І НАУКИ ПРО ДАНІ ДЛЯ РІШЕННЯ ПРОБЛЕМ У ВОДНІЙ ІНФРАСТРУКТУРІ
DOI:
https://doi.org/10.31650/2786-6696-2024-9-97-104Ключові слова:
штучний інтелект, наука даних, якість води, виявлення витоків, контроль витрати води.Анотація
Предметом дослідження в даній статті була практика впровадження та методики застосування різних типів штучного інтелекту, науки про дані для виявлення витоків з водопровідних мереж, моніторингу станів прісної води та виявлення забруднень, очищення прісних водойм від відходів з підприємств промисловості та видобутку корисних копалин, контроль витрати прісної води та розробка ефективніших методів фільтрації води.
Були визначені переваги та недоліки практики впровадження та застосування технологій різних типів штучного інтелекту та науки про дані для автоматизації традиційних методів виконання робіт з моніторингу, контролю та супутніх робіт в індустрії водного господарства. У статті вирішуються такі завдання: обґрунтування ефективності впровадження технологій різних типів штучного інтелекту та методів науки про дані та їх практичне застосування з програмними та апаратними технологіями для автоматизації традиційних методів виконання робіт у галузі водного господарства.
Для вирішення поставлених завдань була використана методика із застосуванням загальнонаукових та спеціальних методів досліджень – теоретичних (аналіз, пояснення, узагальнення, порівняння).
Використання такого підходу дозволило отримати такі результати: встановлені особливості, що впливають на точність аналізу зібраних даних, що застосовується технологіями різних типів штучного інтелекту та методів науки про дані. Відображено практики та методи більш ефективного та точного застосування даної технології.
Проаналізовано наукові дані. Проведене дослідження дозволило визначити практичні можливості та проблеми, що є в даній технології.
Розроблені рекомендації щодо ефективного використання цієї технології. Виявлені чинники, що впливають ефективне використання цієї технології у промисловості.
Посилання
[1] I. Essamlali, H. Nhaila, M. El Khaili, "Advances in machine learning and IoT for water quality monitoring: A comprehensive review", Heliyon, vol. 10, no. 6, pp. e27920, 2024. DOI: https://doi.org/10.1016/j.heliyon.2024.e27920.
[2] N.M. Mahdi, A.H. Jassim, S.A. Abulqasim, A. Basem, A.A.F. Ogaili, L.A. Al-Haddad, "Leak detection and localization in water distribution systems using advanced feature analysis and an Artificial Neural Network", Desalination and Water Treatment, vol. 320, p. 100685, 2024. DOI: https://doi.org/10.1016/j.dwt.2024.100685.
[3] G.Ö. Garðarsson, F. Boem, L. Toni, "Graph-Based Learning for Leak Detection and Localisation in Water Distribution Networks", IFAC-PapersOnLine, vol. 55, no. 6, pp. 661–666, 2022. DOI: https://doi.org/10.1016/j.ifacol.2022.07.203.
[4] D. Elshazly, R. Gawai, T. Ali, M. Mortula, S. Atabay, L. Khalil, "An Automated Geographical Information System-Based Spatial Machine Learning Method for Leak Detection in Water Distribution Networks (WDNs) Using Monitoring Sensors", Applied Sciences, vol. 14, no. 13, p. 5853, 2024. DOI: 10.3390/app14135853.
[5] A. Kour, V. Vidyasagar, M.L. Suresh, Y.A. Baker El-Ebiary, R. Mothukuri, S. Rawat, S.P. Dehankar, M.S. Al Ansari, "Enhancing water purification efficiency through machine learning-driven mxene functionalization", Journal of Theoretical and Applied Information Technology, vol. 102, no. 14, pp. 5500–5524, 2024.
[6] R.K. Makumbura, L. Mampitiya, N. Rathnayake, D.P.P. Meddage, S. Henna, T.L. Dang, Y. Hoshino, U. Rathnayake, "Advancing water quality assessment and prediction using machine learning models, coupled with explainable artificial intelligence (XAI) techniques like shapley additive explanations (SHAP) for interpreting the black-box nature", Results in Engineering, vol. 23, p. 102831, 2024. DOI: https://doi.org/10.1016/j.rineng.2024.102831.
[7] Q. Duan, Q. Zhang, X. Quan, H. Zhang, L. Huang, "Innovations of water pollution traceability technology with artificial intelligence", Earth Critical Zone, vol. 1, no. 1, p. 100009, 2024. DOI: https://doi.org/10.1016/j.ecz.2024.100009.
[8] A.M. Nakib, Y. Luo, J.H. Emon, S. Chowdhury, "Machine learning-based water requirement forecast and automated water distribution control system", Computer Science & IT Research Journal, vol. 5, no. 6, pp. 1453–1468, 2024. DOI: 10.51594/csitrj.v5i6.1227.
[9] E.K. Nti, S.J. Cobbina, E.E. Attafuah, L.D. Senanu, G. Amenyeku, M.A. Gyan, D. Forson, A.-R. Safo, "Water pollution control and revitalization using advanced technologies: Uncovering artificial intelligence options towards environmental health protection, sustainability and water security", Heliyon, vol. 9, no. 7, p. e18170, 2023. DOI: https://doi.org/10.1016/j.heliyon.2023.e18170.
[10] S. Cojbasic, S. Dmitrasinovic, M. Kostic, M. Turk Sekulic, J. Radonic, A. Dodig, M. Stojkovic, "Application of machine learning in river water quality management: a review", Water Sci Technol, vol. 88, no. 9, pp. 2297–2308, 2023. DOI: https://doi.org/10.2166/wst.2023.331.
[11] X. Su, X. He, G. Zhang, Y. Chen, K. Li, "Research on SVR Water Quality Prediction Model Based on Improved Sparrow Search Algorithm", 2022. DOI: https://doi.org/10.1155/2022/7327072.
[12] Y. Yang, X. Shang, Z. Chen, K. Mei, Z. Wang, R.A. Dahlgren, M. Zhang, X. Ji, "A support vector regression model to predict nitrate-nitrogen isotopic composition using hydro-chemical variables", Journal of Environmental Management, vol. 290, p. 112674, 2021. DOI: https://doi.org/10.1016/j.jenvman.2021.112674.
[13] G. Xu, H. Fan, D.M. Oliver, Y. Dai, H. Li, Y. Shi, H. Long, K. Xiong, Z. Zhao, "Decoding river pollution trends and their landscape determinants in an ecologically fragile karst basin using a machine learning model", Environmental Research, vol. 214, pt. 4, p. 113843, 2022. DOI: https://doi.org/10.1016/j.envres.2022.113843.
[14] J. Ruan, Y. Cui, Y. Song, Y. Mao, "A novel RF-CEEMD-LSTM model for predicting water pollution", Scientific Reports, vol. 13, art. no. 20901, 2023. DOI: 10.1038/s41598-023-48409-6.
[15] H. Lu, X. Ma, "Hybrid decision tree-based machine learning models for short-term water quality prediction", Chemosphere, vol. 249, p. 126169, 2020. DOI: https://doi.org/10.1016/j.chemosphere.2020.126169.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 СУЧАСНЕ БУДІВНИЦТВО ТА АРХІТЕКТУРА
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
