Эффективное и надежное опреснение морской воды с помощью обратного осмоса (SWRO) требует оптимизации стратегий предварительной обработки для минимизации органических и неорганических загрязнений. Коагуляция, процесс агломерации коллоидных частиц с использованием химических коагулянтов, в сочетании с фильтрацией среды для уменьшения коллоидного загрязнения на мембранах обратного осмоса, обычно используется при предварительной очистке морской воды. Из-за присущей ей сложности и отсутствия физических моделей для количественной оценки эффективности коагуляции, повсеместно наблюдается передозировка коагулянтов для поддержания качества фильтрованной воды. Чтобы решить эту проблему, мы используем искусственные нейронные сети (ИНС) для оптимизации дозирования коагулянта путем прогнозирования SDI после дозирования химического вещества. Модель разработана с использованием крупномасштабных данных установки, включающих различные физические параметры морской воды, а также эксплуатационные данные установки, включая pH, SDI, мутность, скорость дозирования коагулянта и скорость дозирования флокулянта. Используя разработку функций, выбор и наши знания в предметной области, получаются новые входные параметры, исключаются ненужные параметры, и они используются в качестве входных данных для обучения модели. Разработанная модель ИНС достигла точности прогнозирования 95%, а также превосходит другие методы машинного обучения, а после индустриализации она снизила годовое потребление коагулянта на 11,7% при внедрении на коммерческой установке SWRO, производящей 216 000 м3/день опресненной воды.
Введение
Дефицит пресной воды, одна из самых больших проблем нашего времени, продолжает распространяться в различных регионах (Элимелех и Филипп, 2011, Гаффур и др., 2013b). Эта проблема еще больше усугубляется непрерывным ростом населения в регионах, которые испытывают нехватку воды (Элимелех и Филипп, 2011 г., Меконнен и Хукстра, 2016 г.). Для решения этой проблемы во многих регионах, включая Ближний Восток, Африку, Западное побережье США и южная часть Европы (Ghaffour et al., 2013a, Gude et al., 2011). Технология основана на отделении воды и растворенных неорганических солей из морской воды через полупроницаемую мембрану (Das et al., 2019, Gonzalez-Gil et al., 2021). SWRO использует энергию в форме потенциальной энергии для противодействия осмотическому градиенту морской воды для производства пермеата низкой солености и концентрированного рассола. Для дальнейшего повышения эффективности и надежности процесса SWRO его работа дополняется строгими технологиями и процессами предварительной обработки, такими как решетчатое сито, фильтрация среды, флотация растворенным воздухом, дезинфекция, коагуляция, дехлорирование и подкисление, среди прочего (Альтманн и Дас, 2021, Вучков, 2010, Вучков, 2012).
За последнее десятилетие процесс SWRO претерпел несколько усовершенствований, но он по-прежнему остается энерго- и химически интенсивным процессом, что усиливает нагрузку на окружающую среду (Elimelech and Phillip, 2011, Ghaffour et al., 2013b, Hasanin et al., 2023, Karabelas et al., 2023). др., 2018; Вучков, 2018). Острая потребность сократить потребление энергии до почти теоретического уровня побудила исследования, в первую очередь сосредоточенные на повышении энергоэффективности процесса. Было тщательно изучено использование новых материалов для разработки опреснительных мембран следующего поколения со сверхвысокой водопроницаемостью и высокой селективностью по отношению к воде (Werber, Osuji и Elimelech, 2016). Несмотря на значительные исследовательские усилия по разработке высокоэффективных мембран, полученное в результате снижение энергопотребления было минимальным; это требует смены парадигмы нынешнего подхода к исследованиям опреснения в сторону рационального проектирования систем, а также оптимизации технологических операций (Patel et al., 2020, Yousry et al., 2022). Хотя для достижения этой цели можно использовать множество физических моделей, сложность процессов приводит к неэффективному использованию вычислительных ресурсов и неточным результатам (Дудченко и Маутер, 2020).
Одним из феноменологически сложных подпроцессов, оказывающим существенное влияние на эффективность процесса SWRO и требующим оптимизации, является коагуляция морской воды во время предварительной очистки. Процесс коагуляции используется для удаления взвешенных твердых частиц путем дестабилизации частиц с помощью химических веществ для агломерации частиц (Gonzalez-Gil et al., 2021). Потребность морской воды в коагулянтах зависит от определенных параметров, таких как ее соленость, pH, наличие гуминовых веществ и органического вещества водорослей (Дуан и др., 2009, Шутова и др., 2016). Для эффективной предварительной обработки необходимо оптимизировать дозировку коагулянта. Дозировка, меньшая, чем требуется, приведет к неэффективному удалению органических веществ, что приведет к биообрастанию мембраны (Tabatabai, Schippers, & Kennedy, 2014), а превышение дозировки приведет к неорганическому загрязнению мембраны обратного осмоса, что может привести к окислению мембраны. ущерб (Chesters et al., 2013, Gabelich et al., 2002, Gonzalez-Gil et al., 2021).
Дозировка коагулянта должна быть тесно связана с наличием остаточного Fe3＋ в фильтрованной воде и ее мутностью. Хотя физические модели двух четко определенных заряженных частиц в водной среде распространены повсеместно (Исраэлачвили, 2011, Смит и др., 2020), физическая модель этого конкретного процесса по своей сути запутана из-за множества взаимодействий между взвешенными твердыми частицами в постоянно меняющейся среде. колеблющаяся водная среда (Дишон и др., 2009, Исраэлахвили, 2011, Мисра и др., 2019, Пиллаи и др., 2020, Ридван и др., 2022, Смит и др., 2020, Смит и др., 2019, Трефальт и др., 2016). Следовательно, простой, но точный метод оптимизации является редкостью и требует тщательной разработки.
В последние годы в ряде исследований использовались алгоритмы для оптимизации процесса коагуляции, включая использование нечеткого динамического моделирования (Bello, Hamam и Djouani, 2014), искусственных нейронных сетей (ИНС) (Al-Abri et al., 2010, Кеннеди и др., 2015) и гибридные методы (Zangooei, Delnavaz и Asadollahfardi, 2016a, Zangooei, Delnavaz, Asadollahfardi и Technology, 2016b). Однако, насколько нам известно, не было никаких крупномасштабных демонстраций таких алгоритмов и дальнейших исследований экономических последствий таких оптимизаций. В свете вышеизложенного в настоящем исследовании мы используем алгоритм на основе искусственной нейронной сети для оптимизации химического потребления коагулянтов. Разработанная модель используется для прогнозирования индекса плотности ила (SDI) фильтрованной морской воды на основе скорости дозирования коагулянта. SDI — это распространенное измерение потенциала загрязнения частиц в питательной воде обратного осмоса (Wei, Laborie, Aim & Amy, 2012) и ключевой показатель эффективности процессов фильтрации и коагуляции. Вначале модель разрабатывается и обучается с использованием данных одного из крупнейших опреснительных заводов SWRO на Ближнем Востоке. Перед разработкой конкретные параметры морской воды в качестве входных данных были изменены путем проектирования объектов и выбраны на основе метода выбора признаков и наших знаний в предметной области. Затем мы проводим параметрическую оптимизацию архитектуры искусственной нейронной сети, чтобы добиться максимальной точности между прогнозируемыми и тестовыми наборами данных. Затем модель развертывается и используется в повседневной работе на соответствующем заводе. Кроме того, экономический эффект от оптимизации коагулянта рассчитывается путем количественной оценки экономии эксплуатационных затрат за один год эксплуатации.
Обзор литературы
Алгоритмы машинного обучения (ML) для оптимизации дозирования коагулянтов существуют, многие используемые алгоритмы тяготеют к использованию искусственных нейронных сетей (ИНС). Используются ИНС с различной архитектурой и алгоритмами обратного распространения ошибки, включая обратную нейронную сеть (Робенсон, Шукор и Азиз, 2009), нейронную сеть Левенберга-Марквардта (Ву и Ло, 2008), нейронную сеть обобщенной регрессии (Хеддам, Бермад и Декеми, 2011), радиальная базисная функция (Ванг, Ву, Дэн, Ли и Ван, 2021), адаптивная система нейронечеткого вывода (Наргес и др., 2021, Пандилов и Стойков, 2019), среди других (Ачите и др., 2022, Heddam et al., 2015, Jayaweera и Aziz, 2018, Zangooei, Delnavaz и Asadollahfardi, 2016a, Zangooei, Delnavaz, Asadollahfardi и Technology, 2016b, Zhang et al., 2019). Помимо ИНС, используются несколько других методов машинного обучения, включая метод линейной регрессии (Эрнандес и Ле Ланн, 2006), методы нечеткой линейной и нелинейной регрессии (Zangooei, Delnavaz и Asadollahfardi, 2016a, Zangooei, Delnavaz, Asadollahfardi и Technology, 2016b), k-ближайшие соседи (Zhang et al., 2013) и среди других (Kim and Parnichkun, 2017b, Wang et al., 2021). Следовательно, в этом разделе мы рассмотрим несколько вариантов выбора входных параметров, выбор выходных параметров и алгоритмы машинного обучения, которые использовались для минимизации дозирования коагулянта на опреснительных установках.
Выбор входных и выходных параметров
Морскую воду можно описать несколькими физическими свойствами. Взаимосвязь между процессом коагуляции, химическим веществом-коагулянтом и параметрами морской воды достаточно хорошо известна. В целом, во многих исследованиях для корреляции с коагуляцией используются мутность, температура, проводимость и pH (Taloba, 2022), даже используется электропроводность неочищенной воды (Heddam, 2021). Модели были разработаны с использованием нескольких переменных качества воды, выбранных в качестве входных данных моделей, а именно мутности, pH, растворенного кислорода, электропроводности и температуры воды. В дополнение к этому Ким и др. для оценки дозировки коагулянта используйте мутность, температуру, pH, проводимость, историческую дозировку коагулянта (Kim & Parnichkun, 2017a). Чжан и др. использовали pH, мутность и температуру (Чжан и др., 2013). Оба варианта привели к оптимизации скорости дозирования коагулянта. В работе Ву и Ло они используют дозировку коагулянта за два предыдущих дня, температуру, мутность, цвет, pH, коагуляцию/флокуляцию, седиментацию и очищенную воду для прогнозирования текущей дозировки коагулянта (Wu & Lo, 2008). Интересно отметить, что в этих исследованиях SDI редко используется для прогнозирования или критериев снижения дозы коагулянта. Согласно нашему опыту работы, SDI является наиболее надежным методом измерения качества фильтрата и критерием оптимального дозирования коагулянта и широко используется покупателями и поставщиками мембран для определения характеристик фильтратной воды. Кроме того, эти методы используют коэффициент корреляции Пирсона для выбора соответствующих входных параметров. С этой целью мы используем корреляцию Пирсона и более широкий диапазон параметров соответствующего времени и исторических данных для прогнозирования SDI, чтобы минимизировать потребление коагулянта.
Алгоритмы машинного обучения
Для начала модели чрезвычайно рандомизированного дерева (ERT) и случайного леса (RF) сравниваются с множественной линейной регрессией (MLR) (Heddam, 2021). Результат показывает, что ERT работает лучше, чем RF и MLR. Кроме того, использование алгоритма динамического управления позволяет лучше контролировать дозировку коагулянта, тем самым сводя к минимуму расход коагулянта без дестабилизации процесса фильтрации (Futselaar, Blankert, Spanjer и Spenkelink, 2013). Кроме того, Fang et al. использовал модель долговременной краткосрочной памяти (LSTM), которая эффективно решила проблему долговременных зависимостей рекуррентной нейронной сети (Fang, Zhai, Xiong, Zhang & Gao, 2022). Это исследование демонстрирует эффективность модели LSTM в отношении рекуррентных нейронных сетей (RNN). Более того, Ким и др. тестирует три разных алгоритма, а именно многослойный перцептрон (MLP), систему адаптивного нейронечеткого вывода (ANFIS) и нейронную сеть общей регрессии (GRNN), и сравнивает их с использованием коэффициента корреляции (r) (Kim & Parnichkun, 2017b). Они обнаружили, что MLP обеспечивает лучшие результаты в тесте. Чжан и др. использовал алгоритм регрессии опорного вектора (SVR) и определение коэффициентов для количественной оценки его производительности (Чжан и др., 2013). Кроме того, на основе работы Талобы алгоритм ИНС используется для повышения эффективности различных процессов, таких как коагуляция/флокуляция и процесс седиментации (Талоба, 2022). Наконец, Ву и Ло использовали две модели, ANFIS и ANN, и указывают, что ANFIS работает лучше по сравнению с ANN на основе коэффициента детерминации (Wu & Lo, 2008).
Хотя, насколько нам известно, существует множество моделей, входных характеристик и критериев снижения дозировки коагулянта, нет информации об их широком использовании в опреснительных установках промышленного масштаба и о вытекающих из этого финансовых последствиях. С этой целью в настоящем исследовании мы рассмотрим разработку модели, ее внедрение и ее финансовые последствия. Мы использовали ИНС и оптимизировали ее архитектуру для обеспечения максимальной точности модели. Подробности методов описаны в следующем разделе ниже. Можно более эффективно свести к минимуму дозировку коагулянта, используя эти комбинации с SDI в качестве решающего фактора.
Методы. Описание опреснительной установки
Опреснительный завод производительностью 216 000 м3/сутки расположен в южной части Саудовской Аравии. Опреснительная установка поставляет в качестве продукта питьевую воду, поэтому она оснащена оборудованием для оптабилизации (рис. 1). В приемную секцию морская вода перекачивается водозаборным насосом и периодически дезинфицируется путем дозирования гипохлорита натрия (NaOCl). Впоследствии морская вода обрабатывается коагулянтом и флокулянтом в процессе коагуляции перед поступлением в двойной фильтр (DMF). Затем морская вода фильтруется с помощью микронного картриджного фильтра для удаления частиц микронного размера. Для выполнения договорных обязательств вода, поступающая на мембрану обратного осмоса, должна иметь SDI менее четырех. Перед подачей морской воды в секцию обратного осмоса морская вода подкисляется и дехлорируется. Второй проход опреснительной установки начинается с дозирования гидроксида натрия для максимального удаления бора. В процессе последующей обработки пермеат обрабатывается известковой водой и CO2 для реминерализации и гидроксидом натрия для коррекции pH.
Описание данных
Набор необработанных данных, используемый при разработке этой модели, включает несколько переменных морской воды, включая мутность, pH, SDI до и после картриджного фильтра, а также скорости дозирования коагулянта (FeCl3) и флокулянта (полимера) (см. Таблицу 1). Алгоритм был обучен с использованием данных опреснительной установки SWRO за три года, состоящих из 9261 значения на каждый параметр. Первоначально данные были проверены, очищены, отформатированы и проверены (включая удаление неправильного/неверного формата даты и недействительных данных, таких как отсутствующие точки данных). Мы считаем SDI действительным, если значение выше 0, а скорость дозирования полимера ниже 1 ppm. Кроме того, чтобы лучше понять связь между SDI и другими параметрами, мы вывели дополнительные параметры на основе данных.
Затем мы выполняем выбор функций, чтобы выбрать лучшее подмножество входных параметров, которое лучше коррелирует с выходной переменной. Этот шаг — выбор признаков — необходим для сокращения времени вычислений, повышения точности обучения, предотвращения избыточности и обеспечения лучшего понимания данных и модели за счет удаления нерелевантных параметров, которые могут привести к плохому обобщению (Домашова, Емцева, Фэйл и Гридин, 2021). ); (Орр и Мюллер, 1998). Существует множество методов выбора признаков, наиболее широко известными из которых являются фильтры, обертки и методы, основанные на корреляции (Chandrashekar & Sahin, 2014). Метод фильтра ранжирует параметры относительно их значимости для предиктора, тогда как метод-оболочка включает предиктор в алгоритм поиска и предоставляет группу параметров, обеспечивающую наивысшую точность. Здесь мы используем метод, основанный на корреляции – парную корреляцию Пирсона (Hall, 1999, Pearson, 1909). Эта корреляция измеряет линейную связь между двумя переменными. Коэффициент Пирсона находится в диапазоне от –1 до +1, где значение 0 указывает на отсутствие корреляции между двумя переменными. И -1, и +1 указывают на то, что эти две переменные коррелируют совершенно линейно друг с другом (Бенести, Чен, Хуанг и Коэн, 2009).
Объединив наши знания предметной области и оценку парной корреляции Пирсона этих параметров, мы выбрали конкретные параметры для прогнозирования SDI. На основе данных и дополнительных рассчитанных параметров мы определяем 7 параметров в качестве входных. Входными данными являются предыдущий SDI, предыдущий pH морской воды, фактический pH морской воды, предыдущая мутность, фактическая мутность, предыдущая доза хлорида железа и предлагаемая доза хлорида железа. После выбора и нормализации подмножества входных параметров мы разделяем данные для обучения и тестирования. Мы выделяем 90% данных для обучения и 10% для тестирования.
Определение архитектуры искусственной нейронной сети
Искусственные нейронные сети — это биоинспирированные алгоритмы, построенные на основе человеческого мозга, который содержит связанные нейроны или нейронные сети (Орр и Мюллер, 1998). Каждый уровень содержит один или несколько узлов, которые называются нейронами. Внутри Нейрона есть функция выполнения математической операции. Мы специально строим искусственную нейронную сеть, используя плотный слой. Плотный слой — это термин, когда узел связан со всеми нейронами предыдущего слоя. При разработке нашей модели мы используем последовательную модель для построения послойной модели. Последовательные модели представляют собой линейные стопки слоев, где один слой ведет к другому. Последовательный API прост в реализации и требует только вывода предыдущего уровня в качестве входных данных для следующего уровня (Chollet, 2020), 12 апреля). Другими словами, Sequential API использует простой стек слоев, где каждый слой имеет один входной и выходной тензор, которые не могут совместно использовать слои. Мы создаем один входной слой, за которым следуют четыре скрытых слоя. Входной уровень принимает данные и предварительно их обрабатывает. Скрытый слой выполняет нелинейное преобразование входных данных, а выходной слой берет результаты из скрытого слоя, преобразует их и выдает окончательный результат. Чтобы оптимизировать архитектуру нашей искусственной нейронной сети, мы настраиваем несколько различных параметров, таких как количество скрытых слоев, эпоха, функция активации, оптимизатор и размер пакета.
Входной и скрытый слои используют нелинейную выпрямленную линейную единицу (ReLU) в качестве функции активации, где выход использует линейную функцию активации, где F представляет собой функцию активации, w представляет данные веса, а b представляет собой используемое смещенное значение. в машинном обучении для оптимизации модели (Nair & Hinton, 2010). Чтобы оценить модель во время обучения, мы используем среднеквадратичную ошибку в качестве функции потерь. Далее мы применили функцию оптимизации, которая оптимизирует веса входных данных на основе прогнозирования и функции потерь, называемую адаптивной оценкой момента (Адам).
Сравнение моделей
Мы используем еще три модели: регрессию дерева решений, регрессор случайного леса и линейную регрессию, чтобы дополнительно сравнить использование модели ИНС и оценить ее эффективность. Алгоритм дерева решений — это алгоритм, основанный на ряде критериев. Разница между регрессором случайного леса и регрессией дерева решений заключается в том, что регрессор случайного леса использует несколько деревьев решений. Во время обучения моделей данные обрабатываются так же, как и модель ИНС. Модели оцениваются по коэффициенту детерминации (оценка 2) и среднеквадратической ошибке (MSE). Мы оптимизируем деревья решений и регрессор случайного леса, регулируя максимальную глубину деревьев. Наконец, мы сравнили результаты тестов тренировок и тестов, чтобы избежать переобучения.
Результат и обсуждение. Результаты прогнозирования искусственными нейронными сетями
Существует несколько факторов, влияющих на качество продукции ИНС, включая ее архитектуру. Одной из основных проблем ИНС является переоснащение, когда модель запоминает набор данных вместо того, чтобы создавать обобщения (Домашова и др., 2021). Обычно чем выше эпоха, тем выше точность. Однако если эпоха слишком велика, точность начинает падать, что указывает на переобучение. Для решения этой проблемы мы проводим параметрическое исследование архитектуры нейронной сети. Мы последовательно меняем эпоху, размер пакета, количество входных и скрытых слоев и соответствующие им узлы. Оптимальный результат достигается после обучения с 500 эпохами и размером пакета 50. Входной слой состоит из 10 узлов и 4 скрытых слоев с 256, 128, 64 и 64 узлами соответственно.
В модели искусственной нейронной сети, основанной на приведенном выше архитектурном определении, мы достигли точности 95,33%. В этом случае получается достаточно минимальная средняя абсолютная ошибка (MAE) и среднеквадратическая ошибка (MSE), значения 0,15 и 0,047 соответственно. Сравнение прогнозируемого SDI и фактического SDI с использованием этой модели развернуто на нашей платформе моделирования, и соответствующий график показан ниже. Высокая точность данных тестирования указывает на то, что модель может отображать общую тенденцию между входными параметрами и выходными данными.
Чтобы использовать алгоритм, пользователю необходимо ввести SDI исходной морской воды, pH, мутность, а также предыдущую и предложенную концентрацию дозирования коагулянта. Пользователь получит прогнозируемое значение SDI. На основании этого значения пользователь примет решение, хочет ли он применить предложенную дозировку коагулянта в работе или дополнительно ее оптимизировать.
Сравнительная производительность разных моделей
Мы сравниваем точность модели ИНС с точностью трех различных алгоритмов машинного обучения: регрессии дерева решений, регрессора случайного леса и линейной регрессии. Результаты показаны на рис. 5. Для регрессора дерева решений мы обнаружили, что оптимальная максимальная глубина дерева равна 10. Чем выше максимальная глубина, тем лучше оценка обучения, но ниже оценка теста. Это указывает на переобучение для максимальной глубины выше 10. При использовании регрессора случайного леса максимальная используемая глубина равна 12. Чем выше максимальная глубина, тем выше оценка обучения, но оценка теста относительно стабильна. Среди трех моделей регрессор случайного леса работает лучше: показатель r2 составляет 0,57 по сравнению с 0,49 для линейной регрессии и регрессии дерева решений. По сравнению с этими моделями модель ИНС превосходит прогнозирование значения SDI. Сравнение различных моделей обучения представлено ниже. Из-за ее эффективности мы выбрали модель ИНС для внедрения и дальнейшей индустриализации.
Реализация модели
Разработанная модель используется на установке SWRO для оптимизации дозирования коагулянта. Пользователь вводит параметры морской воды и теоретическую дозировку хлорного железа. Если дозирование хлорида железа дает желаемое значение SDI, норма дозирования применяется на предприятии. По договорным обязательствам SDI фильтрованной воды должен быть ниже 4. Если он превышает 4, установка снижает пропускную способность, чтобы снизить скорость фильтрации для удовлетворения этого требования. На рис. 6 показаны SDI входной морской воды и фильтрованной воды с использованием и без использования разработанного алгоритма. До использования модели на заводе использовалась постоянная дозировка хлорида железа, которая увеличивалась при увеличении SDI приходящей морской воды. Благодаря использованию алгоритма операторы имеют возможность изменять скорость дозирования в соответствии с существующим состоянием морской воды, используя прогноз модели. Общая стоимость коагулянта зависит от его использования и текущей рыночной стоимости. Хотя себестоимость зависит от контрактов с поставщиками, использование зависит от операторов установки. В таблице ниже показана рыночная стоимость хлорида железа (FeCl3) в Саудовской Аравии.
Общий расход коагулянта за каждый месяц при дозировании по алгоритму сравнивается с его расходом за соответствующий месяц предыдущего года без использования алгоритма. Разработанный алгоритм был распространен на операторов установки. Операторы установки ежедневно корректировали норму дозирования коагулянта на основе прогнозов алгоритма. За год внедрения потребление коагулянта сократилось на 11,7%, что позволило сократить эксплуатационные расходы на потребление химикатов на 325 000 саудовских риялов. Кроме того, в типичный зимний сезон (ноябрь-апрель) расход химикатов значительно превышает необходимое значение. Напротив, в летний сезон (май-октябрь) расход химикатов близок к оптимальному значению. Таким образом, в зимний сезон достигается значительное снижение затрат и экономия средств. Экономия средств за счет реализации модели компенсирует затраты на разработку, внедрение и индустриализацию программного обеспечения. Кроме того, успешная реализация модели ИНС указывает на то, что модель вряд ли будет переобучена.
Вывод
Таким образом, это исследование демонстрирует полезность алгоритма ИНС для минимизации потребления коагулянта на крупномасштабной опреснительной установке путем прогнозирования SDI морской воды после дозирования коагулянта. Такая концепция еще не нашла широкого применения на опреснительных установках промышленного масштаба. Перед разработкой модели, чтобы удалить ненужные параметры, мы используем корреляцию Пирсона. После определения соответствующего параметра проводится параметрическое исследование архитектуры искусственной нейронной сети. Для прогнозирования SDI морской воды после дозирования коагулянта модель ИНС имела точность 95% по сравнению с точностью модели регрессора случайного леса 57%, которая показала лучшие результаты среди трех используемых методов машинного обучения. Алгоритм ИНС может точно предсказать значение SDI после дозирования коагулянта, а его последующая индустриализация привела к сокращению потребления коагулянта на 11,7% и, таким образом, снизила эксплуатационные расходы опреснительной установки. Значительная экономия химикатов и затрат предвещает потенциал широкого внедрения такой модели ИНС для оптимизации других опреснительных установок и даже новейших технологий предварительной очистки, таких как керамическая ультрафильтрация. В будущем было бы потенциально полезно использовать аналогичное машинное обучение и модель ИНС для минимизации потребления энергии и других химикатов на основе прогнозирования производительности предприятия.