Oko 2,2 milijarde ljudi, više od četvrtine svetske populacije, nema pristup bezbednoj vodi za piće, a oko polovine svetske populacije u nekom trenutku tokom godine iskusi ozbiljnu nestašicu vode. Da bi se prevazišli ove nestašice, troše se ogromni društveno-ekonomski troškovi na navodnjavanje kanalizacionim kanalima i alternativne izvore vode kao što su ponovno korišćenje kišnice i desalinizacija morske vode.
Štaviše, ovi centralizovani sistemi za distribuciju vode imaju nedostatak što nisu u mogućnosti da odmah odgovore na promene u potražnji za vodom. Zbog toga postoji sve veći interes za decentralizovane tehnologije proizvodnje vode, koje su tehnologije zasnovane na elektrohemiji koje je lako usvojiti, kao što su kapacitivna dejonizacija i dejonizacija baterijskih elektroda (poznata i kao faradejska dejonizacija).
Međutim, postojeći senzori za merenje kvaliteta vode koji se koriste u tehnologijama zasnovanim na elektrohemiji ne mere i ne prate pojedinačne jone u vodi, i imaju ograničenje grubog zaključivanja uslova kvaliteta vode iz električne provodljivosti.
Istraživački tim dr Son Muna u Centru za istraživanje ciklusa vodenih resursa Korejskog instituta za nauku i tehnologiju (KIST), u saradnji sa timom profesora Baek Sang-Soo na Univerzitetu Ieongnam, razvio je tehnologiju koja koristi veštačku inteligenciju zasnovanu na podacima za precizno predviđanje koncentracija jona u vodi tokom procesa elektrohemijskog tretmana vode.
Njihov rad je objavljen u časopisu Istraživanje vode.
Istraživači su prvo izgradili nasumični šumski model, tehniku mašinskog učenja zasnovanu na drvetu koja se koristi za probleme regresije, a zatim su je primenili da predvide koncentracije jona u tehnologijama elektrohemijskog tretmana vode.
Razvijeni model veštačke inteligencije zasnovan na nasumičnoj šumi bio je u stanju da precizno predvidi električnu provodljivost tretirane vode i koncentraciju svakog jona (Na + , K + , Ca 2+ i Cl – ) (R 2 =~0,9).
Takođe su otkrili da su ažuriranja potrebna otprilike svakih 20–80 sekundi da bi se poboljšala tačnost predviđanja, što znači da je, da bi se ova tehnika primenila na nacionalne mreže kvaliteta vode za praćenje specifičnih jona, neophodno meriti kvalitet vode barem svakih minuta za obuku početnog modela.
Model slučajne šume korišćen u ovoj studiji ima prednost što je ekonomski superiorniji u odnosu na složene modele dubokog učenja, koji zahtevaju više od 100 puta manje računarskih resursa za obuku.
„Značaj ovog istraživanja nije samo u razvoju novog AI modela, već i u njegovoj primeni na nacionalni sistem upravljanja kvalitetom vode“, rekao je dr Mun. „Ovom tehnologijom se može preciznije pratiti koncentracija pojedinačnih jona, doprinoseći poboljšanju društvenog blagostanja vode.“
