ಲಾಭಗಳು:
- ಸಕ್ರಿಯ ಕೆಸರು, COD/BOD, ಕೆಸರು ವಯಸ್ಸು ಮತ್ತು F/M ನಂತಹ ಮೂಲಭೂತ ಪ್ರಕ್ರಿಯೆ ನಿಯತಾಂಕಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಾಮರ್ಥ್ಯ
- AI ನೊಂದಿಗೆ ಪ್ರಕ್ರಿಯೆಯ ದೋಷನಿವಾರಣೆ ಮತ್ತು ಸನ್ನಿವೇಶ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
- ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿಗಳು, ಸಮೂಹ ಸಮತೋಲನ ಮತ್ತು ಪ್ರಯೋಗಾಲಯದ ಡೇಟಾದೊಂದಿಗೆ AI ಶಿಫಾರಸುಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
ಬೆಳಗಿನ ಪಾಳಿಯಲ್ಲಿ, ಜೈವಿಕ ಚಿಕಿತ್ಸಾ ಘಟಕದ ನಿರ್ವಾಹಕರು ನಿಮಗೆ ಕರೆ ಮಾಡುತ್ತಾರೆ: ಕಳೆದ ಎರಡು ದಿನಗಳಿಂದ, ಅಂತಿಮ ನೆಲೆಗೊಳ್ಳುವ ತೊಟ್ಟಿಯಿಂದ ಕೆಸರು "ತಪ್ಪಿಸಿಕೊಳ್ಳುತ್ತಿದೆ", ಹೊರಸೂಸುವಿಕೆಯು ಮೋಡವಾಗಿರುತ್ತದೆ ಮತ್ತು SVI ಮೌಲ್ಯವು ಏರುತ್ತಿದೆ. ನೀವು MLSS, ಕೆಸರು ವಯಸ್ಸು, ಒಳಹರಿವಿನ COD ಮತ್ತು ಹರಿವಿನ ದರ ಡೇಟಾವನ್ನು ಹೊಂದಿರುವಿರಿ. ನೀವು AI ಗೆ ಪರಿಸ್ಥಿತಿಯನ್ನು ವಿವರಿಸಲು ಮತ್ತು "ನಾನು ಏನು ಮಾಡಬೇಕು?" ಎಂದು ಕೇಳಲು ಬಯಸುತ್ತೀರಿ, ಆದರೆ ಮಾದರಿಯು ಮೊದಲು ನಕಲಿ ಸಂಖ್ಯೆಗಳನ್ನು ನೀಡುವುದನ್ನು ನೀವು ನೋಡಿದ್ದೀರಿ. ಸಕ್ರಿಯ ಕೆಸರು ಪ್ರಕ್ರಿಯೆಯ ಪ್ರಮುಖ ನಿಯತಾಂಕಗಳನ್ನು ಅರ್ಥೈಸಲು ಈ ಘಟಕವು ನಿಮಗೆ ಕಲಿಸುತ್ತದೆ, ರಚನಾತ್ಮಕ ದೋಷನಿವಾರಣೆ ಪಾಲುದಾರನಾಗಿ AI ಅನ್ನು ಬಳಸಿ ಮತ್ತು ಸಾಮೂಹಿಕ ಸಮತೋಲನ, ವಿಸರ್ಜನೆ ಮಿತಿ ಮತ್ತು ಪ್ರಯೋಗಾಲಯದ ಡೇಟಾದೊಂದಿಗೆ ಅದರ ಪ್ರತಿಯೊಂದು ಸಲಹೆಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುತ್ತದೆ. ಕೇಂದ್ರ ಕಲ್ಪನೆಯು ಒಂದೇ ಆಗಿರುತ್ತದೆ: AI ಪೂಲ್ ಅನ್ನು ನೋಡುವುದಿಲ್ಲ, ಅದು ನೀವು ನೀಡುವ ಸಂಖ್ಯೆಗಳನ್ನು ಅರ್ಥೈಸುತ್ತದೆ; ಕೊನೆಯ ಪದವು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿದೆ.
ಸಕ್ರಿಯ ಕೆಸರು ಪ್ರಕ್ರಿಯೆಯ ಮೂಲ ನಿಯತಾಂಕಗಳು
ಜೈವಿಕ ಚಿಕಿತ್ಸೆಯ ಹೃದಯವು ಸಕ್ರಿಯ ಕೆಸರು ವ್ಯವಸ್ಥೆಯಾಗಿದೆ, ಇದು ಸೂಕ್ಷ್ಮಜೀವಿಗಳೊಂದಿಗೆ ಸಾವಯವ ಮಾಲಿನ್ಯವನ್ನು (COD/BOD) ತೆಗೆದುಹಾಕುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ವಹಿಸಲು, ಕೆಲವು ಮೂಲಭೂತ ನಿಯತಾಂಕಗಳನ್ನು ಹೇಗೆ ಓದುವುದು ಎಂದು ನೀವು ತಿಳಿದಿರಬೇಕು:
ಪ್ಯಾರಾಮೀಟರ್
ವಿಸ್ತರಣೆ / ಅರ್ಥ
ವಿಶಿಷ್ಟ ಶ್ರೇಣಿ
ಇದು ಏನು ತೋರಿಸುತ್ತದೆ?
MLSS
ಅಮಾನತುಗೊಂಡ ಘನವಸ್ತುಗಳ ಸಾಂದ್ರತೆ (mg/L)
2000–4000
ಕೊಳದಲ್ಲಿನ ಒಟ್ಟು ಜೀವರಾಶಿ ಸಾಂದ್ರತೆ
ಎಂ.ಎಲ್.ವಿ.ಎಸ್.ಎಸ್
ಬಾಷ್ಪಶೀಲ ಅಮಾನತುಗೊಂಡ ಘನ (mg/L)
MLSS ನ 70-80%
ಸಕ್ರಿಯ (ಸಾವಯವ) ಜೀವರಾಶಿ
ಎಫ್/ಎಂ
ಪೋಷಕಾಂಶ/ಸೂಕ್ಷ್ಮಜೀವಿ ಅನುಪಾತ (ಕೆಜಿ BOD/kg MLVSS·ದಿನ)
0.2-0.5
ಸಿಸ್ಟಮ್ ಲೋಡ್ ಸ್ಥಿತಿ
SRT (ಕೆಸರು ವಯಸ್ಸು)
ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಕೆಸರು ಇರುವ ಸಮಯ (ದಿನಗಳು)
5–15
ನೈಟ್ರಿಫಿಕೇಶನ್ ಮತ್ತು ಸೆಡಿಮೆಂಟೇಶನ್ ಸಾಮರ್ಥ್ಯ
SVI
ಕೆಸರು ಪರಿಮಾಣ ಸೂಚ್ಯಂಕ (mL/g)
80–150
ಸೆಟಲ್ಬಿಲಿಟಿ; > 150 ಉಲ್ಬಣ ಅಂಕಗಳು
COD/BOD ತೆಗೆಯುವಿಕೆ
ಇನ್ಪುಟ್-ಔಟ್ಪುಟ್ ದಕ್ಷತೆ (%)
85–95%+
ಶುದ್ಧೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ
ಈ ನಿಯತಾಂಕಗಳು ಪರಸ್ಪರ ಅವಲಂಬಿತವಾಗಿವೆ. ಉದಾಹರಣೆಗೆ, F/M ತುಂಬಾ ಅಧಿಕವಾಗಿದ್ದರೆ (ಓವರ್ಲೋಡ್) ಕೆಸರು ನೆಲೆಗೊಳ್ಳುವುದಿಲ್ಲ ಮತ್ತು SVI ಏರುತ್ತದೆ; SRT ತುಂಬಾ ಕಡಿಮೆಯಿದ್ದರೆ, ನೈಟ್ರಿಫೈಯಿಂಗ್ ಬ್ಯಾಕ್ಟೀರಿಯಾವು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಉಳಿಯುವುದಿಲ್ಲ. ಈ ಸಂಬಂಧಗಳನ್ನು ವಿವರಿಸುವಲ್ಲಿ AI ಉತ್ತಮವಾಗಿದೆ, ಆದರೆ ಇದು ನಿಮ್ಮ ಸೌಲಭ್ಯದ ನಿಜವಾದ ಸಂಖ್ಯೆಗಳಿಲ್ಲದೆ ಯಾವುದೇ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಸಲಹೆ: AI ಗೆ ರೋಗನಿರ್ಣಯದ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುವಾಗ, ನಿಯತಾಂಕಗಳು ಮತ್ತು ವಿಶಿಷ್ಟ ವಿನ್ಯಾಸದ ಶ್ರೇಣಿಯನ್ನು ಒಟ್ಟಿಗೆ ನೀಡಿ. "MLSS 5200 mg/L, SVI 220 mL/g, F/M 0.12" ನಂತಹ ಕಾಂಕ್ರೀಟ್ ಸಂಖ್ಯೆಗಳು ಮಾದರಿಯನ್ನು ಕೇವಲ ಕಂಬಳಿ ಮಾತನಾಡುವ ಬದಲು ಉದ್ದೇಶಿತ ಸನ್ನಿವೇಶಗಳಿಗೆ ಒತ್ತಾಯಿಸುತ್ತವೆ.
ಉದಾಹರಣೆ ಲೆಕ್ಕಾಚಾರ: F/M ಅನುಪಾತ ಮತ್ತು ತೆಗೆಯುವ ದಕ್ಷತೆ
ನೀವು ಲೆಕ್ಕಾಚಾರವನ್ನು AI ಗೆ ಹೊರಗುತ್ತಿಗೆ ನೀಡಬಹುದು, ಆದರೆ ಫಲಿತಾಂಶವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಲು ಮರೆಯದಿರಿ. ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ:
# ಇನ್ಪುಟ್ಗಳು (ಅಳತೆ ಕ್ಷೇತ್ರ/ಲ್ಯಾಬ್ ಡೇಟಾ) Q * BOI_input / 1000.0 # kg BOI/day = 1600biomas = V * MLVSS / 1000.0 # kg MLVSS = 5600FM = ಒಳಬರುವ_ಲೋಡ್ / ಬಯೋಮಾಸ್ಪ್ರಿಂಟ್ ("ಇನ್ಕಮಿಂಗ್_ಲೋಡ್ / ಬಯೋಮಾಸ್ಪ್ರಿಂಟ್:" #, BOI ರಲ್ಲಿ 1600.0ಪ್ರಿಂಟ್("F/M ಅನುಪಾತ:", ಸುತ್ತು(FM, 3), "kg BOI/kg MLVSS.day") # 0.286
ಇಲ್ಲಿ F/M = 0.286, 0.2-0.5 ನ ವಿಶಿಷ್ಟ ಶ್ರೇಣಿಯಲ್ಲಿ, ಮತ್ತು ತೆಗೆದುಹಾಕುವಿಕೆಯು 94.4% ನಲ್ಲಿ ಆರೋಗ್ಯಕರವಾಗಿ ಕಾಣುತ್ತದೆ. ಆದರೆ ಹುಷಾರಾಗಿರು: ಇನ್ಪುಟ್ ಸಂಖ್ಯೆಗಳು ಸರಿಯಾಗಿದ್ದರೆ ಮಾತ್ರ ಈ ಫಲಿತಾಂಶವು ಅರ್ಥಪೂರ್ಣವಾಗಿರುತ್ತದೆ. ನಿಮ್ಮ ಫ್ಲೋ ಮೀಟರ್ ಆಫ್ ಆಗಿದ್ದರೆ ಅಥವಾ ಮಾದರಿಯು ಪ್ರತಿನಿಧಿಯಾಗಿಲ್ಲದಿದ್ದರೆ, ಲೆಕ್ಕಾಚಾರವು "ಚೆನ್ನಾಗಿದೆ" ಆದರೆ ಸತ್ಯವಲ್ಲ.
ಎಚ್ಚರಿಕೆ: AI ಮಿಲಿಸೆಕೆಂಡ್ಗಳಲ್ಲಿ ಲೆಕ್ಕಾಚಾರವನ್ನು ಮಾಡುತ್ತದೆ, ಆದರೆ ಅದು ನಿಮ್ಮ ಇನ್ಪುಟ್ಗಳ ನಿಖರತೆಯನ್ನು ತಿಳಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ. ಕಸದಲ್ಲಿ = ಕಸ ಹೊರಗೆ. ಹರಿವಿನ ಪ್ರಮಾಣ, ಮಾದರಿ ಸಮಯ ಮತ್ತು ಲ್ಯಾಬ್ ವಿಧಾನವನ್ನು ಪರಿಶೀಲಿಸದೆ ವರದಿಯಲ್ಲಿ ಯಾವುದೇ ದಕ್ಷತೆಯ ಸಂಖ್ಯೆಗಳನ್ನು ಬರೆಯಬೇಡಿ.
AI ನೊಂದಿಗೆ ದೋಷನಿವಾರಣೆ
ಕೆಸರು ಬಲ್ಕಿಂಗ್ ಒಂದು ಶ್ರೇಷ್ಠ ಆಪರೇಟಿಂಗ್ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಸಂಭವನೀಯ ಕಾರಣಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಪಟ್ಟಿ ಮಾಡಲು ನೀವು AI ಅನ್ನು ಬಳಸಬಹುದು - ಆದರೆ ಇದು ಊಹೆಗಳ ಪಟ್ಟಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ರೋಗನಿರ್ಣಯವಲ್ಲ.
ದೃಢವಾದ ದೋಷನಿವಾರಣೆ ಪ್ರಾಂಪ್ಟ್: "ದೇಶೀಯ+ಕೈಗಾರಿಕಾ ಮಿಶ್ರಿತ ತ್ಯಾಜ್ಯನೀರಿನ ಸ್ಥಾವರದಲ್ಲಿ ಸಕ್ರಿಯ ಕೆಸರು ಬಲ್ಕಿಂಗ್ ಸಂಭವಿಸುತ್ತಿದೆ. ಅಳತೆ ಮೌಲ್ಯಗಳು:- SVI: 240 mL/g (ವಿನ್ಯಾಸ <150)- MLSS: 3600 mg/L- F/M ಡಿಸ್ಸಾಲ್: 0.14 ದಿನ BLV/ಕೆಜಿ ಕಡಿಮೆ ಆಮ್ಲಜನಕ 0.8 mg/L (ಕಡಿಮೆ) - ಔಟ್ಪುಟ್ ಅನ್ನು ಅಮಾನತುಗೊಳಿಸಲಾಗಿದೆ: ಈ ಡೇಟಾವನ್ನು ಆಧರಿಸಿ ಸಂಭವನೀಯ ಕಾರಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ (ಫಿಲಾಮೆಂಟಸ್ ಬ್ಯಾಕ್ಟೀರಿಯ, ಕಡಿಮೆ ಎಫ್/ಎಂ, ಪೋಷಕಾಂಶಗಳ ಅಸಮತೋಲನ, ಇತ್ಯಾದಿ.) ಪ್ರತಿ ಕಾರಣಕ್ಕಾಗಿ ನಾನು ಯಾವ ಲ್ಯಾಬ್ ಪರೀಕ್ಷೆ ಅಥವಾ ಕ್ಷೇತ್ರ ಮಾಪನವನ್ನು ದೃಢೀಕರಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ.
ಅಂತಹ ಪ್ರಾಂಪ್ಟ್ ಈ ಕೆಳಗಿನ ಊಹೆಗಳನ್ನು ತರುತ್ತದೆ, ಉದಾಹರಣೆಗೆ: ಕಡಿಮೆ ಕರಗಿದ ಆಮ್ಲಜನಕವು ತಂತು ಬ್ಯಾಕ್ಟೀರಿಯಾದ ಬೆಳವಣಿಗೆಯನ್ನು ಪ್ರಚೋದಿಸಬಹುದು; ಕಡಿಮೆ F/M "ಹಸಿದ" ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಸೃಷ್ಟಿಸಿರಬಹುದು ಮತ್ತು ತಂತು ಆಯ್ಕೆಯನ್ನು ಹೆಚ್ಚಿಸಿರಬಹುದು; ಸಾರಜನಕ/ರಂಜಕದ ಅಸಮತೋಲನ ಇರಬಹುದು. ಪ್ರತಿಯೊಂದಕ್ಕೂ ಮೌಲ್ಯೀಕರಣ: ಸೂಕ್ಷ್ಮ ಕೆಸರು ಪರೀಕ್ಷೆ, COO ಪ್ರೊಫೈಲ್, ಪೌಷ್ಟಿಕಾಂಶ (N:P) ವಿಶ್ಲೇಷಣೆ. AI ಊಹೆಯನ್ನು ನೀಡುತ್ತದೆ; ಸೂಕ್ಷ್ಮದರ್ಶಕ ಮತ್ತು ಪ್ರಯೋಗಾಲಯವು ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುತ್ತದೆ.
ಸಾಮೂಹಿಕ ಸಮತೋಲನದಿಂದ ಪರಿಶೀಲನೆ
AI-ಸೂಚಿಸಿದ ಮಧ್ಯಸ್ಥಿಕೆಯು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆಯೇ ಎಂಬುದರ ಅತ್ಯಂತ ದೃಢವಾದ ಪರೀಕ್ಷೆಯು ಸಮೂಹ ಸಮತೋಲನವಾಗಿದೆ. ಒಂದು ಸರಳ ನಿಯಮ: ವ್ಯವಸ್ಥೆಗೆ ಪ್ರವೇಶಿಸುವ ದ್ರವ್ಯರಾಶಿ = ಸಮೂಹ ಬಿಟ್ಟು + ಠೇವಣಿ (± ಪ್ರತಿಕ್ರಿಯೆ).
# COD ಮಾಸ್ ಬ್ಯಾಲೆನ್ಸ್ ಕಂಟ್ರೋಲ್ (kg/day) Q = 5000.0 KOI_input = 640.0 # mg/LKOI_output = 45.0 # mg/LdeŞARJ_LIMITI = ಯಾವುದೂ # ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಖಾಲಿಯಾಗಿಲ್ಲ: ಶಾಸನದಿಂದ ಓದಲು, = Q * # 1 KOI0_input ರಲ್ಲಿ ಮಾಡಲಾಗಿಲ್ಲ. COD_output / 1000.0 # 225 kg/day ತೆಗೆದುಹಾಕಲಾಗಿದೆ = ಇನ್ಪುಟ್ - ಔಟ್ಪುಟ್ ಪ್ರಿಂಟ್("COD ಇನ್ಪುಟ್:", ಇನ್ಪುಟ್, "kg/day")ಪ್ರಿಂಟ್("COD ಔಟ್ಪುಟ್:", ಔಟ್ಪುಟ್, "ಕೆಜಿ/ದಿನ")ಪ್ರಿಂಟ್("ತೆಗೆದುಹಾಕಲಾಗಿದೆ (ಜೈವಿಕ+ಕೆಸರು):", ತೆಗೆದುಹಾಕಲಾಗಿದೆ, "ಕೆಜಿ/ದಿನದ ಮಿತಿಯನ್ನು ಮೀರಿದೆಯೇ")# -> ಮಿತಿಯು ಶಾಸನದ ಮುದ್ರೆಯಿಂದ ಬರಬೇಕು ("ಔಟ್ಪುಟ್:", COD_output, "mg/L -> ವಿಸರ್ಜನೆ ಮಿತಿಯೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ (ಕಾನೂನು)")
ಇಲ್ಲಿ ನಿರ್ಣಾಯಕ ಅಂಶವೆಂದರೆ deSARJ_LIMITI = ಕೋಡ್ನಲ್ಲಿ ಯಾವುದೇ ಸಾಲಿಲ್ಲ: ನಾವು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಮಿತಿಯನ್ನು ಖಾಲಿ ಬಿಟ್ಟಿದ್ದೇವೆ. AI ನಿಮಗೆ "COD ಮಿತಿ 120 mg/L" ಎಂದು ಹೇಳಿದರೂ ಸಹ, ನಿಮ್ಮ ಉದ್ಯಮ, ಸ್ವೀಕರಿಸುವ ಪರಿಸರ ಮತ್ತು ಸೌಲಭ್ಯದ ಪ್ರಕಾರದ ಅಧಿಕೃತ ನಿಯಂತ್ರಣ ಕೋಷ್ಟಕದಿಂದ ನಿಜವಾದ ಮಿತಿಯನ್ನು ಓದಬೇಕು. ಮಾಸ್ ಬ್ಯಾಲೆನ್ಸ್ ನಿಮ್ಮ ಔಟ್ಪುಟ್ ಸಾಂದ್ರತೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ; ಶಾಸನವು ಮಿತಿಯೊಂದಿಗೆ ಹೋಲಿಕೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.
ಪರಿಶೀಲನೆ ಸರಪಳಿ
ಹೆಜ್ಜೆ
ಮೂಲ
ಇದು ಏನು ದೃಢೀಕರಿಸುತ್ತದೆ?
1. ಇನ್ಪುಟ್ ಡೇಟಾ
ಫ್ಲೋಮೀಟರ್, ಮಾನ್ಯತೆ ಪಡೆದ ಲ್ಯಾಬ್
ಖಾತೆಯ ಕಚ್ಚಾ ವಸ್ತು ಸರಿಯಾಗಿದೆಯೇ?
2. ಖಾತೆ ನಿಯಂತ್ರಣ
ಕೈ / ಟೇಬಲ್
AI ಅಂಕಗಣಿತವು ನಿಖರವಾಗಿದೆಯೇ?
3. ಮಾಸ್ ಬ್ಯಾಲೆನ್ಸ್
ಪ್ರವೇಶ/ನಿರ್ಗಮನ/ಮಣ್ಣು
ಪ್ರಸ್ತಾಪವು ಭೌತಿಕವಾಗಿ ಸ್ಥಿರವಾಗಿದೆಯೇ?
4. ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿ
ಅಧಿಕೃತ ಶಾಸನ
ಔಟ್ಪುಟ್ ಲಭ್ಯತೆ
5. ಕ್ಷೇತ್ರ/ಸೂಕ್ಷ್ಮದರ್ಶಕ
ಮಾದರಿ
ರೋಗನಿರ್ಣಯದ ವಾಸ್ತವ
ಮಿನಿ ಕೇಸ್
ಸೌಲಭ್ಯದಲ್ಲಿ ಔಟ್ಲೆಟ್ ಟರ್ಬಿಡಿಟಿ ಹೆಚ್ಚಾದಾಗ, ನಿರ್ವಾಹಕರು ಪರಿಸ್ಥಿತಿಯ ಬಗ್ಗೆ AI ಅನ್ನು ಕೇಳುತ್ತಾರೆ; ಮಾದರಿಯು "MLSS ತುಂಬಾ ಕಡಿಮೆ, ಕೆಸರು ಮರುಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸಿ" ಎಂದು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ. ಆಪರೇಟರ್ ಮರುಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಆದರೆ ಸಮಸ್ಯೆಯು ಉಲ್ಬಣಗೊಳ್ಳುತ್ತದೆ. ಹಿರಿಯ ಎಂಜಿನಿಯರ್ ಸೂಕ್ಷ್ಮದರ್ಶಕೀಯ ಪರೀಕ್ಷೆಗೆ ವಿನಂತಿಸುತ್ತಾರೆ: ಸಮಸ್ಯೆ MLSS ಕೊರತೆಯಲ್ಲ, ಆದರೆ ತಂತು ಬ್ಯಾಕ್ಟೀರಿಯಾದಿಂದ ಉಂಟಾಗುವ ಊತ. ರಿಟರ್ನ್ ಸೈಕಲ್ ಅನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ ಫಿಲಮೆಂಟ್ ಲೋಡ್ ಅನ್ನು ಸೆಡಿಮೆಂಟೇಶನ್ ಟ್ಯಾಂಕ್ಗೆ ಸರಿಸಲಾಗಿದೆ. AI ಯ ಸಲಹೆಯು ಒಂದು ಸಮಂಜಸವಾದ ಊಹೆಯಾಗಿದೆ, ಆದರೆ ಪ್ರಯೋಗಾಲಯದ ದತ್ತಾಂಶದೊಂದಿಗೆ ಪರಿಶೀಲನೆಯಿಲ್ಲದೆ ಇದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿದ್ದರಿಂದ ಇದು ವಿರುದ್ಧವಾಗಿ ಹೊರಹೊಮ್ಮಿತು. ಸರಿಯಾದ ಮಾರ್ಗ: ಮೊದಲು ಸೂಕ್ಷ್ಮದರ್ಶಕ, ನಂತರ COO ಮತ್ತು F/M ಹೊಂದಾಣಿಕೆ, ನಂತರ ಹಸ್ತಕ್ಷೇಪ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಸೂಕ್ಷ್ಮದರ್ಶಕ/ಲ್ಯಾಬ್ ಪರಿಶೀಲನೆಯಿಲ್ಲದೆ AI ಸೂಚಿಸಿದ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು.
- ಲೆಕ್ಕಾಚಾರವು ಸರಿಯಾಗಿದೆ ಮತ್ತು ಇನ್ಪುಟ್ ಡೇಟಾದ ಗುಣಮಟ್ಟವನ್ನು ಪ್ರಶ್ನಿಸುವುದಿಲ್ಲ (ಹರಿವಿನ ಪ್ರಮಾಣ, ಮಾದರಿ).
- ಶಾಸನವನ್ನು ದೃಢೀಕರಿಸದೆ AI ನೀಡಿದ ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿಯನ್ನು ಬಳಸುವುದು.
- ಒಂದೇ ಪ್ಯಾರಾಮೀಟರ್ ಅನ್ನು ನೋಡುವುದು (MLSS ಮಾತ್ರ) ಮತ್ತು ಸಂಪೂರ್ಣ ಸಿಸ್ಟಮ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು (F/M, SRT, SVI, COO).
- ಸಮೂಹ ಸಮತೋಲನವನ್ನು ಪರಿಶೀಲಿಸದೆ ವರದಿಯಲ್ಲಿ "95% ದಕ್ಷತೆ" ನಂತಹ ಸಂಖ್ಯೆಗಳನ್ನು ಹಾಕುವುದು.
- ದೃಷ್ಟಿ ಅಸ್ಪಷ್ಟತೆಯಿಂದ ಗುಳ್ಳೆಗಳ ರೋಗನಿರ್ಣಯವನ್ನು ಊಹಿಸುವುದು ಮತ್ತು ಸೂಕ್ಷ್ಮದರ್ಶಕ ದೃಢೀಕರಣವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು.
ಸಾರಾಂಶದಲ್ಲಿ
- ಸಕ್ರಿಯ ಕೆಸರು ನಿರ್ವಹಣೆಗೆ MLSS, MLVSS, F/M, SRT ಮತ್ತು SVI ನಿಯತಾಂಕಗಳನ್ನು ಒಟ್ಟಿಗೆ ಓದುವ ಅಗತ್ಯವಿದೆ; ಅವು ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ.
- F/M ಮತ್ತು ತೆಗೆಯುವ ದಕ್ಷತೆಯಂತಹ ಲೆಕ್ಕಾಚಾರಗಳು ಸರಳವಾಗಿದೆ, ಆದರೆ ಇನ್ಪುಟ್ ಡೇಟಾ ನಿಖರವಾಗಿದ್ದರೆ ಮಾತ್ರ ಫಲಿತಾಂಶವು ಅರ್ಥಪೂರ್ಣವಾಗಿರುತ್ತದೆ.
- ದೋಷನಿವಾರಣೆಯಲ್ಲಿ ಸಂಭವನೀಯತೆ-ಆದೇಶದ ಊಹೆಗಳ ಪಟ್ಟಿಯನ್ನು ರಚಿಸುವಲ್ಲಿ AI ಶಕ್ತಿಯುತವಾಗಿದೆ; ಇದು ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುವುದಿಲ್ಲ.
- ಪ್ರತಿ AI ಪ್ರಸ್ತಾಪವನ್ನು ಸಾಮೂಹಿಕ ಸಮತೋಲನದೊಂದಿಗೆ ಭೌತಿಕ ಸ್ಥಿರತೆಗಾಗಿ ಪರೀಕ್ಷಿಸಬೇಕು.
- ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿಯನ್ನು AI ನಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾಗುವುದಿಲ್ಲ; ವಲಯ ಮತ್ತು ಸ್ವೀಕರಿಸುವ ಪರಿಸರದ ಪ್ರಕಾರ ಅಧಿಕೃತ ಶಾಸನದಿಂದ ಇದನ್ನು ಓದಲಾಗುತ್ತದೆ.
- ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ಪ್ರಯೋಗಾಲಯ (ಸೂಕ್ಷ್ಮದರ್ಶಕ, ಮಾನ್ಯತೆ ಪಡೆದ ವಿಶ್ಲೇಷಣೆ) ಮತ್ತು ಕ್ಷೇತ್ರ ಮಾಪನದಿಂದ ಮಾಡಲಾಗುತ್ತದೆ; ಹಿರಿಯ ಇಂಟರ್ನ್ನಂತೆ, AI ವೇಗವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಆದರೆ ಪರಿಶೀಲಿಸುವುದಿಲ್ಲ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನಿಮ್ಮ ಸ್ವಂತ ಸಸ್ಯ ಅಥವಾ ಕಾಲ್ಪನಿಕ ಸಕ್ರಿಯ ಕೆಸರು ಸ್ಥಾವರದಿಂದ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ರಚಿಸಿ: ಹರಿವಿನ ಪ್ರಮಾಣ, ಒಳಹರಿವು / ಔಟ್ಲೆಟ್ COD ಮತ್ತು BOD, MLSS, MLVSS, ಗಾಳಿಯ ಪರಿಮಾಣ, SVI. ಮೊದಲು F/M ಅನುಪಾತ ಮತ್ತು ತೆಗೆಯುವ ದಕ್ಷತೆಯನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ವಿಶಿಷ್ಟ ವಿನ್ಯಾಸ ಶ್ರೇಣಿಗಳಿಗೆ ಹೋಲಿಸಿ. ನಂತರ, ಈ ಸೌಲಭ್ಯದಲ್ಲಿ ಕೆಸರು ಸನ್ನಿವೇಶವನ್ನು ರಚಿಸಿ ಮತ್ತು ಮೇಲಿನ "ಬಲವಾದ ದೋಷನಿವಾರಣೆ ಪ್ರಾಂಪ್ಟ್" ಮಾದರಿಯೊಂದಿಗೆ ಕಾರಣಗಳ ಸಂಭವನೀಯ ಪಟ್ಟಿ ಮತ್ತು ಪ್ರತಿ ಕಾರಣಕ್ಕಾಗಿ ಪರಿಶೀಲನೆ ಪರೀಕ್ಷೆಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ. ಮಾಸ್ ಬ್ಯಾಲೆನ್ಸ್ ತಾರ್ಕಿಕತೆಯೊಂದಿಗೆ ಮಾದರಿಯ ಔಟ್ಪುಟ್ನಲ್ಲಿ ಪ್ರತಿ ಸಲಹೆಯನ್ನು ಟೇಬಲ್ ಮಾಡಿ ಮತ್ತು ಯಾವ ಪ್ರಯೋಗಾಲಯ ಪರೀಕ್ಷೆಯು ಅದನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ನಿಮ್ಮ ಔಟ್ಪುಟ್ COD ಮೌಲ್ಯವನ್ನು ಯಾವ ಅಧಿಕೃತ ನಿಯಮಗಳು ಮತ್ತು ಯಾವ ನಿಯತಾಂಕಗಳನ್ನು ಹೋಲಿಸಬೇಕು ಎಂಬುದನ್ನು ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್ನಲ್ಲಿ ಬರೆಯಿರಿ; ಈ ಮಿತಿಗಾಗಿ AI ಅನ್ನು ಕೇಳಬೇಡಿ, ನೀವು ಪರಿಶೀಲನೆ ಮೂಲವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ.