Прибыль:
- Способность определять приоритетность водного следа (синий/зеленый/серый) по фактическому воздействию на окружающую среду, а не только по литрам, путем взвешивания его с региональным водным дефицитом.
- Возможность проверять аномалии качества воды с помощью перекрестной проверки по нескольким параметрам и отличать неисправность датчика от реального загрязнения.
- Возможность сузить картину утечки (минимальный расход в ночное время) с помощью данных и представить ее для подтверждения при проверке на месте.
Вода является наиболее заметным лицом климатического кризиса: каждая капля имеет стратегическое значение в засушливых регионах, любое излишество опасно в поймах рек. Для организаций вода больше не является «бесплатным ресурсом», а является воздействием на окружающую среду, которое необходимо измерять, уменьшать и сообщать о нем. В этом модуле вы узнаете о водном следе, мониторинге качества воды, обнаружении утечек в сети и о том, как искусственный интеллект ускоряет эти задачи.
Сначала концепции. Водный след — это общий объем пресной воды, потребляемый прямо или косвенно продуктом, процессом или учреждением. Она разделена на три цвета: голубая вода (вода, добываемая с поверхности и под землей), зеленая вода (дождевая вода, используемая растениями) и серая вода (вода, необходимая для разбавления загрязнений). Водный стресс – это ситуация, когда спрос на воду в регионе истощает имеющиеся ресурсы; тот же литр воды гораздо «дороже» в безводном регионе.
Подсказка: вода, в отличие от углерода, локальна. Хотя 1000 м³ воды — это незначительно в регионе с обильными осадками, это имеет решающее значение в регионе с высоким водным дефицитом. Всегда учитывайте водный след вместе с водным стрессом в данном районе; «абсолютные литры» сами по себе вводят в заблуждение.
Качество воды: какие параметры?
«Чистая или грязная» вода не измеряется одним числом. Основные параметры:
- pH: уровень кислотности/щелочности воды (0-14).
- Растворенный кислород (DO): жизненно важен для водной жизни; Если он низкий, это признак загрязнения.
- Мутность: количество взвешенных веществ в воде.
- Проводимость (EC): плотность растворенной соли/минерала.
- БПК/ХПК (БПК/ХПК): косвенный показатель органического загрязнения.
- Тяжелые металлы, нитраты, фосфаты: некоторые загрязнители.
Эти параметры измеряются датчиками непрерывного действия либо в лаборатории, либо в полевых условиях. ИИ очень полезен при обработке этих многомерных данных и выявлении аномалий и тенденций.
Обнаружение утечек: поиск потерянной воды
В сетях значительная часть воды теряется за счет утечек по трубам; Это называется потерями-утечками воды (NRW – Non-Revenue Water). В некоторых старых сетях этот показатель может превышать 40%. Классический способ поиска утечки – дорогой и медленный. Здесь АИ; Обнаруживая аномальные закономерности в данных датчиков давления и расхода, он помогает сузить область, в которой наиболее вероятна утечка, но решение о копании под трубой по-прежнему остается за полевой командой.
Шаг за шагом: анализ воды
1. Определите объем. Внутреннее потребление воды, водный след продукта, утечка в сети?
2. Соберите данные. Счетчик, счет-фактура, датчик качества, регистр давления. Уточните единицы измерения (м³, л).
3. Свяжите водный стресс. Связать потребление с водным дефицитом в регионе; Такие инструменты, как WRI Aqueduct, предоставляют региональные данные о стрессе.
4. Анализируйте. Тренд, сезонность, аномалия, характер утечек.
5. Удалите приоритет смягчения последствий. Определите самые истощающие, самые стрессовые и легко излечимые точки.
6. Проверьте и сообщите. Сохранение чисел с источником; Сравните пороговые значения качества с законодательством.
три мини-кейса
Случай 1 — Абсолютное заблуждение о литре. Компания спросила, какой из двух ее заводов больше всего пострадал от воды. ИИ сначала посмотрел только на литр и отметил завод, который потреблял больше всего. Когда аналитик добавил водный стресс, он обнаружил, что фактическое воздействие завода на окружающую среду в менее потребляющем, но чрезвычайно засушливом регионе было намного выше. Приоритет изменился; Без водного стресса решение было бы неверным.
Случай 2 — Отказ или загрязнение датчика? Очистная станция заметила внезапное падение показаний датчика растворенного кислорода и планировала экстренное реагирование. Когда эксперт изучил данные, он понял, что падение не было одновременно по многим независимым параметрам, а просто «застряло» на постоянном значении на этом датчике — это неисправность датчика, а не загрязнение. Ненужное вмешательство было предотвращено.
Случай 3 — Сужение утечки. Служба водоснабжения заподозрила, что в этом районе постоянно наблюдаются высокие потери воды. Они попросили ИИ выполнить анализ минимального ночного расхода (вода течет ночью, когда никто не использует воду, что является признаком утечки); код показал, что ночной сток был аномально высоким в одной из пяти подзон. Полевая группа сосредоточила поиски на этом районе и нашла беглеца за несколько часов, а не дней. Тем не менее, люди приняли решение провести раскопки.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Проанализируйте мое потребление воды и подскажите, как его уменьшить.
Почему он слабый: нет подразделения, региона, водного стресса и данных. На выходе получается общий список рекомендаций, в нем нельзя расставлять приоритеты.
Мощная подсказка:
Ваша роль: аналитик по водному хозяйству. Проанализируйте следующие ежемесячные данные о потреблении воды (м³) на уровне объекта с помощью Python. Подставьте оценку водного стресса (0–5), которую я присваиваю каждому учреждению, и получите рейтинг «взвешенного по стрессу воздействия». Отмечайте сезонность и аномальные месяцы. ПОДХОДЯТ данные о водном стрессе; Оставьте пустым с тегом [СТРЕСС]. Рекомендовать приоритет снижения, начиная с объекта с наибольшим весом. Данные: [таблица]
Четыре копируемых шаблона
1) Влияние утяжеленной воды на стресс:
Ваша роль: аналитик воды. Потребление воды по производственному объекту (м³) с помощью Python. Подключите региональную оценку водного стресса к каждому объекту; воздействие = потребление × стресс. Сортируйте по этому взвешенному воздействию. Подбор данных о стрессе; укажите источник (например, Акведук WRI) или оставьте [ПОДВЕРЕНО]. Данные: [здесь]
2) Многомерная аномалия качества воды:
Изучите следующие временные ряды качества воды (pH, DO, мутность, проводимость) с помощью Python. Проверить, наблюдается ли отклонение по одному параметру и по другим; «Зависшее» значение одного параметра, скорее всего, является неисправностью датчика, а не загрязнением. Отметьте каждую аномалию этим знаком. Данные: [здесь]
3) Анализ утечек (ночной расход):
Проанализируйте следующие региональные данные о минимальном расходе в ночное время с помощью Python. Присвойте местам с более высоким, чем ожидалось, потоком воды в ночное время как потенциальным кандидатам на утечку. Не говорите прямо «есть утечка»; Дайте вероятность и предложение по проверке (проверка на месте). Данные: [здесь]
4) Проверка соответствия порогу качества:
Сравните измеренные значения качества воды, приведенные ниже, с таблицей допустимых пороговых значений, которую я предоставлю. Пометьте каждый параметр «соответствует/пределен/превышен». Не выстраивайте пороги; Я дам или проверю [ЗАКОНОДАТЕЛЬСТВО]. Подведите итоги и укажите необходимые действия. Значения: [здесь]
Распространенные ошибки
- Измерение эффекта воды только в литрах. Без водного стресса приоритеты становятся неправильными.
- Принятие отдельного отклонения датчика за загрязнение. Проведите многомерную перекрестную проверку.
- Смешиваем зеленую, синюю и серую воду. Компоненты следа сообщаются отдельно.
- Адаптация правовых порогов к ИИ. Ограничения качества исходят из законодательства, а не из памяти моделей.
- Не сверка заявления об утечке с полем. Данные сужают кандидата; Команда дает подтверждение.
Внимание: данные о качестве воды могут указывать на загрязнение объекта и иметь юридические/репутационные последствия. Предоставляя эти данные, обеспечьте их точность; Ложный отчет о превышении, основанный на некалиброванном датчике, или сокрытие истинного превышения влекут за собой серьезную ответственность.
В итоге
Управление водными ресурсами; Это требует оценки воздействия наряду с водным стрессом, мониторинга качества с помощью нескольких параметров и сужения утечки с помощью данных. ИИ; Это мощный ускоритель многомерного анализа данных, а также обнаружения аномалий и утечек. Однако определение уровня водного стресса, отделение неисправности датчика от загрязнения, получение установленных законом пороговых значений из правильного источника и проверка на местах — это задача эксперта.
Задача приложения
Создайте гипотетические ежемесячные данные о потреблении воды для двух-трех объектов учреждения и присвойте каждому объекту показатель водного стресса. 1. заставить ИИ выполнить ранжирование воздействия с учетом стресса с помощью шаблона; Сравните результат с сортировкой только по литрам. Затем примените шаблон 2 к временному ряду качества воды и попытайтесь отличить неисправность датчика от фактического загрязнения.
контрольный список
- [ ] Я взвесил воздействие воды на водный стресс, я не просто смотрел на литры.
- [ ] Я проверил аномалии качества с помощью перекрестной проверки по нескольким параметрам.
- [ ] Я хранил компоненты зеленой, синей и серой воды отдельно.
- [ ] Правовые пороги я взял из законодательства, не адаптировал их под ИИ.
- [ ] Я представил беглого кандидата с предложением о выездной проверке.
- [ ] Я гарантировал точность и калибровку данных о качестве.