SENZOR SOFTWARE BAZAT PE INTELIGENȚĂ ARTIFICIALĂ

Abstract

În contextul Industriei 4.0, utilizarea Inteligenței Artificiale (IA) devine tot mai importantă în diverse domenii, inclusiv în tratarea apelor uzate. Implementarea unui senzor software reprezintă o soluție esențială pentru detectarea și monitorizarea diferitelor concentrații din efluentul rezultat în urma procesului de tratare a apelor uzate. Utilizarea mai multor tehnologii avansate a fost necesară pentru realizarea senzorului software bazat pe rețeaua neuronală Long Short-Term Memory (LSTM). În primul rând, aceasta a fost antrenată folosind limbajul de programare Python. Un număr mare de biblioteci și framework-uri puternice sunt disponibile în Python pentru implementarea și dezvoltarea de rețele neuronale. Aplicația din această lucrare a fost construită, antrenată și evaluată folosind biblioteca Keras și backend-ul TensorFlow. Aceste tehnologii au simplificat procesul de dezvoltare a rețelei, permițând optimizarea acesteia și ajustarea parametrilor într-un mod eficient și simplu de înțeles. Pentru a obține cea mai bună rețea LSTM, a fost utilizată tehnica K-Folds, care presupune împărțirea setului de date în k număr de subseturi și antrenarea rețelei de k ori, folosind diferite combinații ale subseturilor pentru antrenare, testare și validare. Această metodă a permis obținerea unei rețele LSTM puternice și stabile, capabilă de o performanță superioară în predicția concentrațiilor de amoniu din efluent. În a doua etapă, integrarea rețelei LSTM în modelul Benchmark Simulation Model numărul 2 (BSM2) a permis utilizarea mediului de dezvoltare și simulare grafică Simulink, care este folosit în proiectarea, modelarea și simularea sistemelor dinamice. Evaluarea și implementarea rețelelor neuronale complexe sunt ușurate prin instrumentele specializate de Deep Learning oferite de Simulink. În urma acestei integrări, a fost posibilă simularea și testarea rețelei LSTM în modelul BSM2. Acest lucru oferă o soluție completă și practică pentru monitorizarea și controlul concentrațiilor din efluent în procesul de tratare a apelor uzate menționat anterior. Pentru a ajunge la concluziile finale, am obținut grafice care arată datele inițiale ale concentrației de amoniu din BSM2, precum și datele anticipate ale rețelei LSTM după un interval de 4 ore, rețea implementată prin intermediul senzorului software. A fost efectuată o evaluare a performanței rețelei prin utilizarea metricii Root Mean Square Error (RMSE). Rezultatele evaluărilor au indicat o concordanță de aproximativ 97% între datele antrenate de rețea. Scopul principal al acestei teme a fost crearea unui senzor software capabil să detecteze și să anticipeze concentrațiile de amoniu folosind strategia de control implicită a BSM2. Acest obiectiv a fost îndeplinit cu succes prin utilizarea senzorului software bazat pe rețeaua neuronală LSTM, rezultatele obținute fiind de înaltă precizie.