Машинное обучение обеспечивает экономию энергии при опреснении

Synauta — стартап чистых технологий, сотрудничающий с новаторами в области опреснения воды в Европе, Австралии, на Ближнем Востоке и в Канаде. Вместе эти компании разделяют нашу цель по сокращению потребления энергии и химикатов при опреснении.

Темы

Каждый день сотни миллионов людей во всем мире получают доступ к воде, получаемой на опреснительных установках. Единственный климатически независимый источник воды. все большее число регионов с дефицитом воды полагаются на опреснение для доставки воды в нужное место в нужное время..

Каждый день пишут, читают или делятся миллионами статей об искусственном интеллекте. Многие содержат великие идеи, концепции и теории; однако больше может включать реальные приложения или результаты.Цель данной статьи — поделиться практической информацией о применении искусственного интеллекта в водном хозяйстве. Конкретно, он охватывает возможности оптимизации использования энергии при опреснении с использованием подмножества искусственного интеллекта: машинного обучения..

Зачем использовать машинное обучение?

Прежде чем понять, почему машинное обучение является правильным решением, нам нужно понять проблему.

Мы знаем, что суть процесса опреснения, обратный осмос (ОО), требует много энергии для производства воды и обходится владельцам и операторам установок в миллионы долларов каждый год. Оптимизация установки вручную в соответствии с проектными условиями требует времени, которое не всегда есть у операторов и операторов диспетчерской.. По правде говоря, нам еще предстоит встретить оператора, который отдает предпочтение долгим оптимизационным расчетам, а не управлению ежедневными сигналами тревоги.

Кроме того, при оптимизации нескольких поездов обратного осмоса люди не могут рассчитать оптимальный баланс потока на частоте, обеспечивающей наибольшую экономию энергии. Например, если человек использовал Microsoft Excel для выполнения тех же расчетов, расчет экономии на один поезд может занять целую неделю, так что вы можете себе представить сложность 20 и более.

Оптимизация установки вручную в соответствии с проектными условиями требует времени, которое не всегда есть у операторов и операторов диспетчерской.

Физический материал мембран обратного осмоса также имеет сложные свойства, которые нелегко наблюдать, а сам процесс обратного осмоса имеет элементы, которые невозможно точно измерить математически во время операций. Чтобы оптимизировать RO, где стандартная математика имеет ограничения, машинное обучение является точным.

Машинное обучение также может быть кодифицировано и развернуто в таких системах, как SCADA, для прогнозирования изменений/тенденций температуры и солености воды и выполнения нескольких изменений заданных значений в день, что в конечном итоге минимизирует потребление энергии и адаптируется к постоянно меняющимся условиям питательной воды.Программное обеспечение может быть разработано для учета нескольких входных и выходных параметров, обеспечивая соблюдение стандартов проектирования каждого предприятия и механических ограничений.

Удивительно, но оптимизация нескольких линий может имитировать несколько линий стеллажей обратного осмоса, одновременно аппроксимируя свойства установки, которые трудно смоделировать математически. Моделирование в сочетании с машинным обучением находит состояния, отражающие наилучшие способы достижения ключевых показателей эффективности конкретного предприятия. Это захватывающая область для опреснения, которая может повысить эффективность по сравнению со стандартными отраслевыми операциями.

Машинное обучение в действии

Synauta — это стартап чистых технологий, основанный в 2018 году, который уже сотрудничает с новаторами в области опреснения воды в Европе, Австралии, на Ближнем Востоке и в Канаде. Эти компании вместе со сторонниками, в том числе Sustainable Development Technologies Canada и Alberta Innovates, разделяют цель сокращения использования энергии и химикатов при опреснении.

В прошлом месяце Synauta опубликовала тематическое исследование, показывающее оптимизацию энергии машинного обучения для обратного осмоса. Управляя рекуперацией установки на основе трех заданных значений, можно добиться мгновенной экономии энергии до 18 % при средней экономии 9,7 % за шесть месяцев.

Без применения машинного обучения для оптимизации операций большее количество энергии и химикатов будет потрачено впустую.

В тематическом исследовании рассматривается опреснительная установка в Западной Австралии, управляемая Osmoflo. Завод имеет типичную схему обратного осмоса морской воды с устройством рекуперации изобарической энергии. Завод имеет 4 линии производительностью 1000 м 3 каждая в сутки. Составы состоят из 14 сосудов и 6 мембранных элементов в каждом. Элементы имеют флюс 6000 галлонов в сутки и степень отбраковки 99,7%, поставляемые крупным производителем мембран обратного осмоса.

Для завода такого размера (4000 м 3 /день) экономия эксплуатационных расходов составит 65 000 долларов в год. Для муниципальной установки обратного осмоса морской воды мощностью 300 000 м 3 /день оптимизация использования энергии может сэкономить более 3 миллионов долларов в год.Это основано на 10% экономии энергии, 0,15 долл. США за кВтч и 2,5 кВтч/м 3 .

В других примерах экономия OPEX, предлагаемая машинным обучением — исключительно за счет сокращения энергопотребления — может достигать 15 миллионов долларов в год в Австралии. Большая 6 опреснительные установки, или более 3,5 миллионов долларов в год для мегаустановки, такой как Tahweelah.

Сохраняя простоту и помогая людям

Одним из потенциальных препятствий для внедрения новых технологий является представление о том, что вам всегда нужно новое оборудование, новые навыки или обучение или совершенно новые системы. Этого не должно быть. В испытаниях Synauta и Osmoflo операторы могли уверенно оптимизировать установку за считанные секунды на основе трех заданных значений, ежедневно отправляемых по электронной почте (расход насоса высокого давления, расход бустерного насоса PX и клапан PX для слива).

Чтобы подтвердить экономию энергии для Osmoflo, Synauta создала показатель, называемый нормализованным потреблением энергии, который учитывает колебания температуры и солености и корректируется для стандартных условий испытания морской воды (25 ° C, 32 000 частей на миллион NaCl).

Synauta — это стартап чистых технологий, который сотрудничает с новаторами в области опреснения воды в Европе, Австралии, на Ближнем Востоке и в Канаде.

Когда дело доходит до инноваций или любого проекта в этом отношении, простота повышает эффективность коммуникации для вовлеченных людей. Чтобы поддержать это, Synauta использует поэтапный подход к внедрению. Это позволяет за определенные периоды понять потенциальную экономию (аудит исторических данных), уточнить данные и учесть нюансы или ограничения отдельных заводов, а также установить заданные значения при мониторинге экономии.

Для оптимальной экономии программное обеспечение может быть интегрировано с заводской системой SCADA или DCS; однако это не означает, что оператор станции не сможет изменить рабочие параметры станции. Оператор по-прежнему имеет право взять на себя управление установкой. В таких случаях, когда они требуют контроля, мы работаем с оператором, чтобы понять, почему, и предлагаем его совет, чтобы настроить алгоритм в соответствии с требованиями.

Ответственность за обеспечение экологических преимуществ

Преимущество работы в водной отрасли заключается в том, что нам постоянно напоминают о хрупкости и взаимосвязи окружающей среды с качеством нашей жизни и возможностями для процветания. Поскольку изменение климата усугубляет проблемы нехватки воды для сообществ и целых регионов, мы обязаны доставлять воду таким образом, чтобы также уменьшить углеродный след.. Несмотря на достигнутый прогресс в таких областях, как возобновляемые источники энергии для электростанций или устройства Energy Recovery Inc, оптимизация операций с помощью машинного обучения открывает дополнительные возможности.

Препятствием для внедрения новых технологий является понимание того, что вам нужно новое оборудование, новые навыки или обучение, или совершенно новые системы.

Без применения машинного обучения для оптимизации операций большее количество энергии и химикатов будет потрачено впустую.. За счет экономии энергии, меньше CO₂ выбрасывается от соответствующей местной электростанции, а также меньше твердых частиц, NO_Икс, ТАК_Икс и ЛОС. С точки зрения экономии химикатов это может означать проведение только девяти чисток на заводе в год вместо 12. Чем меньше чисток, тем меньше химикатов используется. Например, можно было бы использовать на 10–15 % меньше химикатов, что позволило бы значительно сократить эксплуатационные расходы, а также снизить выбросы CO.₂e, Азот и Фосфор в моющих химикатах.

По оценкам, для опреснительной отрасли, оптимизирующей установки обратного осмоса морской воды исключительно для экономии энергии, машинное обучение может сэкономить до 12 миллионов тонн CO.₂е в год (Отчет об оценке экологических преимуществ Synauta, GHD, 2020 г.).

Сосредоточение внимания на сильных сторонах

Некоторые статьи об искусственном интеллекте хороши в одном: создают ожидание того, что завтра мы все потеряем работу и ее займут роботы. Хотя из таких концепций можно сделать развлекательные фильмы, сосредоточение внимания на этих повествованиях в водной отрасли — бесполезное отвлечение.

Если вы новичок в концепции искусственного интеллекта или работаете в этой области каждый день, мы все выиграем от стремления к самообразованию, поддержанию мышления роста и любознательности. Делясь проектами и результатами, мы можем сосредоточиться на том, как применить сильные стороны искусственного интеллекта для решения реальных проблем сегодня.

Технологии готовы, они проверены, и пришло время сделать их частью водного бизнеса, чтобы реализовать огромные экологические, экономические и социальные преимущества, которые они предлагают.