Využití technologie digitálního dvojčete a umělé inteligence v úpravě vody

1. Úvod

V posledních letech se mnohé dříve nedostupné analytické metody a online analýzy stávají běžnou vodárenskou praxí. V současnosti jsme schopni měřit mnohé parametry pomocí online sond, nebo ve velmi krátkých intervalech pomocí analyzátorů. Tyto přístroje dokáží produkovat velká množství dat, která jsou v praxi využívána spíše jen pro kontrolu procesu a identifikaci alarmových událostí. Dalším významným fenoménem poslední doby je nárůst výpočetní kapacity počítačů na úroveň, při které jsou schopny prakticky v reálném čase provozovat sofistikované výpočetní modely. Těmito modely jsou myšleny zejména počítačové programy a algoritmy označované jako umělá inteligence. Zřejmě každý již přišel do kontaktu s jazykovými modely, které jsou schopné poskytovat smysluplnou diskuzi s lidským uživatelem. Prudký nástup umělé inteligence začíná ovlivňovat náš každodenní život, aniž bychom si to uvědomovali. Jaké je ale využití technologií založených na umělé inteligenci a jakým způsobem dokáží pracovat s velkým množstvím dat a co je to digitální dvojče?

2. Co je digitální dvojče

Technologie digitálního dvojčete má poměrně významné zastoupení v průmyslu, například v automotive nebo chemickém průmyslu. Zde simuluje celou řadu procesů a umožňuje poskytovat informaci o chování výrobní linky. Uživatel si tak může nasimulovat různé scénáře a na jejich základě predikovat objem výroby, potřebu vstupů nebo nákladovou stránku procesu bez toho, aby musel výrobu přerušit nebo provádět složité technologické výpočty. Digitální dvojče je v podstatě počítačový program, který se chová jako virtuální kopie nějakého reálného objektu nebo technologie. Kromě výše zmíněné simulace scénářů co-když dokáže provádět i autonomní optimalizace provozu. Jedná se prakticky o stejnou funkci s tím rozdílem, že vstupní parametry simulací jsou generovány jiným algoritmem a ze všech možných simulací, kterých mohou být až vysoké desítky či stovky, pak vybírá tu, která nejlépe splňuje uživatelem definovaná kritéria. Těmito kritérii jsou často provozní náklady nebo kvalita výstupu produkovaného technologií. V tomto případě je pak digitální dvojče provozováno v autonomním módu, kdy je mu svěřeno řízení celé technologické linky.

Protože hlavním benefitem digitálního dvojčete je tvorba predikcí a simulace chování technologie v určitých stavech, přichází v úvahu i využití dalších jeho benefitů. Zejména ve vodárenské praxi je to pak možnost vytvořit tzv. softsenzor. Softsenzor je softwarový nebo virtuální senzor, který poskytuje informace v místě, kde není nebo není možné provádět fyzické online měření. Jiným využitím je softsenzor pro parametr, který není možné měřit online. Ve vodárenství to mohou být například trihalogenmetany, které je možné pomocí digitálního dvojčete predikovat a tuto predikci zobrazovat jako softsenzor. Podobné využití digitálního dvojčete je pak detekce anomálií. Digitální dvojče predikuje určité hodnoty a porovnává je s realitou. Pokud se hodnota začne významně lišit, je obsluha upozorněna na tuto anomálii. V čistírenství se nabízí využití například pro detekci ucpání sítě, přítok mimořádného znečištění, nebo selhání stroje, například čerpadla. Poslední zmíněná možnost je využitelná i ve vodárenství, kde je možné detekovat i mimořádné zhoršení kvality nátoku (například v kombinaci s meteorologickými daty) nebo selhání stroje. Digitální dvojče je možné vytvořit i pro relativně malé objekty, jako je čerpadlo nebo sonda a predikovat jejich případné selhání a potřebu údržby. Tento způsob využití se pak nazývá preventivní údržba.

Typy digitálních dvojčat

Aby to nebylo tak jednoduché, existuje v současnosti hned několik typů digitálních dvojčat. Samozřejmě je možné je dělit na řešení cloudová, nebo na lokálním serveru (on-premis). Důležitější je ale dělení podle vnitřního uspořádání a principu funkce vlastního algoritmu digitálního dvojčete. Rozlišujeme tak digitální dvojčata:

• Mechanistická
• Založená na umělé inteligenci
• Hybridní

Mechanistické digitální dvojče
Mechanistická digitální dvojčata jsou založena na simulaci procesu na základě znalosti jejich teoretického popisu. Pokud bychom chtěli vytvořit například digitální dvojče rychlovarné konvice, potřebovali bychom znát závislost mezi příkonem, objemem vody, přestupem tepla do vody a tepelnou kapacitou ohřívaného média. Protože se jedná o proces velmi dobře popsaný, dokážeme sestavit model celého zařízení velmi jednoduše. Výstupem zde může být simulace teploty (softsenzor) nebo predikce délky ohřevu. V případě, že celá technologie se skládá z více jednotkových operací, je digitální dvojče sestaveno ze soustavy dílčích výpočtů těchto operací. Výhoda tohoto přístupu je ve velmi snadné realizaci digitálního dvojčete, které může být připraveno k provozu v relativně krátké době. Další výhodou je, že komerční řešení obvykle pracují s již připravenými knihovnami objektů, ze kterých je možné technologii skládat a je možné modelovat i dosud neexistují technologickou linku. Nevýhodou pak je vázanost na detailně popsané procesy a problematické zohledňování lokálních specifik a nízkou přesnost v případě nestandardních událostí, nebo problematického měření.

Digitální dvojče založené na umělé inteligenci
Umělá inteligence (AI) zcela mění pravidla hry. Digitální dvojče ke své činnosti prakticky nepotřebuje žádný matematický popis technologie. Ten vzniká až při tzv. tréningu modelu. V praxi to funguje tak, že po nějakou dobu, zpravidla měsíce, digitální dvojče sbírá informace o provozu a buď samo, nebo za asistence programátora, vytváří statistický model popisující technologii. V případě příkladu s rychlovarnou konvicí by digitální dvojče po nějakou dobu jen sledovalo, jak se mění teplota vody a délka ohřevu na ostatních veličinách a sestavovalo si matematický popis těchto dějů. Praktická výhoda je zde možnost sestavit model i s omezenými vstupy. Dokáže pracovat i s nepřímými veličinami a v případě vodárenství pak například nepotřebuje znát kvalitu vstupující vody, ale dokáže ji predikovat třeba z meteorologických dat a průtoku vody v řece. Další velmi významnou výhodou se ukazuje být schopnost zohlednit lokální specifika. Pokud by například při míchání vznikaly v nádrži mrtvé kouty, jejichž velikost se mění na dalších parametrech, nepotřebuje AI matematický popis tohoto děje, ale podobně jako zkušená obsluha „vypozoruje“ jak se systém chová a s výsledky tohoto pozorování pak dále pracuje. Nevýhodou pak je potřebná doba pro tréning modelu.

Hybridní digitální dvojče
Jako nejefektivnější se jeví technologie založená na kombinaci obou postupů. V praxi to pak může vypadat například tak, že jádro digitálního dvojčete je založené na umělé inteligenci, jejímiž vstupy pak jsou mimo měřených dat i výsledky matematického popisu jednotkových operací. Další výhodou hybridního modelu je možnost jednoduché procesy modelovat mechanisticky a šetřit tak výpočetní výkon pro ty procesy, které zapojení umělé inteligence skutečně vyžadují. Tento postup pak nesnižuje jen provozní nároky systému, ale snižuje i náročnost vytvoření celého digitálního dvojčete.

3. Co je umělá inteligence

Umělá inteligence je oblast informatiky, zaměřená na tvorbu inteligentních systémů, které dokáží napodobit lidské kognitivní schopnosti, mezi které patří: Schopnost se učit, získávat nové znalosti a dovednosti ze zkušeností. Schopnost analyzovat situace a řešit problémy. Schopnost vyvodit logické závěry z dostupných informací a schopnost vybrat nejlepší postup na základě dostupných informací. Algoritmy, které toho dosahují mohou být založeny na logice a pravidlech, strojovém učení a neurálních sítích.

Právě strojové učení, jakožto podmnožina AI, je nejčastější způsob využití AI v digitálních dvojčatech. Ač se může zdát, že strojové učení je horká novinka, opak je pravdou. Jeho základy položil již roku 1959 Arthur Samuel který jej využíval programování počítače k lepší šachové hře [1]. Princip strojového učení je pak takový, že algoritmus, který je schopen na souboru velkého množství dat hledat vzájemné závislosti (učení) a vytvářet model, který slouží k tvorbě předpovědí a rozhodování o nových datech. Algoritmus strojového učení tak vytváří nový algoritmus, který popisuje zkoumanou soustavu. Učení pak může probíhat tzv. s učitelem, což je typické například pro rozeznávání obrázků, kdy učitel stroji popisuje, co je na obrázku. Nebo bez učitele, kdy algoritmus poskytnutá data zkoumá samostatně. Tato druhá varianta je využitelná právě například v případě digitálních dvojčat v technologii vody. Existuje ještě třetí varianta, také využitelná v technologii vody, tzv. posilované učení, kdy je algoritmus doplněn o zpětnou vazbu ve formě tzv. „odměn a trestů“. Tato zpětná vazba může být založena například na reálném měření výstupu z technologie.

Obr. 1. Vzájemný vztah strojového učení, umělé inteligence a dat [2]

Obr. 2. Příklad neuronové sítě s více skrytými vrstvami [3]

Algoritmů či způsobů strojového učení je mnoho. Za všechny lze zmínit například ještě tzv. deep learning a boosting. Deep learning který využívá neuronové sítě o velkým počtem vrstev. Tento postup je výhodný pro hledání složitých vzorů ve vstupních datech. Boosting je technika strojového učení, která kombinuje tzv. „slabé modely“, tj. modely, které dokáží predikovat výsledek s pravděpodobností jen o málo lepší, než by odpovídalo náhodnému hádání, do silnějšího modelu. Jsou vytvářeny nové modely, kdy každý nový model se zaměřuje na chyby předchozího a odstraňuje je. Výsledkem je pak tzv. „silný model“, který je již technicky využitelný.

4. Praktické využití dat v úpravě vody

Praktické využití si pak lze představit jako digitální dvojče úpravny, simulující její základní funkce a optimalizace jednotlivých procesů, predikce vstupu surové vody, přes dávky chemikálií a optimalizace účinnosti koagulace, po efektivní využití a praní filtrů, až po aplikaci softsenzorů pro získání informace o veličinách, které nelze přímo měřit. Asi nejpoužívanější aplikací je optimalizace filtračních cyklů a zásoby chemikálií, kde lze predikovat jejich degradaci a spotřebu. Do budoucna jistě velmi zajímavé může být využití při optimalizace dávky chemikálií, a to jak z hlediska jejich spotřeby, tak i z hlediska kvality upravené vody. Umělá inteligence, trénovaná na dlouhé datové řadě, je tak schopná do značné míry nahradit provozní sklenicové testy. Mnoho úpraven funguje tak, že technolog na základě sklenicových testů určí správnou dávku, případně závislost dávky na kvalitě vstupující vody. Tuto závislost pak využívá obsluha k řízení úpravny. Reálně pak obsluha jednou nebo vícekrát za den provede analýzu kvality surové vody (např. CHSK) a podle ní nastaví technologii úpravny. Pokynem pro novou analýzu provedenou obsluhou může být i změna na online měření kvality nátoku (barva, zákal, ABS₂₅₄). Systém založený na umělé inteligenci pak na dlouhé datové řadě odvozuje přímo závislost mezi daty z online analyzátoru, dávkou a kvalitou výstupu. Tuto znalost je pak schopný využít k optimálnímu automatické nastavení dávky v reálném čase. V podstatě umělá inteligence vypozoruje stejné závislosti, které by musel technolog hledat za použití sklenicových testů. Výhodou umělé inteligence je pak to, že pracuje nepřetržitě a může zohlednit i další faktory, jako je teplota, roční období, počasí, průtok vody ve zdroji vody, naplnění nádrže a jiné.

Další aplikace pak mohou být například spojeny s distribuční soustavou. Zde se nabízí hned několik způsobí využití technologie. Úpravě vody nejbližší je pak modelování kvality v distribuční síti a řízení dávky chemikálií tak, aby byla dosažena konkrétní požadovaná kvalita v konkrétním místě. Zde je již potřeba pracovat i s hydraulickým modelem a daty z distribuční soustavy. V současnosti možná žádanější je pak optimalizace nákladů na čerpání, kdy systém vyhodnocuje parametry jako je cena elektřiny, její predikce, predikovaná spotřeba vody v síti a úroveň naplnění vodojemů. Zde se nabízí i kombinace s předpovědí počasí a energií ze solárních panelů. Systém pak plní vodojemy tak, aby byla zajištěna potřebná zásoba vody, ale zohledňuje i podmínky v energetické soustavě a využívá v maximální míře levnější energii.

Obr. 3. Ukázka obrazovky optimalizace procesu plnění vodojemu v závislosti na spotřebě vody a aktuální ceně elektrické energie [4]

Celý systém pak může být provázán s dalšími systémy provozovatele a kromě vlastního řízení technologických celků může poskytovat i benefity pro vedení společnosti. Umožňuje náklady nejenom šetřit, ale také dokáže ekonomická data predikovat a historická data dávat do souvislostí a zobrazovat v manažerských reportech.

Obr. 4. Ukázka uživatelského rozhraní komplexního systému pro správu úpravny propojující digitální dvojče technologie s datovým skladem, modulem správy dat v uživatelský dashboard [4]

5. Závěr

Technologie digitálního dvojčete a umělé inteligence v současnosti zažívá obrovský boom napříč obory. V technologii vody se zatím prosazuje spíše v oblasti čistírenství nebo v oblasti hledání ztrát vody. Její využití ve vodárenství do budoucna přinese zlepšení kvality a racionalizaci nákladů při úpravě. Možná důležitějším efektem než tyto dva zmíněné je pak schopnost nahradit chybějící pracovní sílu a eliminovat vliv nekvalitní pracovní síly na klíčové součásti technologie úpravy vody. Právě úbytek kvalifikované pracovní síly je do budoucna jednou z největších hrozeb oboru. Na druhou stranu se kvalifikovaní odborníci nemusejí bát o svá pracovní místa. Digitální dvojče není schopné je zcela nahradit, je ale mocným pomocníkem umožňujícím technologovi zvládnout více práce ve stejném čase a oprostit se od repetitivních banalit a zaměřit se na skutečně důležitou práci.

Seznam literatury

1. SAMUEL, Arthur L. Machine learning. The Technology Review, 1959, 62.1: 42-45.
2. THEOBALD, Oliver. MACHINE LEARNING: Make Your Own Recommender System; build Your Recommender System with Machine Learning Insights. Packt Publishing Ltd, 2024.
3. SARKER, Iqbal H., et al. Context pre-modeling: an empirical analysis for classification based user-centric context-aware predictive modeling. Journal Of Big Data, 2020, 7: 1-23.
4. XYLEM, Idrica. Interní dokumenty společností. 2024.