Снижение себестоимости питьевой воды путем использования искусственного интеллекта для реагентной обработки поверхностной воды

Снижение затрат на химические реагенты – важная задача для предприятий ВКХ, обусловленная ужесточением норм, ростом цен и необходимостью импортозамещения. Водоканалы стремятся найти эффективные решения для улучшения водоочистки, учитывая особенности имеющихся сооружений. Актуально применение ИИ для автоматизации дозирования реагентов, адаптированных к режиму потребления воды населением.

На водопроводных сооружениях ООО «Нижневартовские коммунальные системы» внедрено ПО «Цифровой подсказчик технолога» и «Водоканал PRO» на основе искусственного интеллекта. В статье А.В. Моисеева, А.С. Варкентина, М.А. Коротаева и др. специалистов, публикованной в журнале «НДТ» № 2-2025, описаны этапы разработки, алгоритмы, метрики оценки качества машинного обучения и интерпретации моделей.

Авторы отмечают, что разработанное ПО доведено до промышленного использования и может применяться на аналогичных объектах ВКХ с учетом его масштабируемости.

Редакция НДТ&VodaNew с согласия авторов знакомит читателей с кратким изложением публикации.

Предпосылки создания проекта

В шести городах (Самара, Пермь, Благовещенск, Пенза, Петрозаводск, Нижневартовск) ГК ООО «РКС-Холдинг» использует поверхностную воду для питьевых нужд. Вода реки Вах в Нижневартовске требует сложной обработки из-за низких температур, высокой цветности, содержания железа, марганца, запахов и низкой щелочности. Для очистки и стабилизации состава воды применяются различные химические реагенты (ХР).

Технологическая схема включает насосную станцию, вертикальные смесители, камеры хлопьеобразования с горизонтальными отстойниками и скорые фильтры. Очищенную воду собирают в резервуары, затем она проходит обеззараживание перед транспортировкой к потребителю. На ВОС-2 работают две технологические очереди и станция повторного использования промывных вод. ХР подаются дозирующими насосами с автоматизированной системой управления технологическим процессом (АСУ ТП).

Основные особенности реагентной обработки воды:

1. Качество водоисточника: река Вах отличается высокой цветностью (до 180 градусов), перманганатной окисляемостью (до 20 мгО₂/л), высоким содержанием железа (до 9,6 мг/л) и марганца (до 0,9 мг/л), а также низкими температурами на протяжении года.
2. Технология обработки: сложная схема с использованием восьми марок ХР для разных целей: сульфат алюминия, оксихлорид алюминия (ОХА), флокулянты, известь, перманганат калия, полиакриламид (ПАУ), хлор и аммиак.
3. Нагрузка на лабораторию: определение оптимальной дозы ХР методом пробного коагулирования значительно увеличивает объем работы химико-бактериологической лаборатории, особенно в паводковый период.
4. Контроль дозирования ХР: дозы и расход контролируются вручную, исходя из опыта эксплуатации. Многочисленные факторы влияют на выбор доз, что затрудняет гибкую реакцию технологов. При этом приоритетом остается соблюдение стандартов очистки и отсутствие жалоб потребителей, а не экономия ХР.
5. Запаздывание реакции: гистерезис технологического процесса приводит к тому, что результат введения ХР проявляется через 11 часов после начала анализа питьевой воды.
6. Отчетность лаборатории: необходимо формировать и передавать результаты производственного контроля качества питьевой воды в виде электронных паспортов и отчетных таблиц.

Таким образом, комплекс факторов в отдельных случаях приводит к увеличению себестоимости питьевой воды при отклонениях от оптимальных доз ХР.

Постановка задачи

На сегодняшний день отсутствует необходимый ЦП (цифровой подсказчик технолога), моделирующий процесс очистки воды из поверхностного источника с учетом технологических особенностей очистных сооружений, характеристик источника и прочих условий. Соответственно, рассчитать дозы ХР, используя физические зависимости, не представляется возможным. Дозы ХР принимаются на основании моделирования в лабораторных условиях “пробной коагуляцией” и опыта эксплуатации, а далее они корректируются исходя из особенностей процесса очистки и контроля качества воды.

В отсутствии утвержденного алгоритма подбора доз, для решения задачи может быть применена система искусственного интеллекта (ГОСТ Р 59277-2020, техническая система, в которой используются технологии искусственного интеллекта), без заранее заданного алгоритма.

Этапы разработки ПО

1. Исследовательский этап, 2021 г. Разработана модель определения доз (расходов) коагулянтов. Прототип апробирован в тестовом режиме.
2. Начало разработки промышленной версии ПО, 2022 г. ООО «Аутомэйт-Бизнес», обладающее опытом аналогичных разработок в смежных отраслях, выбрано на безвозмездной основе. Оплата работ предусмотрена по итогам успешного внедрения ПО на ВОС-2 в г. Нижневартовске. Экономический эффект от использования прототипа подтвержден, а также доказана возможность прогнозирования доз ХР.
3. Разработано и внедрено ПО на ВОС-2 (с минимальным функционалом ЦП), 2023 г. ПО прошло тестирование в промышленных условиях для оценки влияния каждого из измеряемых параметров поверхностной воды на выбор оптимальной дозы каждого ХР.
4. ПО получило дополнительный функционал, 2024 г. По итогу внедрено ПО с минимальным вмешательством человека. Подтверждён экономический эффект.

Входные данные

Одним из наиболее важных элементов ПО является блок по выбору доз ХР.

Под входными данными подразумеваются данные, которые должен ввести пользователь для получения предсказания доз.

В качестве входных данных использованы значения показателей качества поверхностной воды, исследуемые лабораторией в соответствии с программой производственного контроля. Используемые показатели качества поверхностной воды в ЦП:

1. Цветность, град.
2. Мутность, мг/дм³.
3. Водородный показатель, ед. pH.
4. Щелочность, ммоль/дм³.
5. Массовая концентрация марганца, мг/дм³.
6. Массовая концентрация общего железа, мг/дм³.
7. Массовая концентрация аммиака и ионов аммония (суммарно), мг/дм³.
8. Температура, °С.
9. Массовая концентрация железа (II), мг/дм³.

Для технолога данные параметры загружаются автоматически из отчета по качеству поверхностной воды, подготовленным специалистом лаборатории.

После ввода данных запускается в работу оптимизатор.

Оптимизатор

НА ВОС-2 используются следующие ХР:

1. Сульфат алюминия, 16 % акт. часть (период ноябрь-май).
2. Оксихлорид алюминия, 17–23 % акт. часть (период июнь-ноябрь).
3. Перманганат калия (периодическое использование).
4. Хлор (постоянное использование).
5. Аммиак водный технический, 21–25 % акт. часть (постоянное использование).
6. Флокулянт на контактных камерах и скорых фильтрах, гель 6–8 % акт. часть (постоянное использование).
7. Порошкообразный активный уголь (ПАУ) (периодическое использование).
8. Известь, 65–67 % акт. часть (периодическое использование).

Оптимизатор Hyperopt строит “сетку параметров” на основе ранее применяемых доз ХР, от минимальной до максимальной дозы, которые когда-либо использовались технологами ВОС-2.

На основе алгоритмов SMART-оптимизации создается сетка (поле) теоретических комбинаций возможных доз указанных реагентов и фактических значений введенных пользователем параметров поверхностной воды.

Оптимизатор создает теоретически возможные комбинации параметров поверхностной воды (константы) и дозы ХР (переменные), а затем выбирает такую комбинацию доз, при которой стоимость ХР будет минимальной, а все регламентируемые параметры питьевой воды не будут выходить за пределы нормативов. Теоретически возможные комбинации параметров поверхностной воды и дозы ХР ранжируются в порядке возрастания затрат на очистку. Далее происходит проверка практической применимости каждой из предложенных комбинаций. Для этого используются модели машинного обучения (ГОСТ Р 59277-2020, комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение). Комбинации, при которых показатели питьевой воды не соответствуют нормативу, отбрасываются. Таким образом, выделяется комбинация с показателями питьевой воды, соответствующими нормативу, и переменные из этой комбинации (дозы ХР) выдаются ПО в качестве исходного результата.

Модели машинного обучения

Для работы оптимизатора важно понимать, при каких дозах реагентов качество питьевой воды выйдет за пределы нормативов. Для решения этой задачи используются модели машинного обучения (МО). Для каждого нормируемого параметра питьевой воды разработана отдельная модель МО, которая предсказывает значение нормируемого параметра для предложенной комбинации доз реагентов и параметров поверхностной воды.

В качестве целевых параметров использованы значения показателей питьевой воды на выходе с ВОС-2. Требования к качеству питьевой воды в г. Нижневартовск более жесткие, чем СанПиН “1.2.3685-21. Гигиенические нормативы и требования…”, с учетом эффекта хлорпоглащаемости при ее транспортировке:

1. Цветность – до 9 град.
2. Мутность – до 1 мг/ дм³.
3. Водородный показатель (рH) – 6,2–7,0 ед. рН.
4. Массовая концентрация марганца – до 0,08 мг/дм³.
5. Массовая концентрация общего железа – до 0,3 мг/дм³.
6. Щелочность – от 0,3 до 1,5 мг-экв/л.
7. Массовая концентрация аммиака и ионов аммония (суммарно) – до 1,8 мг/дм³.
8. Массовая концентрация алюминия – до 0,16 мг/ дм³.
9. Содержание хлорамминового хлора – 0,82–1,2 мг/дм³.

Для обучения моделей формировалась база данных, в которую заносились исторические отчеты по поверхностной воде из лаборатории и дозы реагентов, которые были добавлены технологами в процессе очистки. Каждый отчет содержал временную метку, когда он был сделан. В другую таблицу базы заносились параметры питьевой воды из РЧВ, и каждый отчет также содержал временную метку. Гистерезис технологического процесса обработки воды – время отклика системы от начала введения ХР до получения результатов анализа питьевой воды – в среднем составляет 8–11 часов. В базе с учетом этого времени каждому отчету по поверхностной воде и дозам применяемых реагентов приводился в соответствие отчет по питьевой воде. На выходе получаем значение параметров питьевой воды для каждой комбинации доз реагентов и характеристик питьевой воды (обучающая выборка). Всего – немногим более 1000 строк.

Далее шел этап обучения моделей. Процесс обучения повторялся для каждого нормируемого параметра питьевой воды. Всего получилось 9 моделей.

На ВОС-2 в качестве коагулянта в теплое время года используется оксихлорид алюминия, а в холодное – сульфат алюминия. Для каждого периода года модели МО обучались отдельно, итого получилось 18 моделей, по 9 на каждый период.

Исследовано влияние признаков поверхностной воды на дозу каждого ХР по отдельности, а также подход, учитывающий влияние доз других ХР. Также важна интерпретация моделей, так как они использовались для решения задачи оптимизации и должны не просто предсказывать дозы сами по себе, а показывать алгоритму ЦП «красные зоны» – при каких дозах ХР качество питьевой воды не будет соответствовать нормативам.

Помимо метрик, также оценивалось влияние показателей поверхностной воды и доз ХР на качество питьевой воды.

Используя ПО, технологи могут быстро анализировать данные, принимать решения и реагировать на отклонения благодаря системе на базе ИИ, которая рекомендует корректировку процесса и дозирование ХР, снижая себестоимость питьевой воды.

Функции и доступ к ПО разграничены между лаборантами, технологами и администраторами. Подсказки формируются на основе лабораторных анализов поверхностной воды, отображаемых в отчётах.

Результаты опытно-промышленной эксплуатации ПО

ПО прошло тестирование в опытно-промышленных условиях на двух очередях ВОС-2 в течение сентября 2024 г. с использованием оксихлорида алюминия, а также в ноябре с использованием сульфата алюминия. Технологи постепенно уменьшали дозы химических реагентов до минимально возможных значений, фиксируя ухудшение качества питьевой воды на сборном водоводе до уровня цветности 10–11 градусов (при ПДК = 20 градусов). В ходе испытаний анализировались ключевые показатели качества поверхностной и питьевой воды, а также на различных стадиях очистки. Лаборанты и технологи вносили результаты лабораторных исследований и данные о дозах ХР непосредственно в программное обеспечение. Вся информация о работе ВОС-2 архивировалась в системе.

Для расчёта экономического эффекта учитывались фактические данные, как за последние 12 лет, так и полученные в течение месяцев проводимых в 2024 г. исследований, на одной и той же поверхностной воде:

• Количество обрабатываемой воды (тыс. м³/сут).
• Объемы ХР, используемые на ВОС-2 (мг/дм³ по активной части).
• Стоимость ХР (руб. без НДС).

По итогам проведенных работ программное обеспечение было адаптировано для использования оптимальных доз химических реагентов, включая оксихлорид алюминия, сульфат алюминия и другие реагенты, с соблюдением максимально допустимой концентрации цветности питьевой воды не более 7 градусов перед подачей в городскую распределительную сеть.

Основные выводы

1. Разработка и внедрение: в г. Нижневартовске на водопроводной очистной станции №2 (ВОС-2) была разработана и введена в эксплуатацию система дозирования химических реагентов на основе технологий искусственного интеллекта. Эта система соответствует критериям, утвержденным приказом Министерства экономического развития РФ от 29 июня 2021 года № 392 «Об утверждении критериев…».
2. Экономический эффект: в результате внедрения разработанного программного обеспечения было достигнуто снижение расходов на химические реагенты в 2024 г. на 11 % (102 т), что эквивалентно экономии в размере 1,4 млн рублей (при общем объеме затрат 39,7 млн рублей). Этот показатель достигнут с учётом роста производительности ВОС-2 без значительных капиталовложений, в 2025 г. ожидаем дополнительную экономию на сумму 1,66 млн рублей (в ценах 2024 г.). В ближайшие три года планируется масштабирование данного решения на десять аналогичных объектов группы компаний РКС.
3. Масштабируемость и применимость: программный комплекс имеет гибкую архитектуру и подходит для любых водопроводных станций, работающих с поверхностными источниками водоснабжения. Предлагаем его внедрение на предприятиях отрасли.
4. Функционал и результаты: программный комплекс обеспечивает возможность выгрузки стандартных отчетов и позволяет проводить аналитику данных любой степени сложности. Достижение целевых показателей качества питьевой воды при минимизации расхода химреагентов возможно уже через год эксплуатации.

Полностью статья опубликована здесь.