“通过机器学习实现更智能的水、废水处理和管理。得益于更好的芯片、传感器和网络，我们每天都在被海量的数据淹没。虽然数据的积累没有放缓的迹象，但我们对这些信息采取行动的能力受到我们分析它的速度的限制。。”
如果没有指导，解锁解决方案以获得更好的性能、效率和速度仍将是一场斗争。机器学习——一组使计算机能够从数据中学习的算法和软件——可以帮助我们克服这些挑战。在水和废水管理等数据丰富的行业中，机器学习的潜在应用范围非常广泛。在美国能源部 (DOE)的阿贡国家实验室，研究人员正在研究如何应用机器学习来回答该行业的一系列问题。
一、机器学习基础
机器学习领域中使用的技术加速了数据分析和模式识别，允许开发可用于预测零件和流程的设计和行为的预测模型。
与经典的建模方法不同，机器学习模型不是由人类明确编程的，并且在引入新的训练数据时能够进化。这些功能消除了使用模型解决问题时的一些猜测，并可以加速发现有用的见解。
数据是机器学习的基础。投入使用后，机器学习算法会使用训练数据生成系统、流程或零件的模型——这些历史数据是通过模拟或观察进行的基于理论的计算编制而成的。研究人员采用训练有素的机器学习模型根据新的、未识别或未标记的数据进行预测。
计算机科学家 Elise Jennings 说：“机器学习非常强大，因为它使我们能够使用我们现在拥有的大量数据和大量计算资源来回答以前难以处理或难以解决的大数据问题。”图为阿贡领导力计算设施，美国能源部科学用户设施办公室。
二、优化工艺设计
机器学习技术可以通过加速过程模拟来帮助设计废水处理过程——这是开发新工厂以及改进现有工厂设计的关键步骤。今天，由于影响进入废物流的参数范围，这一步既是时间密集型又是计算密集型。由于废物流中可能含有各种污染物和毒物，因此有许多影响该过程的生化、机械和环境因素，因此必须通过计算加以考虑。
“今天，我们尝试通过改变一系列设计和操作参数来模拟该过程。这种工作方法涉及许多迭代步骤，涉及许多需要很长时间才能完成的模拟，”Argonne 能源系统部门的环境分析师May Wu说。“使用机器学习是减少所需的高分辨率模拟数量的明智方法，因为——只需完成通常模拟的一小部分——机器学习算法就可以自行调整以提出最佳解决方案，变成你的设计。”
三、优化新技术
与业界合作评估新技术的工程师说，机器学习同样可以应用于分析新设施或现有设施的新兴技术，这可以帮助工程师更快地部署这些技术。“速度可能是机器学习可以提供的最大价值。使用这些技术，我们可以比我们自己在同一时期内更快地了解哪些有效，哪些可能无效，”他说。
Argonne通过与全球能源公司Aramco和软件公司Convergent Science的合作展示了这种能力。与这些合作者一起，阿贡的研究人员使用机器学习和模拟数据来优化使用新燃料运行的发动机的设计。
他们的工作依赖于一种称为深度学习的机器学习方法，该方法使用神经网络——一类模拟人脑网络来解决问题的算法。仅凭高保真模拟，能源公司的开发时间就长达数月。然而，使用神经网络和模拟数据来训练它们，Argonne帮助将开发时间缩短到数天。
四、优化工厂操作和控制
在决定如何设计工厂后，下一步是弄清楚如何最好地操作它。运行效率更高的处理厂可以减少能源等重要资源的浪费，而这通常是水和废水处理设施的最大单一运营费用。
提高能源效率的关键之一是可靠地预测用水需求，这受天气、消费者行为和其他相关因素的影响。用感官和天气数据训练的机器学习模型可以帮助预测需求何时高或低。这些见解可用于自动化机器控制，包括泵送计划和添加或去除化学品或微生物的时间安排。工厂的更高效运行反过来又最大限度地减少了不必要的能源使用。
机器学习还可用于预测过程异常，即正常过程中的中断或故障（例如管道泄漏或设备故障）。与用水需求一样，过程中断可能由许多相互关联的因素引起，例如极端天气或老化的基础设施。它们还可能产生代价高昂的后果，最坏的情况是威胁社区和周围栖息地的安全。
“过程混乱对我们工程师来说是一个非常头痛的问题，因为确定问题的根源并提出解决方案需要花费大量的时间和精力。一直以来，您的水成分或水中的生物体都可能受到影响，”阿贡应用材料部生物过程和反应分离工程师兼组长Meltem Urgun-Demirtas说。
机器学习可用于开发能够准确预测何时以及在何种条件下会发生中断的模型。设施运营商可以使用这些见解在他们开始之前阻止不安或制定策略以更快地应对他们。
Urgun-Demirtas 说：“如果我们能够更快地解决这些问题——只需几分钟，而不是几天或几个月——我们就可以最大限度地减少中断的次数和持续时间，并增加节省。”
五、材料发现与合成
机器学习可以产生潜在影响的另一个领域是用于膜和过滤的材料和涂层的开发。更好的材料可以解决导致工艺效率低下的问题，例如膜污染，其中颗粒相互作用或粘附在膜表面或孔上，从而阻碍其性能。
然而，识别新材料并预测其有效性是复杂的，涉及许多化合物——水分子、化学化合物、生物有机体、污染物等——以及许多反应途径。
机器学习可以通过生成能够以前所未有的速度预测新材料特性的模型来帮助加速材料发现。在阿贡的纳米材料中心，研究人员反复以这种方式使用机器学习技术，并成功表征了许多具有前景的能源应用的新材料。
六、机器学习能力
作为一个多学科研究实验室，阿贡国家实验室不仅拥有机器学习专家，还拥有制造、过程工程、水工程等领域的专家。此外，实验室配备了支持跨学科机器学习研究的设施。
该实验室用于机器学习、建模和模拟的主要资源之一是阿贡领导力计算设施 (ALCF)，这是美国能源部科学用户设施办公室，拥有超级计算机和计算专家。在这里，合作者可以获得开发和优化机器学习方法以及运行高保真模拟的支持。
世界各地的研究人员和行业正在积极利用ALCF专家和资源来研究从湍流到太阳能窗户的吸光材料到整个交通网络的所有内容。
“到目前为止，Argonne在将机器学习应用于能源和交通相关问题方面取得了巨大进步，”Argonne技术商业化和合作伙伴部门的Argonne业务发展主管John Harvey说。“随着我们继续在这些领域建设能力，我们也在寻找新的机会和新的应用，以使用这些工具推动美国制造业的发展。”
（文章来源〡By Joan Koka 美国阿贡国家实验室）
翻译〡污水博物馆
热门跟贴