Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
جیتکس
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 تولید آب سالم به کمک هوش مصنوعی

تولید آب سالم به کمک هوش مصنوعی

زمان مطالعه: < 1 دقیقه

با افزایش جمعیت انسان‌ها در زمین، تنش آبی روز به روز شدت بیشتری می‌گیرد؛ طبق برآوردهای صورت‌گرفته نزدیک به 2.2 میلیارد نفر، یعنی بیش از یک‌چهارم جمعیت جهان، به آب آشامیدنی سالم دسترسی ندارند. در این بین نیمی از جمعیت جهان نیز در برخی از مقاطع سال با کمبود شدید آب مواجه هستند؛ انسان برای غلبه بر این مشکل مجبور به صرف هزینه‌های هنگفت اجتماعی و اقتصادی شده است؛ هزینه‌هایی که صرف نمک‌زدایی آب دریا و روش‌های جایگزینی می‌شود که قادر به پاسخ‌گویی فوری به تغییرات تقاضای آب نیستند.

دانشمندان سال‌ها است که با توجه به چنین مشکلاتی، علاقه فزاینده‌ای به فناوری‌های غیرمتمرکز تولید آب پیدا کرده‌اند؛ فناوری‌های غیرمتمرکز، فناوری‌های مبتنی بر الکتروشیمی مانند وایونش خازنی و وایونش الکترود باتری هستند که به آسانی به کار گرفته می‌شوند. با وجود این، حسگرهای اندازه‌گیری کیفیت آب که در فناوری‌های مبتنی بر الکتروشیمی استفاده می‌شوند، یون‌های منفرد موجود در آب را ردیابی نمی‌کنند و محدودیت‌هایی در درک شرایط کیفیت آب با استفاده از رسانایی الکتریکی دارند.

به‌تازگی گروهی از پژوهشگران از مرکز تحقیقات چرخه منابع آب مؤسسه علم و فناوری کره جنوبی با همکاری گروهی از پژوهشگران از دانشگاه یئونگنام، فناوری جدیدی را ابداع کرده‌اند که از هوش مصنوعی مبتنی بر داده برای پیش‌بینی دقیق غلظت یون‌ها در آب طی فرآیندهای تصفیه الکتروشیمیایی آب استفاده می‌کند.

پژوهشگران در این آزمایش‌ها دریافتند که برای بهبود دقت پیش‌بینی‌ها لازم است هر ۲۰ تا ۸۰ ثانیه به‌روزرسانی‌هایی انجام شود. این بدان معناست که برای اعمال این روش در شبکه‌های ردیابی یون‌های خاص باید کیفیت آب در هر دقیقه بررسی شود تا مدل اولیه آموزش ببیند.

از مزیت‌های مدل مورداستفاده، مقرون‌به‌صرفه بودن آن در نسبت به مدل‌های پیچیده یادگیری عمیق است و برای آموزش به منابع محاسباتی بیش از ۱۰۰ برابر کمتر نیاز دارد. بنا بر گفته پژوهشگران اهمیت این پژوهش فقط توسعه یک مدل هوش مصنوعی جدید نیست، بلکه کاربرد آن در سیستم ملی مدیریت کیفیت آب است. با استفاده از این فناوری می‌توان غلظت یون‌ها را با دقت بیشتری تحت کنترل قرار داد و به بهبود دسترسی به آب کمک کرد.

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]