Page 57 - Сантехника 2 2026

ВОДОЭФФЕКТИВНОСТЬ

Тип модели Область применения
ANN (Artificial neural network) – искусственная нейрон- Прогноз качества воды
ная сеть. Упрощенная модель биологической нейронной
сети, представляющая собой совокупность искусствен-
ных нейронов, взаимодействующих между собой
LSTM/RNN (Long Short-Term Memory) – тип рекуррентной Применяются для прогнозирования временных рядов: суточных и часовых
нейронной сети (RNN), который используется для обра- графиков водопотребления, сезонных колебаний, пиковых нагрузок на сети,
ботки и прогнозирования последовательностей данных притока сточных вод к очистным сооружениям. LSTM-архитектуры позво-
и временных рядов, в которых важно учитывать долго- ляют учитывать задержки, инерционность систем и влияние внешних фак-
срочные зависимости торов (температуры, осадков)
CNN-модели – это сверточные нейронные сети Используются для анализа изображений и спектральных данных. На основе
(Convolutional Neural Networks) – специализированный сигнатур с оптических датчиков, спектрофотометров или камер видеона-
класс искусственных нейронных сетей, разработанный блюдения CNN-модели способны определять мутность, цветность, наличие
для обработки данных с пространственной структурой, взвешенных веществ, органических соединений
таких как изображения или видео
SVM + ANN – это алгоритмы машинного обучения, кото- Гибридные модели, которые используются для прогнозирования, анали-
рые позволяют делать прогнозы на основе обученных за качества воды, оптимизации работы систем водоснабжения и водоот-
наборов данных ведения
GNN-модели (графовые нейросети) – это модели глубо- Наиболее перспективны для анализа и управления разветвленными водо-
кого обучения, предназначенные для работы с данными, проводными и канализационными сетями, представляемыми в виде графов.
структурированными в виде графов GNN-архитектуры учитывают пространственную взаимосвязь узлов и вет-
вей, что делает их эффективными для задач обнаружения утечек, аномаль-
ного поведения участков сети, оптимизации гидравлических режимов и
диагностики зон риска
Deep Learning – метод машинного обучения, основан- Комплексные системы управления для решения различных задач, свя-
ный на использовании искусственных нейронных сетей занных с анализом данных и прогнозированием процессов. Позволяют
с множеством слоев выявлять скрытые закономерности, недоступные при ручном анализе,
и оптимизировать работу систем водоснабжения, водоочистки и водо-
отведения.
Некоторые задачи: прогнозирование водопотребления; раннее выявление
утечек; анализ качества воды; оптимизация работы мембранных и биоло-
гических очистных установок; предиктивная диагностика насосного обо-
рудования; анализ и управление разветвленными водопроводными и кана-
лизационными сетями

• повышение эффективности очистки; Перспективы развития
• снижение нагрузки на окружающую среду.
Основные направления развития:
Ограничения и проблемы внедрения • интеграция с IoT и промышленным интерне-
том вещей;
Несмотря на значительный потенциал, при- • развитие цифровых двойников;
менение нейросетевых технологий сопровожда- • внедрение explainable AI (объяснимого
ется рядом ограничений: ИИ) – направление исследований в обла-
• необходимость больших массивов данных. сти ИИ, которое стремится создать системы
Для эффективного функционирования ИИ и модели, способные объяснять свои дей-
важно гарантировать доступность и точ- ствия и принимать решения понятным для
ность данных из разных мест; людей образом;
• сложность интерпретации результатов • автоматизация полного цикла управления
(феномен «черного ящика» в машинном обу- водоснабжением.
чении, когда даже разработчики не могут
объяснить, почему система пришла к тому Нейросетевые технологии:
или иному выводу); международная и
• необходимость интеграции с существую- отечественная практика
щими SCADA-системами;
• требования к квалификации персонала. Анализ международной практики показы-
Кроме того, отмечается недостаток систем- вает, что уровень внедрения технологий искус-
ных подходов и стандартизации внедрения ИИ ственного интеллекта в водной отрасли суще-
в водной отрасли. ственно различается в разных странах.

www.abok.ru 53