ЦИФРОВІЗАЦІЯ ВОДНОЇ ГАЛУЗІ: НАПРЯМКИ РОЗВИТКУ ТА РИЗИКИ

Тетяна Донцова, Ірина Косогіна

Внаслідок активної цифровізації людської діяльності в останні роки штучний інтелект (ШІ) та його складові поняття (машинне навчання ML, глибоке навчання DL, штучні нейронні мережі ANN та великі мовні моделі LLM) стали важливою та поширеною темою досліджень у багатьох галузях.

Машинне навчання базується на трьох основних компонентах: даних, представленнях та моделях, де останні потребують певного навчання. Для навчання моделі машинного навчання спочатку збирають необхідні навчальні дані: від експериментів до теоретичних висновків та результатів моделювання. Однак через високу вартість збору даних у великих обсягах зазвичай використовують технології Big Data, що передбачає використання об’ємних баз даних, зібраних з різних існуючих джерел.

Перспективним застосуванням ШІ у водній галузі є його використання в таких напрямках [1]:

– підвищення безпеки на виробництвах і підготовка персоналу шляхом покращення систем діагностики та реагування, аналіз даних попередніх несправностей для передбачення майбутніх аварійних ситуацій та їх симуляція;

– вивчення та розробка нових матеріалів та обладнання, зокрема з метою мінімізації викидів та впровадження принципів зеленої хімії;

– оптимізація ланцюгів постачання, передбачення попиту з метою мінімізації затримок у постачанні та надмірної закупівлі чи виготовлення хімічної продукції;

– покращення користувацьких інтерфейсів шляхом створення ШІ-асистентів.

Наразі найбільш дослідженим напрямком використання ШІ у водній галузі є отримання попереджувальної інформації. ШІ може використовуватися для створення високоточних моделей реальних водопровідних мереж та складних нелінійних взаємозв'язків між їхніми характеристиками, прогнозування їхнього робочого процесу і параметрів, а також оптимізації цих параметрів. З точки зору моделювання, перспективною можливістю є цифрові двійники на основі ШІ.

Технологія цифрових двійників дозволяє створювати динамічну модель водопровідних мереж, що працює в режимі реального часу, що полегшує моніторинг, діагностику та прогнозний аналіз [2].

Що стосується більш конкретних моделей, то великий потенціал має використання ШІ при роботі з біологічною очисткою води для прогнозування розвитку мікробіоти та зміни характеристик активного мулу. Наприклад, замість того, щоб просто налаштовувати робочі параметри, ШІ використовує симуляції на основі даних та характеристики стоків для реконфігурації технологічних процесів і логіки очищення, що дозволяє оптимізувати технологічні установки, прогнозувати енергоспоживання та виявляти цінні ресурси за відповідних умов [3]. За допомогою ієрархічного моделювання ШІ може відображати взаємозв'язки між технологічними установками, оцінювати компроміси між використанням енергії та хімічних речовин, а також моделювати ефективність очищення за різних сценаріїв. Бібліотеки моделей, що включають мембранні біореактори, анаеробне окиснення аміаку та посилене окиснення, можна гнучко компонувати та оптимізувати [3].

В свою чергу, Борзуей та ін. провели практичне тестування використання ШІ для аналізу активного мулу. Вони представили інноваційний метод оцінки характеристик осадження активного мулу з використанням технологій комп'ютерного зору. Для вивчення морфологічних властивостей флокул і філаментів на мікроскопічних зображеннях було запропоновано трансферне навчання моделей глибоких конволюційних нейронних мереж CNN [4]. Отримані результати підтвердили потенційні можливості використання такої технології, а також розширення галузі її застосування.

ШІ також може проводити точну оцінку якості поверхневих і підземних вод, їх гідрологічного режиму, характеристик очищеної питної води тощо. Методи машинного навчання та ШI вже успішно використовуються для передбачення, моделювання, автоматизації та оптимізації у водній галузі [5].

Використання ШІ може в режимі прогнозування може дозволити оптимізувати управління водними ресурсами, параметри обслуговування водопровідних мереж та споживання енергії [6].

Другий спосіб використання ШІ у водній галузі полягає у реагуванні на надзвичайні ситуації. Він стосується детального аналізу архівних даних у поєднанні з контролем якості та моніторингом води в режимі реального часу. Це може забезпечити більшу гнучкість систем аварійного оповіщення. Наприклад, за допомогою ШІ можна підвищити стійкість сучасних водопровідних мереж шляхом посилення кібербезпеки.

Одним з основних ризиків, пов'язаних із штучним інтелектом у водній галузі, є можливість впливу людського фактору. У міру того, як системи штучного інтелекту стають все більш досконалими, вони можуть ставати все більш складними для розуміння та експлуатації, що збільшує ризик помилок і аварій. Крім того, системи штучного інтелекту також можуть давати збій, що призводить до несподіваних результатів і потенційних небезпек.

Іншим ризиком, пов'язаним із використанням ШІ у водній індустрії, є можливість скорочення посад і втрати робочих місць для співробітників. Системи штучного інтелекту допомагають автоматизувати завдання, які раніше виконували люди, що призводить до втрати робочих місць.

З точки зору конфіденційності та безпеки даних, системи штучного інтелекту, які використовуються у водній індустрії, можуть обробляти конфіденційну інформацію та дані, такі як виробничі процеси, хімічні формули та власницька інформація. Забезпечення безпеки та конфіденційності цих даних має вирішальне значення для захисту інтелектуальної власності компанії.

Впровадження штучного інтелекту у водній галузі вимагає високого рівня технічних знань. Без достатніх спеціалізованих знань компанії можуть мати труднощі з проектуванням, впровадженням та обслуговуванням систем ШІ, що призведе до неоптимальної роботи або навіть збою. Компанії, які все більше покладаються на системи штучного інтелекту для оптимізації своєї діяльності, можуть стати залежними від цієї технології. У разі збою або несправності системи ШІ компанії можуть бути не в змозі продовжувати свою діяльність, що призведе до значних фінансових втрат. Варто зазначити, що з розвитком систем ШІ зростає занепокоєння етичного характеру. Наприклад, системи ШІ можуть використовуватися для прийняття рішень, що впливають на життя людей, таких як визначення безпеки хімічного продукту.

Системи ШІ у водній індустрії можуть потребувати інтеграції з іншими системами, такими як системи планування ресурсів підприємства (ERP), системи управління процесами та сенсорні мережі. Якщо ці системи не співпрацюють належним чином, це може призвести до неефективності роботи [7].

Існує ряд різновидів нейронних мереж, що мають різний ступінь складності і є оптимізованими для різних завдань. До таких різновидів належать мережі зі зворотним поширенням помилки, рекурентні нейронні мережі, мережі з довгою короткостроковою пам’яттю, а також трансформери – мережі, здатні перетворювати текст на числові токени та обробляти їх [8].

Важливо згадати про специфічні виклики, пов'язані з впровадженням ШІ у водогосподарській галузі. Основними з них є якість і доступність даних, безпека даних, ефективність навчання, витрати на впровадження (включно з витратами водних ресурсів на роботу обладнання), навчання персоналу, точність ШІ. Щоб досягти бажаних результатів впровадження, необхідно докласти значних зусиль для їх подолання.

Аналіз можливих напрямів розвитку цифровізації водної галузі здійснено в рамках міжнародного проєкту № 101178708 DIGISKILLS «Посилення цифрових навичок у вищій освіті у водному секторі» (Грантова Угода № GAP-101178708, програма Еразмус+) та проєкту прикладних наукових досліджень за рахунок коштів Державного бюджету України (Державний реєстраційний номер 0124U001095).

Список джерел:

1. Konrad, A. How artificial intelligence can be used in the chemical industry. Journal of Business Chemistry. 2024. Vol. 21, no. 2. URL: https://doi.org/10.17879/96948485076.

2. Infant S. S. et al. Explainable artificial intelligence for sustainable urban water systems engineering. Results in Engineering. 2025. Vol. 25. P. 104349. URL: https://doi.org/10.1016/j.rineng.2025.104349.

3. Jin L., Huang H., Ren H. AI-driven transformation of water treatment technology and industry: toward a new era of comprehensive innovation. Frontiers of Environmental Science & Engineering. 2025. Vol. 19, no. 8. P. 114. https://doi.org/10.1007/s11783-025-2034-3.

4. Borzooei S. et al. Evaluation of activated sludge settling characteristics from microscopy images with deep convolutional neural networks and transfer learning. Journal of Water Process Engineering. 2024. Vol. 64. P. 105692. URL: https://doi.org/10.2139/ssrn.4805071.

5. Alprol A. E. et al. Artificial intelligence technologies revolutionizing wastewater treatment: Current trends and future prospective. Water. 2024. Vol. 16, no. 2. P. 314. https://doi.org/10.3390/w16020314.

6. Almheiri M. S. M. A. et al. Examining the challenges of implementing artificial intelligence in the water supply sector: a case study. Water. 2024. Vol. 16, no. 23. P. 3539. https://doi.org/10.3390/w16233539 .

7. Laska M., Karwala I. Artificial intelligence in the chemical industry–risks and opportunities. Zeszyty Naukowe. Organizacja i Zarządzanie/Politechnika Śląska. 2023. URL: http://doi.org/10.29119/1641-3466.2023.172.25 .

8. Tipon Tanchangya A. R., Rahman J., Ridwan M. A review of deep learning applications for sustainable water resource management. Global sustainability research. 2024. Vol. 3, no. 4. P. 48 — 73. URL: https://doi.org/10.56556/gssr.v3i4.1043 .