РАЗРАБОТКА МОДЕЛИ ОЦЕНКИ ВЛИЯНИЯ ТЕМПЕРАТУРЫ НА ПОКАЗАТЕЛИ КАЧЕСТВА ВОДЫ
DOI:
https://doi.org/10.52167/1609-1817-2025-136-1-336-345Ключевые слова:
контроль качества воды, искусственный интеллект, линейная регрессия, температура, кислотность, мутность, кондуктивностьАннотация
В статье представлены результаты разработки модели оценки качества воды с использованием метода искусственного интеллекта. Представленная модель основана на линейной регрессии, которая при оценке выявила статистически значимую неслучайную взаимосвязь между измеренными совмещенными показателями качества воды. Взаимосвязь совмещенных показателей визуализирована при помощи скатерограммы и аппроксимирована на основе метода наименьших квадратов. Выявлено, что среди измеренных показателей наиболее влиятельным предиктором на кислотность, проводимость, мутность и окислительно-восстановительный потенциал является температура воды. Установленная значимая и неслучайная взаимосвязь показателей в основном ассоциирована с влиянием температуры на физические процессы, происходящие при повышении и понижении температуры воды в зависимости от времени наблюдения. Разработанная математическая модель наиболее полно характеризует влияние температуры на оцениваемые показатели, работоспособность которой подтверждена вычислением коэффициента корреляции на основе метода Пирсона и коэффициентов детерминации и надежности модели. Регрессионная модель может быть использована при разработке новых или усовершенствовании уже известных приборов и систем для повышения достоверности и результативности контроля качества воды.
Библиографические ссылки
[1] Tariq M. O. An Open Source Water Quality Measurement System for Remote Areas // Engineering Proceedings. 2021. № 1. P. 50. DOI: 10.3390/engproc2021012050.
[2] Zhao Y. Retrieval of water quality parameters based on near-surface remote sensing and machine learning algorithm // Remote Sensing. 2022. №. 21. P. 5305. DOI: 10.3390/rs14215305.
[3] Wood R. Implementation of the WHO core components of an infection prevention and control programme in two sub-saharan African acute health-care facilities: a mixed methods study //Antimicrobial Resistance and Infection Control. 2024. № 1. P. 4.
[4] Mathur R. Modeling of two-stage anaerobic onsite wastewater sanitation system to predict effluent soluble chemical oxygen demand through machine learning // Scientific Reports. 2024. №. 1. P. 1835.
[5] Wang Z. Research on water environmental indicators prediction method based on EEMD decomposition with CNN-BiLSTM // Scientific Reports. 2024. №. 1. P. 1676.
[6] Shah M. I., Javed M. F., Abunama T. Proposed formulation of surface water quality and modelling using gene expression, machine learning, and regression techniques // Environmental Science and Pollution Research. 2021. №. 28. Р. 13202-13220.
[7] de Camargo E.T. Low-cost water quality sensors for IoT: A systematic review // Sensors. 2023. № 9. Р. 4424.
[8] Essamlali I., Nhaila H., El Khaili M. Advances in machine learning and IoT for water quality monitoring: A comprehensive review // Heliyon. 2024. DOI: 10.1016/j.heliyon.2024.e27920.
[9] Fadel A. A., Shujaa M. I. Water Quality Monitoring System Based on IOT Platform // IOP Conference Series: Materials Science and Engineering. 2020. №. 3. Р. 032054. DOI:10.1088/1757-899X/928/3/032054.
[10] Bogdan R. Low-cost internet-of-things water-quality monitoring system for rural areas // Sensors. 2023. №. 8. Р. 3919. DOI: 10.3390/s23083919.
[11] Lakshmikantha V. IoT based smart water quality monitoring system // Global Transitions Proceedings. 2021. №. 2. Р. 181-186.
[12] Geetha S., Gouthami S. Internet of things enabled real time water quality monitoring system // Smart Water. 2016. №. 2. Р. 1-19.
[13] Shah M. I., Javed M. F., Abunama T. Proposed formulation of surface water quality and modelling using gene expression, machine learning, and regression techniques // Environmental Science and Pollution Research. 2021. №. 28. Р. 13202-13220.
[14] Chowdury M.S. IoT based real-time river water quality monitoring system // Procedia computer science. 2019. №. 155. Р. 161-168. DOI:10.1016/j.procs.2019.08.025
[15] Sabari M. Water quality monitoring system based on IoT // 2020 IEEE 5th International Conference on Devices, Circuits and Systems. 2020. Р. 279-282.
[16] Altay Y.A. Cascade Notch Filter with a Unity Feedback and Improved Transient Response // V International Conference on Control in Technical Systems. 2023. Р. 217-220. DOI: 10.1109/CTS59431.2023.10288775
[17] Y.A. Altay, A. S. Kremlev, "Signal-to-Noise Ratio and Mean Square Error Improving Algorithms Based on Newton Filters for Measurement ECG Data Processing," in Proc. EIConRus, 2021, paper 21.09.04, pp. 1590-1595. DOI: 10.1109/ElConRus51938.2021.9396391
[18] Fedorov A.V., Altay Y.A., Stepanova K.A., Kuzivanov D.O. The effect of signal-to-noise-ratio value on the error in measuring acoustic emission parameters: statistical assessment. Scientific and technical journal of information technologies, mechanics and optics, 2022, V. 22, pp. 1205-1215. doi: 10.17586/2226-1494-2022-22-6-1205-1215.
[19] Y.A. Altay, A.S. Kremlev, "On the use of the statistical methods for biomedical signals and data processing" in Proc. EIConRus, 2019, paper 19.04.03, pp. 1129-1134. DOI: 10.1109/EIConRus.2019.8656736.
[20] Altai E.A., Bazarbai L. A model for assessing water quality based on AI: long-term observation data // Collection of reports of the V International Conference on Neural Networks and Neurotechnologies. - 2024. pp. 132-135.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Лашин Базарбай, Ельдос Алтайұлы, Касымбек Ожикенов, Мұса Тұрдалыұлы, Оркен Мамырбаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
