إطار هجين لاختيار السمات وقابلية التفسير لتنبؤ الأكسجين المذاب في محطات معالجة مياه الشرب

لماذا يهم الأكسجين في مياه الشرب

الأكسجين المذاب — فقاعات الأكسجين الدقيقة الممزوجة في الماء — يؤثر بهدوء على ما إذا كانت مياه شربنا تبقى صافية وآمنة وذات مذاق جيد. نقص الأكسجين في المياه الخام يمكن أن يطلق معادن مثل الحديد والمنغنيز، ويشجع الميكروبات الضارة، ويجعل المعالجة أصعب وأكثر تكلفة. تظهر هذه الدراسة كيف أن الاستخدام الذكي لبيانات التشغيل الحقيقية والتقنيات الحديثة للتعلم الآلي يمكن أن يتنبأ بمستويات الأكسجين في محطة كبيرة لمعالجة مياه الشرب، مما يساعد المشغلين على الحفاظ على جودة المياه العالية مع توفير الوقت والطاقة وتكاليف المختبر.

إضفاء الحيوية على معالجة المياه

في العديد من السدود والأنهار، ترتفع وتنخفض مستويات الأكسجين مع تقلبات الفصول والتلوث وحركة المياه. عندما تصبح المياه راكدة أو محملة بالمغذيات، يمكن أن ينخفض الأكسجين، مما يخلق ظروفًا تطلق مواد غير مرغوبة من الرواسب وتفضل الميكروبات المزعجة. في محطات معالجة مياه الشرب، يعد الحفاظ على مستويات أكسجين صحية ذا أهمية خاصة للمرشحات البيولوجية ولمنع إطلاق المعادن والمركبات الأخرى التي يصعب إزالتها. ومع ذلك، ركزت معظم الدراسات السابقة على الأنهار أو محطات معالجة مياه الصرف، مما يترك فجوة معرفية فيما يتعلق بأنظمة مياه الشرب المعالجة، حيث تغير خطوات العملية مثل التخثر والترشيح والتكلور سلوك الأكسجين بطرق فريدة.

عقد من البيانات من النهر إلى الصنبور

استند الباحثون إلى سجلات يومية تمتد لعشرة أعوام من محطة معالجة مياه على نطاق كامل في أهواز، إيران، تعالج مياه نهر كارون لحوالي 450,000 شخص. استخدموا سبع خواص تُقاس بشكل روتيني للمياه الداخلة بعد الترشيح — الأكسجين المذاب التاريخي، النتريت، الكلوريد، الموصلية الكهربائية، العكارة، الرقم الهيدروجيني، ودرجة الحرارة — لتوقع مستوى الأكسجين في حوض مخرج المحطة. بعد فحص البيانات بعناية، ومعالجة القيم الشاذة وتوحيد القياسات، درّبوا نموذجين شهيرين يستندان إلى الأشجار في التعلم الآلي، وهما الغابة العشوائية وXGBoost. تتعلم هذه النماذج الأنماط ببناء العديد من أشجار القرار ودمج نتائجها، مما يتيح لها التقاط علاقات معقدة وغير خطية دون الحاجة إلى معادلات مصممة يدويًا.

اكتشاف الإشارات الأكثر أهمية

كانت التحدي الرئيسي هو تحديد أي من القياسات السبع تُحرك سلوك الأكسجين فعليًا وأيها يضيف ضوضاء أو تعقيدًا غير ضروري. بدلًا من الاعتماد على طريقة تصنيف واحدة، بنى الفريق خط أنابيب اختيار «هجيني» نظر إلى البيانات من عدة زوايا. أبرز مقياس المعلومات المتبادلة المتغيرات المرتبطة أقوى بالأكسجين، وسجل الانخفاض المتوسط في الشوائب السمة الأكثر فائدة داخل الأشجار، واختبر مقياس الأهمية بالعشوائية مقدار تدهور التنبؤات عندما يتم خَرْبطة قيم متغير ما. علاوة على ذلك، فسرت طريقة SHAP، حالة بحالة، كيف يدفع كل متغير التنبؤ للأعلى أو للأسفل، مقدمة بصيرة عامة وخاصة لكل حالة. عبر التقنيات الأربع، برزت ثلاث مدخلات بوضوح: مستوى الأكسجين في اليوم السابق، ودرجة حرارة المياه، والعكارة. بينما كانت مقاييس مثل الرقم الهيدروجيني والنتريت، مثيرة علميًا، تساهم قليلًا في تحسين التنبؤات في هذه المحطة.

تنبؤات دقيقة بنماذج أخف

من خلال التركيز على المدخلات الأكثر معلوماتية وإسقاط الأقل فائدة، خفض الباحثون تعقيد النماذج بما يصل إلى 70 في المئة مع إبقاء الدقة شبه دون تغيير. استنسخت كل من الغابة العشوائية وXGBoost مستويات الأكسجين المقاسة عند المخرج بدقة عالية، موضِّحة أكثر من 93 في المئة من التباين وحافظةً أخطاء نموذجية دون 0.3 ملليغرام لكل لتر — وهو مجال مفيد لعمليات اليوم إلى اليوم. قدم XGBoost أداءً أفضل قليلًا بشكل عام، لكن كلا النموذجين كانا قويين حتى عند تقليل مجموعة المدخلات. هذه الكفاءة مهمة عمليًا: فقلة المقاييس المطلوبة تعني خفض تكاليف المراقبة وتسريع توقعات أكثر موثوقية يمكن دمجها في أنظمة تحكم المحطة.

ما الذي يعنيه هذا لمياه شرب آمنة وكفؤة

بالنسبة لغير المتخصصين، الخلاصة مباشرة: عبر السماح لطرق مختلفة قائمة على البيانات بأن «تصوت» على أي القياسات هي الأهم، يمكن للمشغلين بناء أدوات توقع مدمجة وشفافة تتنبأ بالأكسجين المذاب في الوقت الحقيقي بثقة. معرفة مسبقة بموعد احتمال انخفاض الأكسجين تتيح للمحطة ضبط التهوية بدقة، وحماية المرشحات، وتجنب الظروف التي تطلق المعادن أو تدعم الميكروبات الضارة — وكل ذلك مع تجنب الإفراط في استخدام الطاقة والمواد الكيميائية. خارج حدود هذه المحطة والمعامل، يمكن تطبيق نفس النهج الهجين على مسائل بيئية أخرى، من تتبع الملوثات إلى التنبؤ بازدهار الطحالب، موفرًا إرشادًا أوضح وأكثر موثوقية حيثما يتقاطع موضوع جودة المياه مع الصحة العامة.

الاستشهاد: Hoshyarzadeh, R., Hafshejani, L.D., Tishehzan, P. et al. A hybrid framework of feature selection and interpretability for dissolved oxygen prediction in drinking water treatment plants. Sci Rep 16, 6912 (2026). https://doi.org/10.1038/s41598-026-37276-6

الكلمات المفتاحية: الأكسجين المذاب, معالجة مياه الشرب, التعلم الآلي, اختيار السمات, مراقبة جودة المياه