מסגרת היברידית לבחירת תכונות ופירושיות לחיזוי חמצן מומס במפעלי טיפול במי שתייה

מדוע חמצן במי שתייה חשוב

חמצן מומס—בועיות זעירות של גז החמצן המעורבבות במים—מעצב בשקט את איכות מי השתייה שלנו והשפעתו על שקיפותם, בטיחותם וטעמם. רמות חמצן נמוכות במים גולמיים עלולות לשחרר מתכות כמו ברזל ומנגן, לעודד מיקרובים מזיקים ולהקשות על הטיפול, מה שמייקר ומסבך את התהליך. ממצא המחקר מראה כיצד שימוש חכם בנתוני תפעול ממשיים ובכלי למידת מכונה מודרניים יכול לחזות רמות חמצן במתקן טיפול גדול, ולסייע למפעילים לשמור על איכות המים תוך חיסכון בזמן, באנרגיה ועלויות מעבדה.

להניע חיים בתהליך הטיפול במים

במאגרי מים ונחלים רבים, רמות החמצן משתנות לפי עונות, זיהום ותנועת מים. כאשר המים עומדים או רוויי נוטריינטים, החמצן עלול לרדת, ויצרו תנאים המשחררים חומרים לא רצויים מהמשקעים ומעדיפים מיקרובים בעייתיים. במפעלי טיפול במי שתייה, שמירה על רמות חמצן תקינות חשובה במיוחד לסננים ביולוגיים ולמניעת שחרור מתכות וחומרים קשים להסרה. עם זאת, רוב המחקרים הקודמים התמקדו בנחלים או במפעלי ביוב, והשאירו פער ידע לגבי מערכות מי שתייה מטופלים, שבהן שלבים כמו קרישה, סינון וכלורינציה משנים את דינמיקת החמצן באופן ייחודי.

עשור של נתונים מהנהר ועד הברז

החוקרים השתמשו בעשר שנים של רשומות יומיות ממתקן טיפול בגודל מלא באחוואז, איראן, שמטפל במי נהר הכארון עבור כ-450,000 תושבים. הם השתמשו בשבע תכונות הנמדדות שגרתית במי הכניסה המסוננים—חמצן מומס היסטורי, ניטריט, כלוריד, מוליכות חשמלית, עכירות, pH וטמפרטורה—כדי לחזות את רמת החמצן במאגר היציאה של המפעל. לאחר בדיקה קפדנית של הנתונים, טיפול בהתנהגויות חריגות ואחידות המדידות, אימנו שני מודלים פופולריים מבוססי עצים: Random Forest ו-XGBoost. מודלים אלה לומדים תבניות על ידי בניית עצי החלטה מרובים ושילוב התוצאות שלהם, מה שמאפשר ללכוד יחסים מורכבים ולא-ליניאריים בלי צורך במשוואות מעשה ידי אדם.

לגלות את האותות החשובים ביותר

אתגר מרכזי היה להחליט אילו מהשבע מדידות הכניסה אכן מניעות את התנהגות החמצן ואילו מוסיפות רעש או סיבוכיות מיותרת. במקום להסתמך על שיטת דירוג אחת, הצוות בנה צינור בחירה "היברידי" שבחן את הנתונים ממספר זוויות. מידע הדדי (Mutual Information) הדגיש משתנים הקשורים בחוזקה לחמצן, Mean Decrease in Impurity הציג אילו מדידות היו השימושיות ביותר בתוך העצים, ו-Permutation Importance בדק עד כמה החיזויים הדרדרו כאשר ערכי משתנה נתבלבלו. בנוסף, שיטת SHAP הסבירה, מקרה מקרה, כיצד כל תכונה השפיעה על התחזית למעלה או למטה, והציעה תובנות גלובליות וממוקדות מקרה. בכל הארבע טכניקות, שלוש כניסות בלטו בבירור: רמת החמצן של היום הקודם, טמפרטורת המים ועכירות. מדידות כמו pH וניטריט, אף שהן מעניינות מבחינה מדעית, תרמו מעט לשיפור החיזויים במפעל זה.

תחזיות מדויקות עם מודלים קומפקטיים יותר

על ידי מיקוד בקלטים המידעיים ביותר והשלכת אלה הפחות שימושיים, החוקרים קיצצו את מורכבות המודל עד כ-70 אחוז תוך כדי שמירה על דיוק כמעט ללא שינוי. גם Random Forest וגם XGBoost שיחזרו בדיוק רב את רמות החמצן הנמדדות ביציאה, תוך הסבר של למעלה מ-93 אחוז מהשונות ושמירה על שגיאות טיפוסיות מתחת ל-0.3 מיליגרם לליטר—בתחום השימושי לתפעול יומיומי. XGBoost הציג ביצועים מעט טובים יותר באופן כללי, אך שניהם היו חזקים גם כאשר קבוצת הקלטים הוקטנה. יעילות זו חשובה במציאות: פחות מדידות נדרשות פירושו עלויות ניטור נמוכות יותר ותחזיות מהירות ואמינות יותר שניתן לשלב במערכות בקרה של המפעל.

מה זה אומר לגבי מי שתייה בטוחים ויעילים

ללא צורך בהתמחות, המסקנה פשוטה: על ידי מתן אפשרות לשיטות מונחות נתונים שונות "להצביע" על אילו מדידות חשובות ביותר, מפעילים יכולים לבנות כלי חיזוי קומפקטיים ושקופים שמנבאים במדויק חמצן מומס בזמן אמת. ידיעה מראש מתי החמצן עלול לרדת מאפשרת למפעל לכוונן אירציה, להגן על סננים ולהימנע ממצבים שמשחררים מתכות או מעודדים מיקרובים מזיקים—באותו זמן שמונעים שימוש מיותר באנרגיה וכימיקלים. מעבר למפעל ופרמטר יחיד זה, אותו גישה היברידית ניתנת ליישום בשאלות סביבתיות אחרות, החל במעקב אחרי מזהמים ועד לציפיות לפריחות אצות, ומספקת הנחיה ברורה ואמינה במקום שבו איכות המים ובריאות הציבור נפגשים.

ציטוט: 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

מילות מפתח: חמצן מומס, טיפול במי שתייה, למידת מכונה, בחירת תכונות, ניטור איכות מים