Alternative Wasserquellen wie die Wiederverwendung von Regenwasser und die Meerwasserentsalzung gewinnen als dezentrale Wassererzeugungstechnologien weltweit an Bedeutung. Denn nach wie vor haben etwa 2,2 Milliarden Menschen, mehr als ein Viertel der Weltbevölkerung, keinen Zugang zu sicherem, kontrolliertem Trinkwasser.
Dezentrale Wassererzeugung als Zukunftsmodell
Bei der dezentralen Wassererzeugung kommen einfach anzuwendende elektrochemische Technologien zum Einsatz. Das sind insbesondere die kapazitive Entionisierung und die faradaysche oder Batterieelektroden-Entionisierung.
Allerdings können die vorhandenen Sensoren zur Messung der Wasserqualität, die in elektrochemischen Technologien verwendet werden, keine einzelnen Ionen im Wasser messen. Deshalb wird die Wasserqualität nur grob anhand der elektrischen Leitfähigkeit abgeleitet, was bei dezentralisierten Verfahren keine zuverlässige Methode ist.
Ein koreanisches Forschungsteam um Dr. Son Moon vom Korea Institute of Science and Technology (KIST) hat eine Technologie entwickelt, die datengesteuerte künstliche Intelligenz nutzt, um die Konzentration von Ionen im Wasser während elektrochemischer Wasseraufbereitungsprozesse genau vorherzusagen.
Wasserqualität genauer messen mit KI
Dazu erstellte das Team ein Modell auf der Basis des „Random Forest“. Random Forest ist ein Ensemble-Lernalgorithmus, der auf Entscheidungsbäumen basiert. Diese Technik des maschinellen Lernens wird etwa für Regressionsprobleme eingesetzt.
Random Forest besteht aus einer großen Anzahl einzelner Entscheidungsbäume, die unabhängig voneinander trainiert werden. Diese Entscheidungsbäume sind zwar einzeln schwache Lernmodelle, aber wenn sie in einem Ensemble zusammengefasst werden, liefern sie robuste und genaue Vorhersagen.
Dieses Modell wandten die Forscher:innen dann an, um Ionenkonzentrationen in elektrochemischen Wasseraufbereitungstechnologien vorherzusagen. Dabei stellten sie fest, dass ihr Modell in der Lage ist, die elektrische Leitfähigkeit des behandelten Wassers und die Konzentration jedes einzelnen Ions genau vorherzusagen, sofern etwa alle 20–80 Sekunden Aktualisierungen stattfinden konnten. Die verbesserten die Genauigkeit der Vorhersagen deutlich.
Eingesetzte KI deutlich günstiger als andere Modelle
In der Anwendung dieser Technik zur Bestimmung der Wasserqualität müsste also mindestens jede Minute gemessen werden, um das Ausgangsmodell zu trainieren. Dabei hat das koreanische Modell einen besonderen Vorteil. Denn das verwendete Random-Forest-Modell ist komplexeren Deep-Learning-Modellen wirtschaftlich überlegen, weil es für das Training mehr als 100-mal weniger Rechenressourcen benötigt.
Die Ergebnisse der Arbeit des Forschungsteams wurden in der Wissenschaftszeitschrift Water Research veröffentlicht.
