Étude de cas

ISL Adapt utilise le ML pour rendre le traitement de l'eau plus propre et plus écologique

La nouvelle station d'épuration de Drayton Valley (Provided by ISL Adapt)

Cet article a été mis à jour le 17 octobre 2023.

Un projet commun de l'Alberta Machine Intelligence Institute, de l'Université de l'Alberta et d'ISL Adapt étudie comment l'apprentissage automatique peut rendre le traitement de l'eau plus respectueux de l'environnement et plus rentable.

Lorsque Drayton Valley - une petite ville située à environ 130 kilomètres au sud-est d'Edmonton - a décidé de remplacer sa station d'épuration vieillissante, elle a fait appel à ISL Engineering pour construire une installation capable de faire face à la croissance démographique future de manière durable.

Dans le cadre de l'initiative ISL Adapt, l'entreprise s'est associée à une équipe de chercheurs pour déterminer comment elle pouvait utiliser l'intelligence artificielle pour réduire les coûts environnementaux et énergétiques de la nouvelle usine, notamment les boursiers et titulaires des chaires d'intelligence artificielle du CIFAR Canada à Amii, Martha White, Adam White et Csaba Szepesvári, le chercheur en apprentissage automatique d'Amii, James Bell, et Omid Namaki et Anna Koop de l'université d'Alberta. Le projet a également été soutenu par Alberta Innovates.

Les usines de traitement de l'eau consomment beaucoup d'énergie, c'est pourquoi la réduction de la consommation d'énergie était l'un des principaux objectifs. Une grande partie de cette consommation d'énergie provient du pompage de l'eau, en particulier pour une usine comme Drayton Valley, qui utilise un processus appelé ultrafiltration. Ce procédé consiste à utiliser des produits chimiques sur de l'eau non traitée afin de créer des conditions dans lesquelles les petites particules et les contaminants se lient entre eux pour améliorer le processus de filtration. Ensuite, l'usine pompe l'eau à travers des membranes spéciales qui filtrent les plus petits contaminants et laissent passer l'eau propre.

"Comment régler une plante pour qu'elle réagisse aux différentes variations de l'eau de surface dans l'environnement ?

Douglas Hallett, ISL Engineering

Au fur et à mesure de la production d'eau, ces membranes se salissent et doivent être nettoyées par lavage à contre-courant de l'eau traitée. Un système plus efficace signifie un nettoyage plus efficace, ce qui signifie moins de pompage et moins d'énergie utilisée.

Il s'agit d'un processus complexe, rendu encore plus complexe par le fait que les conditions de l'eau changent constamment. Les précipitations, la fonte saisonnière et d'autres facteurs biologiques peuvent affecter considérablement la qualité de l'eau brute ou non traitée et modifier la façon dont les exploitants d'usine doivent la traiter.

"Vous pouvez voir la rivière Saskatchewan Nord changer devant vous chaque année", a déclaré Douglas Hallett, de l'ISL. "Vous pouvez la voir passer du bleu glaciaire au brun organique, ou même au vert avec la croissance des algues pendant les mois d'été. Comment régler une plante pour qu'elle réagisse aux différents changements de l'eau de surface dans l'environnement ?

Pour trouver des solutions au problème, l'ISL a mis en place une installation pilote - une usine dans l'usine, équipée de capteurs et d'outils pour aider l'équipe d'Amii à recueillir des données sur les facteurs qui pourraient contribuer à réduire la consommation d'énergie, à surveiller la qualité de l'eau et à s'adapter à l'évolution de l'état de l'eau.

L'approche de l'apprentissage par renforcement utilisée dans l'usine pilote fait appel à la méthode d'essai et d'erreur pour tester de nombreuses variables afin de trouver les moyens les plus efficaces d'exploiter l'usine, qu'il s'agisse des produits chimiques à utiliser, de leur quantité ou de la fréquence de nettoyage des membranes. Cette complexité, associée à la nécessité de prévoir les changements à venir dans la qualité de l'eau brute, fait de cette question un excellent candidat pour l'apprentissage par renforcement.

Jusqu'à présent, toute l'eau traitée dans l'usine pilote est renvoyée dans le réseau d'égouts, afin de ne pas affecter la qualité de l'eau de la ville au fur et à mesure des expériences de l'équipe. Le projet pilote est une étape importante vers l'application et l'extension des progrès de l'apprentissage par renforcement à l'ensemble de la station d'épuration. Les résultats sont utilisés pour faire d'ISL Adapt un leader dans la fourniture d'eau filtrée abordable et pilotée par l'IA aux communautés qui luttent pour répondre aux exigences en constante évolution du traitement de l'eau en Alberta et au-delà.


Mise à jour du 16 octobre 2023

Tandis que l'équipe RLAI de l'Université de l'Alberta se consacre à ses expériences dans l'usine pilote, l'équipe Amii expérimente avec les données de l'usine principale de traitement de l'eau, en s'appuyant sur l'apprentissage machine (ML) et l'apprentissage par renforcement (RL). Conformément à l'esprit du projet initial, ils se concentrent sur l'optimisation des processus de nettoyage du traitement de l'eau afin de réduire la consommation d'énergie, le temps de traitement et l'utilisation de produits chimiques, tout en prolongeant la durée de vie des membranes de filtration.

Nous voulons révolutionner la façon dont nous pensons et gérons notre ressource la plus précieuse.

Pouria Faridi, Amii ML Résident

Quelques mois après le début du projet, l'équipe d'Amii, composée de Bevin Eldaphonse (chef de projet ML), Payam Mousavi (chercheur appliqué), Amin Soleimanzade (résident ML) et Pouria Faridi (résident ML), a déjà découvert des schémas intrigants dans les données.

"Nos résultats indiquent qu'une réduction sélective des processus de nettoyage et de leurs horaires peut améliorer la consommation d'énergie et la production d'eau, sans compromettre la longévité des membranes", explique Soleimanzade.

À ce jour, l'une des réalisations les plus importantes de l'équipe d'Amii est la création d'un simulateur d'usine, construit à partir des données recueillies dans l'usine principale à l'aide de modèles d'apprentissage par renforcement. Grâce à ce simulateur, l'équipe est en mesure d'appliquer, d'entraîner et d'évaluer des modèles d'apprentissage par renforcement (RL).

La prochaine phase de ce projet préparera les agents RL à fonctionner dans le monde réel, en veillant à ce que les solutions puissent prospérer et s'étendre au-delà du domaine de la simulation. L'analyse de sensibilité - un moyen de comprendre comment les changements dans les variables d'entrée affectent la sortie d'un modèle - est essentielle pour s'assurer que les solutions sont adaptables, transférables et résilientes dans les conditions du monde réel.

"Notre projet marque une étape importante dans la réimagination de pratiques de traitement de l'eau durables et efficaces", partage Faridi. "Ensemble, avec ISL Adapt, nous ne cherchons pas seulement à optimiser les processus de traitement de l'eau. Nous voulons révolutionner la façon dont nous pensons et gérons notre ressource la plus précieuse."


Faites passer vos idées d'IA dans le monde réel - en savoir plus sur comment Amii aide les entreprises comme la vôtre.

Dernières études de cas

Connectez-vous avec la communauté

Participez à l'écosystème croissant de l'IA en Alberta ! Les demandes de conférenciers, de parrainage et de lettres de soutien sont les bienvenues.

Explorer la formation et l'enseignement supérieur

Vous êtes curieux de connaître les possibilités d'études auprès de l'un de nos chercheurs ? Vous voulez plus d'informations sur les possibilités de formation ?

Exploiter le potentiel de l'intelligence artificielle

Faites-nous part de vos objectifs et de vos défis concernant l'adoption de l'IA dans votre entreprise. Notre équipe Investissements & Partenariats vous contactera sous peu !