یادگیری ماشین سبز، کم‌مصرف‌ترین هوش مصنوعی را برای تبدیل فاضلاب به منابع ارزشمند شناسایی می‌کند
تصفیه‌خانه‌های فاضلاب در سراسر جهان هر روز حجم عظیمی از موادی را پردازش می‌کنند که بیشتر مردم آن‌ها را زباله می‌دانند. بااین‌حال، در میان این جریان آلوده، دو منبع ارزشمند برای اقتصاد چرخشی آینده نهفته است: کربن آلی قابل‌بازیابی و نیتروژن قابل‌استفاده برای گیاهان. شاخص «نیاز شیمیایی به اکسیژن» (COD) میزان مواد آلی موجود در فاضلاب را اندازه‌گیری می‌کند؛ موادی که می‌توان آن‌ها را به بیوگاز، اسیدهای چرب فرار و زیست‌پلیمرها تبدیل کرد. در مقابل، «نیتروژن کل» (TN) میزان نیتروژن موجود را نشان می‌دهد که می‌توان آن را به شکل کودهای مبتنی بر آمونیاک یا استروویت بازیابی کرد. پژوهشی جدید از محققانی در هند، ایالات متحده و ایرلند استدلال می‌کند که مدل‌های هوش مصنوعی مورد استفاده برای پیش‌بینی این دو شاخص نباید صرفاً بر اساس دقت پیش‌بینی ارزیابی شوند؛ میزان انرژی مصرفی و کربنی که در این فرایند منتشر می‌کنند نیز باید در نظر گرفته شود.
این پژوهش که در مجله Frontiers in Environmental Engineering منتشر شده است، چهار معماری رایج یادگیری ماشین و یادگیری عمیق را با استفاده از مجموعه‌داده‌ای عملیاتی و در دسترس عموم از یک تصفیه‌خانه فاضلاب شهری در ملبورن استرالیا مقایسه کرده است. پژوهشگران یک شبکه عصبی پیش‌خور، یک شبکه عصبی بازگشتی، یک شبکه عصبی کانولوشنی یک‌بعدی و الگوریتم درختی تقویت گرادیانی XGBoost را بررسی کردند. هر چهار مدل با تقسیم‌بندی یکسان داده‌ها و مجموعه ویژگی‌های مشابه آموزش دیدند. نتیجه قابل‌توجه بود: یک مدل درختی نسبتاً ساده توانست با مدل‌های یادگیری عمیق برابری کند یا از آن‌ها بهتر عمل کند، درحالی‌که بین ۹۸ تا ۹۹ درصد انرژی کمتری مصرف کرد و میزان انتشار معادل دی‌اکسید کربن آن حدود ۶۵ تا ۱۰۰ برابر کمتر از شبکه عصبی بازگشتی بود.
اهمیت این یافته بسیار فراتر از یک تصفیه‌خانه استرالیایی است. در سال ۲۰۱۵، سالانه حدود ۳۸۰ میلیارد مترمکعب فاضلاب در جهان تولید می‌شد. برآوردهای جدیدتر نشان می‌دهند که حجم فاضلاب خانگی به‌تنهایی در سال ۲۰۲۴ به ۳۳۲ میلیارد مترمکعب رسیده است؛ رقمی که انتظار می‌رود با گسترش شهرها تا سال ۲۰۵۰ دو برابر شود. در حال حاضر، تنها حدود ۵۶ درصد فاضلاب خانگی به‌گونه‌ای تصفیه می‌شود که تخلیه ایمن آن امکان‌پذیر باشد و در نتیجه، شکاف بزرگی در مدیریت فاضلاب باقی مانده است. به همین دلیل، تصفیه‌خانه‌ها بیش‌ازپیش به‌عنوان مراکز بازیابی منابع در نظر گرفته می‌شوند. هضم بی‌هوازی کربن آلی موجود در فاضلاب می‌تواند ۴۰ تا ۷۶ درصد انرژی الکتریکی موردنیاز یک تصفیه‌خانه را تأمین کند. همچنین، فناوری‌های بازیابی مواد مغذی می‌توانند تا ۱۵ تا ۲۰ درصد نیاز جهانی به فسفر و نیتروژن را از جریان‌های فاضلاب تأمین کنند.
پیش‌بینی دقیق این شاخص‌ها هم از نظر اقتصادی و هم از نظر زیست‌محیطی اهمیت دارد. پیش‌بینی قابل‌اعتماد COD می‌تواند به تنظیم میزان خوراک ورودی به فرایندهای هضم بی‌هوازی و تخمیر کمک کند؛ فرایندهایی که اسیدهای چرب فرار، به‌عنوان واسطه‌های کلیدی در تولید مواد شیمیایی زیستی و سوخت‌های زیستی، و پلی‌هیدروکسی‌آلکانوات‌ها را تولید می‌کنند. پلی‌هیدروکسی‌آلکانوات‌ها جایگزین‌های پایداری برای پلاستیک‌های پتروشیمیایی هستند. از سوی دیگر، پیش‌بینی TN می‌تواند در بازیابی مواد مغذی، کنترل هوادهی و مدیریت انطباق با الزامات زیست‌محیطی مؤثر باشد. ورود نیتروژن تصفیه‌نشده به منابع آبی موجب اوتریفیکاسیون می‌شود؛ فرایندی که رشد بیش‌ازحد جلبک‌ها را به دنبال دارد و با کاهش اکسیژن آب، به اکوسیستم‌های آبی آسیب می‌زند. افزون بر این، خود فرایندهای حذف نیتروژن ممکن است اکسید نیتروژن منتشر کنند؛ گازی گلخانه‌ای که پتانسیل گرمایش جهانی آن حدود ۲۹۸ برابر دی‌اکسید کربن است.
پژوهشگران برای انجام مقایسه، کار را با ۱٬۳۸۲ رکورد عملیاتی شامل ۱۶ متغیر آغاز کردند. مراحل پاک‌سازی داده‌ها، بررسی واریانس و استانداردسازی فقط بر اساس زیرمجموعه آموزشی تنظیم شدند و سپس بدون تغییر بر داده‌های اعتبارسنجی و آزمون اعمال شدند. این روش کمک می‌کند عملکرد مدل در مواجهه با داده‌های دیده‌نشده تصفیه‌خانه ارزیابی شود، نه اینکه شرایط ایدئال بررسی داده‌های گذشته مبنای سنجش قرار گیرد. متغیرهای هواشناسی با واریانس نزدیک به صفر، مانند فشار جو، میزان کل بارندگی و میانگین دید افقی، کنار گذاشته شدند. در مرحله بعد، غربالگری دومرحله‌ای ویژگی‌ها با ترکیب همبستگی‌های پیرسون، اسپیرمن و فاصله‌ای و رتبه‌بندی ارتباط متغیرها بر اساس تحلیل واریانس (ANOVA)، تعداد ویژگی‌های ورودی را به هفت مورد کاهش داد. هر چهار معماری از همین هفت ویژگی استفاده کردند تا مقایسه منصفانه باشد.
داده‌ها به سه بخش تقسیم شدند: ۷۰ درصد برای آموزش، ۱۵ درصد برای اعتبارسنجی و ۱۵ درصد برای آزمون. انتخاب ابرپارامترها بر اساس عملکرد در مجموعه اعتبارسنجی انجام شد و در مدل‌های عصبی نیز از منظم‌سازی و توقف زودهنگام استفاده کردند. شبکه پیش‌خور دو لایه پنهان با ۶۴ و ۳۲ نورون داشت؛ شبکه بازگشتی از یک لایه با ۳۲ واحد تشکیل شده بود؛ شبکه کانولوشنی یک‌بعدی یک لایه با ۳۲ فیلتر و اندازه هسته ۳ داشت؛ و XGBoost با ۱۰۰ درخت تقویتی، حداکثر عمق ۶ و نرخ یادگیری ۰٫۳ اجرا شد. همه مدل‌های عصبی به مدت ۴۰۰ دوره و با اندازه دسته ۵۰ آموزش دیدند. تنظیمات یکسانی نیز برای هر دو متغیر هدف به کار رفت تا تفاوت عملکرد ناشی از داده‌ها و مدل‌ها باشد، نه تفاوت در شیوه تنظیم آزمایش.
در پیش‌بینی COD، شبکه عصبی بازگشتی بهتر از سایر مدل‌ها توانست رفتار زمانی داده‌ها را شناسایی کند. این مدل به ضریب تعیین (R²) برابر با ۰٫۷۱ و جذر میانگین مربعات خطا برابر با ۷۵٫۵۵ میلی‌گرم در لیتر رسید. در نمودار مقادیر واقعی در برابر مقادیر پیش‌بینی‌شده، نقاط به خط قطر نزدیک بودند و پراکندگی باقیمانده‌ها در اطراف صفر نسبت به مدل پیش‌خور متقارن‌تر بود؛ مدل پیش‌خور ضریب تعیین ۰٫۶۵ به دست آورد. XGBoost نیز در مجموعه آزمون به ضریب تعیین ۰٫۷۱ رسید و از نظر تعمیم‌پذیری عملکرد قدرتمندی نشان داد؛ ضریب تعیین آن در مجموعه‌های اعتبارسنجی و آزمون به‌ترتیب ۰٫۷۲ و ۰٫۷۱ بود. بااین‌حال، برازش تقریباً بی‌نقص این مدل روی داده‌های آموزشی، با ضریب تعیین ۰٫۹۹، نشانه‌ای از بیش‌برازش خفیف بود؛ پدیده‌ای که در مجموعه‌های درختی پرظرفیت هنگام کار با داده‌های ساختاریافته چندان غیرمعمول نیست. در پیش‌بینی نیتروژن کل، XGBoost با اختلاف پیشتاز بود و در مجموعه‌های اعتبارسنجی و آزمون به‌ترتیب ضریب تعیین ۰٫۵۹ و ۰٫۶۳ به دست آورد. این عملکرد از نتایج شبکه بازگشتی، با مقادیر ۰٫۵۶ و ۰٫۵۳، و سایر معماری‌های عصبی بهتر بود. یافته‌ها نشان می‌دهند که تغییرات نیتروژن احتمالاً بیش از آنکه به حافظه توالی وابسته باشد، از تعاملات غیرخطی میان ویژگی‌ها تأثیر می‌پذیرد.
شبکه کانولوشنی برای هیچ‌یک از دو متغیر هدف، بهبود چشمگیری نسبت به مدل پیش‌خور ایجاد نکرد. این نتیجه تأیید می‌کند که فیلترگذاری کانولوشنی محلی برای داده‌های جدولی کم‌بعد مربوط به فاضلاب مزیت چندانی ندارد. ضرایب تعیین متوسط، در محدوده تقریبی ۰٫۵۴ تا ۰٫۷۱، که در مجموع مدل‌ها مشاهده شد، با شرایط واقعی مجموعه‌داده‌های عملیاتی تصفیه‌خانه‌ها سازگار است. چنین داده‌هایی معمولاً متغیرهایی مانند اکسیژن محلول، زمان ماند لجن و پارامترهای صریح سینتیکی را در بر نمی‌گیرند. نویسندگان همچنین خاطرنشان می‌کنند که مطالعات پیشرفته مدل‌سازی فاضلاب بر پایه داده‌های واقعی تصفیه‌خانه‌ها معمولاً به ضرایب تعیین ۰٫۶ تا ۰٫۸ می‌رسند. از نظر آنان، محدودیت عملکرد در این مطالعه بیشتر ناشی از نبود متغیرهای مربوط به وضعیت فرایند و وجود نویز ذاتی حسگرهاست تا ضعف خود مدل‌ها.
مهم‌ترین دستاورد پژوهش، ارزیابی پایداری زیست‌محیطی مدل‌هاست. گروه پژوهشی با استفاده از کتابخانه CodeCarbon، مصرف برق، آب موردنیاز برای خنک‌سازی مراکز داده و میزان انتشار معادل دی‌اکسید کربن را برای هر ترکیب از مدل و متغیر هدف اندازه‌گیری کرد. در پیش‌بینی COD، مصرف انرژی XGBoost تنها ۰٫۰۰۰۰۱۸ کیلووات‌ساعت و انتشار آن ۰٫۰۰۰۰۱۲۹ کیلوگرم معادل دی‌اکسید کربن بود. در مقابل، شبکه عصبی بازگشتی ۰٫۰۰۱۴۹۰ کیلووات‌ساعت انرژی مصرف کرد و ۰٫۰۰۱۰۶۳ کیلوگرم معادل دی‌اکسید کربن منتشر کرد. در پیش‌بینی نیتروژن کل نیز مصرف انرژی XGBoost برابر با ۰٫۰۰۰۰۲۸ کیلووات‌ساعت بود، درحالی‌که این میزان برای مدل بازگشتی به ۰٫۰۰۲۵۶۳ کیلووات‌ساعت رسید. پژوهشگران بر اساس این اندازه‌گیری‌ها سه شاخص تدوین کردند: شاخص هزینه زیست‌محیطی، شاخص عملکرد سبز و امتیاز سه‌گانه پایداری سبز. XGBoost در رتبه‌بندی‌های سبز، به‌ترتیب امتیازهایی در محدوده ۰٫۶۳ تا ۰٫۷۰ و ۰٫۶۴ تا ۰٫۷۲ کسب کرد، درحالی‌که شبکه عصبی بازگشتی بیشترین بار زیست‌محیطی را به همراه داشت.
در مقیاس جهانی، همین مقادیر کوچک نیز اهمیت پیدا می‌کنند. برآورد شده است که سامانه‌های هوش مصنوعی ممکن است در سال ۲۰۲۵ مسئول انتشار ۳۲٫۶ تا ۷۹٫۷ میلیون تن دی‌اکسید کربن باشند. مراکز داده در سال ۲۰۲۳ حدود ۴٫۴ درصد برق مصرفی ایالات متحده را به خود اختصاص دادند و اگر روند کنونی ادامه پیدا کند، سهم آن‌ها از تقاضای جهانی برق ممکن است تا سال ۲۰۳۰ به حدود ۹ درصد برسد. از آنجا که مدل‌های یادگیری ماشین بارها در مراکز مختلف آموزش داده می‌شوند و دوباره به کار گرفته می‌شوند، اثر تجمعی معماری‌های پرمصرف افزایش می‌یابد. نویسندگان در نتیجه‌گیری خود، انتخاب مدل در مهندسی محیط زیست را تصمیمی چندمعیاره می‌دانند که در آن، بهره‌وری زیست‌محیطی الگوریتم باید یکی از ملاحظات اصلی فنی باشد، نه موضوعی فرعی. هنگامی که یک مدل درختی کم‌مصرف می‌تواند به دقتی برابر با یک شبکه عمیق دست یابد، ترجیح خودکار معماری‌های پیچیده‌تر نه از نظر عملکرد و نه از نظر پایداری توجیهی ندارد. از این منظر، آینده تحلیل داده‌های فاضلاب ممکن است به مدل‌هایی تعلق داشته باشد که با منابع بسیار کمتر، نتایج مشابهی به دست می‌آورند.
موضوع پژوهش: انتخاب مدل‌های یادگیری ماشین سبز برای پیش‌بینی نیاز شیمیایی به اکسیژن (COD) و نیتروژن کل در فرایند ارزش‌آفرینی از فاضلاب.
عنوان مقاله پژوهشی: تحلیل داده‌های مبتنی بر یادگیری ماشین سبز برای ارزش‌آفرینی از فاضلاب: مطالعه موردی ملبورن استرالیا.
مشخصات مقاله: Debnath, B., Pal, R. S. C., & Chattopadhyay, A. K. (2026). Green machine learning assisted analytics for wastewater valorisation: a case study of Melbourne, Australia. Frontiers in Environmental Engineering, 5, Article 1839957. https://doi.org/10.3389/fenve.2026.1839957
شناسه دیجیتال مقاله (DOI): 10.3389/fenve.2026.1839957
کلیدواژه‌ها: یادگیری ماشین سبز، ارزش‌آفرینی از فاضلاب، XGBoost، شبکه عصبی بازگشتی، نیاز شیمیایی به اکسیژن، نیتروژن کل، CodeCarbon، ردپای کربن، بازیابی منابع، اقتصاد چرخشی، مجموعه‌داده فاضلاب ملبورن، هوش مصنوعی پایدار.
منبع خبر: بلیک دیویدسون، ۱۶ اکتبر ۲۰۲۶، «یادگیری ماشین سبز، کم‌مصرف‌ترین هوش مصنوعی را برای تبدیل فاضلاب به منابع ارزشمند شناسایی می‌کند»، Scienmag.