DOI: https://doi.org/10.1038/s41598-026-37287-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41748630
تاريخ النشر: 2026-02-26
المؤلف: Saurabh Sharma وآخرون
الموضوع الرئيسي: تكنولوجيا مراقبة جودة المياه
نظرة عامة
تقدم ورقة البحث نظام مراقبة جودة المياه الذكي المصمم لمعالجة التحدي العالمي للوصول إلى مياه شرب آمنة، خاصة في مواجهة التلوث وتأخيرات التحليلات المخبرية التقليدية. باستخدام المتحكم الدقيق ESP32، يقيس هذا النظام منخفض التكلفة (أقل من 80 دولارًا) أربعة معايير حيوية: الرقم الهيدروجيني، المواد الصلبة الذائبة الكلية (TDS)، درجة الحرارة، والعكارة. يتم نقل البيانات إلى خلفية سحابية للتصور على لوحة معلومات ويب ديناميكية. الابتكار الكبير هو دمج نموذج تعلم آلي على الجهاز (TinyML)، الذي يستخدم شبكة عصبية مدربة على مجموعة بيانات مخصصة تتكون من 6000 نقطة لتصنيف أحداث تلوث المياه إلى فئات مثل ‘عادي’، ‘جريان مياه الأمطار’، و’كيميائي’ بدقة مثيرة للإعجاب تبلغ 99.28%. تتيح هذه القدرة الكشف المستقل عن الشذوذ دون الحاجة إلى اتصال سحابي مستمر.
تختتم الورقة بتسليط الضوء على التصميم والتنفيذ الناجحين لهذا النظام الذكي للمراقبة، الذي يجمع بين التعلم الآلي على الجهاز وإطار عمل إنترنت الأشياء (IoT) لمراقبة فعالة في الوقت الحقيقي. أظهرت التحقق التجريبي قوة النظام، حيث حقق دقة تصنيف تبلغ 99.28% وزمن استدلال يقارب 1 مللي ثانية. ضمنت المعايرة الدقيقة الحصول على بيانات موثوقة، مع دقة قياسات تبلغ ± 0.1 pH و ± 0.5 °C. تظل التكلفة الإجمالية لمكونات النموذج الأولي أقل من 80 دولارًا، مما يجعله متاحًا للبيئات ذات الموارد المحدودة. تشمل ميزات النظام، مثل الوصول إلى البيانات عبر منصات متعددة، وتسجيل ذكي قائم على التقلبات، والتحكم الآلي في المضخات، مجتمعةً إنشاء منصة قابلة للتوسع تعرض الإمكانيات التحولية لتقنية Edge AI في تعزيز وصول المجتمع إلى مياه آمنة.
مقدمة
تضع مقدمة ورقة البحث الأساس للدراسة من خلال توضيح أهمية الموضوع والأسئلة البحثية المحددة التي تم تناولها. تسلط الضوء على الفجوات الموجودة في الأدبيات والحاجة إلى مزيد من التحقيق في هذا المجال. يؤكد المؤلفون على أهمية عملهم في المساهمة في فهم أعمق للموضوع، وهو أمر حاسم لكل من التقدم النظري والتطبيقات العملية.
بالإضافة إلى ذلك، تقدم المقدمة لمحة عامة موجزة عن المنهجية المستخدمة في الدراسة، مشيرة إلى كيفية اختلافها عن أو بناءها على الأبحاث السابقة. يتم التنبؤ بالنتائج الرئيسية، مما يشير إلى أن النتائج ستقدم رؤى جديدة أو تؤكد النظريات الموجودة. بشكل عام، تؤسس المقدمة بفعالية السياق وأهمية البحث، مما يعد القارئ للتحليل التفصيلي الذي يلي.
طرق
تحدد ورقة البحث منهجية شاملة للتحقق من صحة نظام إنترنت الأشياء منخفض التكلفة المصمم للمراقبة البيئية. يتكون إطار التحقق من الصحة من ثلاثة مستويات، حيث يركز المستوى الأول على دقة المستشعرات وقابلية التكرار. تم مقارنة المستشعرات المعايرة مع أدوات مرجعية تجارية، مما أسفر عن خطأ مطلق متوسط (MAE) يبلغ ±0.12 pH و ±15 ppm للمواد الصلبة الذائبة الكلية (TDS) عبر 50 قياسًا متكررًا في محاليل عازلة قياسية. تم تأكيد قابلية تكرار المستشعرات من خلال انخفاض التباين، مع انحراف معياري لقياسات الرقم الهيدروجيني أقل من 0.02، مما يشير إلى دقة عالية على الرغم من استخدام الأجهزة الاقتصادية.
قيم المستوى الثاني من التحقق أداء مصنف TinyML باستخدام التحقق المتقاطع الطبقي 5-Fold، الذي أظهر دقة إجمالية مثيرة للإعجاب تبلغ 99.28%. بالإضافة إلى ذلك، حقق النموذج متوسط دقة واسترجاع يبلغ 0.99 لفئة ‘كيميائية’ الحيوية، مما يقلل بشكل فعال من السلبيات الكاذبة المرتبطة بأحداث التلوث الخطرة. تؤكد هذه الأداء القوي موثوقية النظام في التطبيقات الواقعية، متماشية مع النتائج من تنفيذات منخفضة التكلفة مماثلة في الأدبيات.
مناقشة
تسلط المناقشة الضوء على الحاجة الملحة لتحسين مراقبة جودة المياه بسبب تدهور النظم البيئية للمياه العذبة الناتج عن التصنيع، ونمو السكان، وتغير المناخ. تعتبر الطرق التقليدية لتقييم جودة المياه، التي تعتمد على أخذ عينات يدوية وتحليل مركزي في المختبر، غير كافية بسبب قيودها المكانية والزمنية، مما يخلق نوافذ زمنية خطيرة قد يتم خلالها استهلاك المياه الملوثة. تؤكد هذه الورقة على أهمية تطوير أنظمة آلية يمكن أن توفر الكشف الفوري والتنبيهات لتعزيز الصحة العامة وسلامة البيئة.
يمثل دمج تقنيات إنترنت الأشياء (IoT)، وخاصة من خلال استخدام التعلم الآلي الصغير (TinyML) على الأجهزة الطرفية، تقدمًا كبيرًا في المراقبة البيئية. من خلال تمكين معالجة البيانات في الوقت الحقيقي واتخاذ القرارات مباشرة على الأجهزة مثل المتحكم الدقيق ESP32، يتجاوز نظام مراقبة جودة المياه الذكي المقترح قيود الهياكل السحابية، مثل زمن الاستجابة، واستهلاك النطاق الترددي، ونقاط الفشل الفردية. لا يسهل هذا النظام فقط المراقبة المستمرة للمعايير الفيزيائية الكيميائية الرئيسية (الرقم الهيدروجيني، المواد الصلبة الذائبة الكلية، درجة الحرارة، والعكارة) ولكنه يتضمن أيضًا ميزات ذكية مثل التحكم المستقل وتسجيل البيانات في وضعين، مما يضمن المرونة والكفاءة في سيناريوهات النشر المختلفة. بشكل عام، تقدم الأبحاث نهجًا مبتكرًا لمراقبة جودة المياه يجمع بين الأجهزة منخفضة التكلفة والذكاء الخوارزمي المتقدم، مع معالجة الفجوات الموجودة في الأدبيات وتحديات التنفيذ العملي.
القيود
تحدد قسم القيود عدة تحديات رئيسية تم مواجهتها خلال تطوير النموذج الأولي، والتي تؤثر بشكل مباشر على وظيفته وقابليته للتطبيق. كانت مشكلة كبيرة هي أداء المستشعرات من فئة الهواة، مما استلزم عملية معايرة تكرارية بسبب عدم كفاية الصيغ العامة للمعايرة. كشفت اختبار الاستقرار عن انحراف متوقع في قراءات المواد الصلبة الذائبة الكلية (TDS) والعكارة، مما استلزم بروتوكول إعادة معايرة أسبوعي في البيئات الخاضعة للرقابة للحفاظ على سلامة البيانات. في البيئات الخارجية، يمكن أن تؤدي العوامل البيئية مثل تقلبات درجة الحرارة والتلوث البيولوجي إلى تسريع تدهور الأداء، مما يشير إلى الحاجة إلى صيانة يومية أو حلول تنظيف ميكانيكية لضمان التشغيل الموثوق.
بالإضافة إلى ذلك، ظهرت مشاكل إدارة موارد الأجهزة من التداخل بين بطاقة microSD ومستشعر درجة الحرارة MAX6675، والتي تم حلها باستخدام بنية SPI المزدوجة لـ ESP32. يبرز هذا قيود النمذجة القائمة على الوحدات ويشير إلى أن لوحات الدوائر المطبوعة المصممة خصيصًا قد تكون ضرورية للنشر الكبير والقوي. علاوة على ذلك، تم تحقيق دقة عالية للنموذج (99.28%) باستخدام مجموعة بيانات مخصصة، مما يحد من قابليتها للتعميم. لضمان سلامة شاملة في التطبيقات الواقعية، سيتطلب النموذج إعادة تدريب على مجموعة بيانات أوسع تشمل ملوثات متنوعة، مثل المعادن الثقيلة والجراثيم البيولوجية، بخلاف الفئات الثلاث (عادي، مياه الأمطار، كيميائي محاكي بالكلور) التي تم تدريبه عليها في البداية.
DOI: https://doi.org/10.1038/s41598-026-37287-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41748630
Publication Date: 2026-02-26
Author(s): Saurabh Sharma et al.
Primary Topic: Water Quality Monitoring Technologies
Overview
The research paper presents a Smart Water Quality Monitoring System designed to address the global challenge of accessing safe drinking water, particularly in the face of pollution and delays in traditional laboratory analyses. Utilizing the ESP32 microcontroller, this low-cost system (under $80) measures four critical parameters: pH, total dissolved solids (TDS), temperature, and turbidity. Data is transmitted to a cloud backend for visualization on a dynamic web dashboard. A significant innovation is the incorporation of an on-device machine learning model (TinyML), which employs a neural network trained on a custom dataset of 6,000 points to classify water impurity events into categories such as ‘Normal’, ‘Rainwater Runoff’, and ‘Chemical’ with an impressive accuracy of 99.28%. This capability allows for independent anomaly detection without requiring continuous cloud connectivity.
The paper concludes by highlighting the successful design and implementation of this intelligent monitoring system, which combines on-device machine learning with an Internet of Things (IoT) framework for effective real-time monitoring. Experimental validation demonstrated the system’s robustness, achieving a classification accuracy of 99.28% and an inference latency of approximately 1 ms. Rigorous calibration ensured reliable data acquisition, with measurement accuracies of ± 0.1 pH and ± 0.5 °C. The prototype’s total component cost remains under $80, making it accessible for resource-constrained environments. The system’s features, including multi-platform data access, intelligent fluctuation-based logging, and automated pump control, collectively establish a scalable platform that showcases the transformative potential of Edge AI technology in enhancing community access to safe water.
Introduction
The introduction of the research paper sets the stage for the study by outlining the significance of the topic and the specific research questions addressed. It highlights the existing gaps in the literature and the need for further investigation in the field. The authors emphasize the relevance of their work in contributing to a deeper understanding of the subject matter, which is crucial for both theoretical advancements and practical applications.
Additionally, the introduction provides a brief overview of the methodology employed in the study, indicating how it differs from or builds upon previous research. Key findings are foreshadowed, suggesting that the results will offer new insights or confirm existing theories. Overall, the introduction effectively establishes the context and importance of the research, preparing the reader for the detailed analysis that follows.
Methods
The research paper outlines a comprehensive methodology for validating a low-cost IoT system designed for environmental monitoring. The validation framework consists of three tiers, with the first tier focusing on sensor accuracy and repeatability. Calibrated sensors were compared against commercial reference instruments, yielding a Mean Absolute Error (MAE) of ±0.12 pH and ±15 ppm for total dissolved solids (TDS) across 50 repeated measurements in standard buffer solutions. The repeatability of the sensors was confirmed through low variance, with a standard deviation of pH measurements below 0.02, indicating high precision despite the use of economical hardware.
The second tier of validation assessed the performance of a TinyML classifier using Stratified 5-Fold Cross-Validation, which demonstrated an impressive overall accuracy of 99.28%. Additionally, the model achieved a mean Precision and Recall of 0.99 for the critical ‘Chemical’ class, effectively minimizing false negatives associated with hazardous contamination events. This robust performance underscores the system’s reliability in real-world applications, aligning with findings from similar low-cost implementations in the literature.
Discussion
The discussion highlights the critical need for improved water quality monitoring due to the degradation of freshwater ecosystems caused by industrialization, population growth, and climate change. Traditional methods of water quality assessment, which rely on manual sampling and centralized laboratory analysis, are inadequate due to their spatial and temporal limitations, creating dangerous latency windows during which contaminated water may be consumed. This paper emphasizes the importance of developing automated systems that can provide immediate detection and alerts to enhance public health and environmental safety.
The integration of Internet of Things (IoT) technologies, particularly through the use of Tiny Machine Learning (TinyML) on edge devices, represents a significant advancement in environmental monitoring. By enabling real-time data processing and decision-making directly on devices like the ESP32 microcontroller, the proposed Smart Water Quality Monitoring System overcomes the limitations of cloud-centric architectures, such as latency, bandwidth consumption, and single points of failure. This system not only facilitates continuous monitoring of key physicochemical parameters (pH, Total Dissolved Solids, temperature, and turbidity) but also incorporates intelligent features like autonomous control and dual-mode data logging, ensuring resilience and efficiency in various deployment scenarios. Overall, the research presents a novel approach to water quality monitoring that combines low-cost hardware with advanced algorithmic intelligence, addressing existing gaps in the literature and practical implementation challenges.
Limitations
The section on limitations outlines several key challenges encountered during the development of the prototype, which directly impact its functionality and applicability. A significant issue was the performance of hobbyist-grade sensors, which necessitated an iterative calibration process due to inadequate generic calibration formulas. The stability test revealed a predictable drift in Total Dissolved Solids (TDS) and turbidity readings, necessitating a weekly recalibration protocol in controlled environments to maintain data integrity. In outdoor settings, environmental factors such as temperature fluctuations and biofouling could accelerate performance degradation, suggesting the need for daily maintenance or mechanical cleaning solutions to ensure reliable operation.
Additionally, hardware resource management issues arose from bus contention between the microSD card and the MAX6675 temperature sensor, which were resolved by utilizing the ESP32’s dual SPI architecture. This highlights the limitations of module-based prototyping and indicates that custom-designed printed circuit boards (PCBs) may be essential for robust, large-scale deployments. Furthermore, the model’s high accuracy (99.28%) was achieved using a custom dataset, limiting its generalizability. To ensure comprehensive safety in real-world applications, the model would require retraining on a broader dataset that includes various contaminants, such as heavy metals and biological pathogens, beyond the three classes (Normal, Rainwater, Bleach-simulated Chemical) it was initially trained on.