為水處理而打造，由機器學習和確定性模型提供支持的數位分身技術。 

目前，EVS Water僅能在Amazon Web Services （AWS）設施中運作，因為它和AWS所提供的機器學習和數據科學緊密相扣。當然，此系列產品也有機會從自家設備中採取數據，但是，它高度仰賴特定的要求，若有此需求請與我們的數據管理團隊討論可行性。 

EVS Water使用了由TensorFlow和Keras提供技術支援的循環神經網路（RNN），以校正確定性基線周圍的模型。我們選擇這些工具，因為它們能夠廣泛地被應用RNN、在複雜的數據庫中挑戰辨別所需規律的框架之中。這些框架專注於生產，並且融合了來源代碼中，以確保EVS Water應用程式有精準的預測能力，以實現在快速時間內安裝與處理。在使用了您既有的和另行安裝的裝置後，RNN的輸入特徵可能包含：進料/混凝物pH值、溶解有機碳（DOC）、UV254、溫度、進料/薄片、溢出的水質濁度和凝結劑等。 

用於確定性模型之中的吸附容量，也會因為RNN模型更能貼準廠區特定的情況，校正能力變得更好。RNN模型更詳盡的設計，根據密切與客戶和廠區團隊互動的結果所開發，並且取決與廠區的設計和擁有哪些可用的監測數據。

我們運用一款由可加模型所提供的持續性預測數據，非線性的趨勢圖會和每年、每週、每日、每季甚至加上假日的效應相匹配。它在擁有強烈季節性影響和數個季節的歷史數據之下，能夠擁有最佳的時間序。它對在面對缺漏的數據和趨勢變化時，功能也相當穩健，並且通常可以很順暢地處理異常值。

混凝物推薦的確定性基線，根據數個主要的模型而成，包含了基於Edwards（1997年）Langmuir模型所修正的版本，該模型運用鋁和鐵鹽的混凝物，專為展現增強的混凝物開發而成，被視為現有模型中，對於在混凝物中移除溶解有機碳（DOC）最精確的模型（Tseng和Edwards，1999年）。

這款模型最主要的輸入為進料的溶解有機碳[mg/L]和進料/混凝物pH值，以根據最近的無機分析或者線上鹼度測量（如果有的話），預測出混凝劑的劑量[mg/L]。 

在安裝工作一開始，我們會需要您提供PID、PFD、監測點、代表性的監測數據、溶劑位置、設備的數據表等資料。同時，在工作初期，我們會跟您協定同意事項，請您在工作期間，至少每天要提供一次指定監測點的數據。

另外，為了幫助您評估財務收益，我們也會請您提供化學藥劑的平均花費、電費、固體廢棄物處理費和工廠的勞動成本等資訊。