Newswise — Сложность интеграции канализационных систем и городских рек в комплексную модель уже давно создает проблемы из-за обширных вычислительных требований и ограниченных данных мониторинга. Традиционные методы калибровки не могут эффективно решить эти проблемы.

Недавнее исследование (https://doi.org/10.1016/j.ese.2023.100320), опубликованное в Наука об окружающей среде и экотехнологии (Том 18, 2024 г.) представляет передовую систему машинного обучения, предназначенную для повышения точности и эффективности моделирования канализационной системы. Этот инновационный метод значительно сокращает время, необходимое для калибровки параметров, и повышает точность прогнозов загрязнения городской воды.

В основе этого революционного исследования лежит гениальное сочетание двух передовых технологий: сетей Ant Colony Optimization (ACO) и Long Short-Term Memory (LSTM), интегрированных в параллельную систему машинного обучения (MLPS). ACO вдохновлена ​​поведением муравьев в поисках пищи, чтобы найти наиболее эффективные пути, которые применяются здесь для навигации по сложному пространству параметров водных моделей. Между тем, сети LSTM, тип рекуррентной нейронной сети, превосходно распознают закономерности в последовательных данных, что делает их идеальными для понимания временной динамики загрязнителей в канализационно-речных системах. Объединив эти технологии, исследователи создали MLPS, способный выполнять быструю и точную калибровку моделей канализационных систем и рек. Традиционные методы, зачастую громоздкие и трудоемкие, не могут сравниться по эффективности и точности с этим новым подходом. В частности, MLPS радикально сокращает время калибровки с потенциально месяцев до нескольких дней, не жертвуя при этом способностью модели точно прогнозировать уровни загрязнения.

Основные моменты

• Метод калибровки модели построен на использовании суррогатной модели и оптимизации алгоритма.
• Модели, основанные на процессах, и машинное обучение взаимодействуют уникальным образом.
• Время оптимизации интегрированной модели, основанной на процессах, можно сэкономить на 89,94%.
• Точность сложных моделей можно повысить на основе ограниченных данных.

Доктор Ю Тиан, ведущий автор исследования, заявляет: «Интеграция алгоритмов оптимизации колоний муравьев и долгосрочной краткосрочной памяти в нашу параллельную систему машинного обучения представляет собой значительный шаг вперед в управлении окружающей средой. Это позволяет быстро и точно калибровать модели. с ограниченными данными, открывая новые возможности для планирования городских систем водоснабжения и контроля загрязнения».

MLPS предлагает надежное решение для точного моделирования качества городской воды, что необходимо для эффективного управления окружающей средой. Его способность быстро адаптироваться к новым данным и сценариям делает его ценным инструментом для городских планировщиков и ученых-экологов, облегчая разработку целевых стратегий контроля загрязнения и методов устойчивого управления водными ресурсами.

###

Рекомендации

DOI

10.1016/j.ese.2023.100320

Исходный URL-адрес источника

https://doi.org/10.1016/j.ese.2023.100320

Информация о финансировании

Это исследование было поддержано Национальной программой ключевых исследований и разработок Китая (2019YFD1100300) и Фондом постдокторских наук Китая (2020M681105). Авторы также выражают благодарность Государственной ключевой лаборатории городских водных ресурсов и окружающей среды Харбинского технологического института (№ 2021TS23).

О Наука об окружающей среде и экотехнологии

Наука об окружающей среде и экотехнологии (ISSN 2666-4984) — международный рецензируемый журнал с открытым доступом, издаваемый Elsevier. В журнале публикуются важные мнения и исследования по всему спектру экологии и наук об окружающей среде, таких как изменение климата, устойчивое развитие, сохранение биоразнообразия, окружающая среда и здоровье, зеленый катализ / обработка для контроля загрязнения и экологическая инженерия на основе искусственного интеллекта. Согласно отчету Journal Citation Report, последний импакт-фактор ESE составляет 12,6.^ТМ 2022.