Hvordan AI renser vandet i byfloder

Forskere har udviklet et nyt maskinlæringssystem for at forbedre nøjagtigheden og effektiviteten af ​​modeller af kloak-flodsystemer. Denne innovative tilgang, beskrevet i en artikel offentliggjort i Environmental Science and Ecotechnology , lover at reducere parameterkalibreringstiden markant og forbedre modelpræcisionen ved forudsigelse af byvandsforurening.

Kompleksiteten ved at integrere kloaksystemer og byfloder i en omfattende model har længe givet udfordringer på grund af omfattende beregningskrav og begrænsede overvågningsdata. Traditionelle kalibreringsmetoder mangler effektivt at løse disse udfordringer.

Kernen i denne banebrydende forskning er den geniale kombination af to avancerede teknologier:Ant Colony Optimization (ACO) og Long Short-Term Memory (LSTM) netværk, integreret i et maskinindlærings parallelsystem (MLPS).

ACO er inspireret af myrernes fourageringsadfærd for at finde de mest effektive veje, anvendt her til at navigere gennem vandmodellernes komplekse parameterrum. I mellemtiden udmærker LSTM-netværk, en type tilbagevendende neurale netværk, sig ved at genkende mønstre i sekventielle data, hvilket gør dem ideelle til at forstå den tidsmæssige dynamik af forurenende stoffer i kloak-flodsystemer.

Ved at forene disse teknologier har forskerne lavet en MLPS, der er i stand til at udføre hurtige og præcise kalibreringer af kloak-flod-modeller. Traditionelle metoder, ofte besværlige og tidskrævende, kan ikke matche effektiviteten eller nøjagtigheden af ​​denne nye tilgang. Specifikt reducerer MLPS drastisk kalibreringstider fra potentielt måneder til blot nogle få dage uden at ofre modellens evne til at forudsige forureningsniveauer nøjagtigt.

Dr. Yu Tian, ​​hovedforfatter af undersøgelsen, udtaler:"Integrationen af ​​myrekolonioptimering og langtidskorttidshukommelsesalgoritmer i vores parallelsystem til maskinlæring repræsenterer et betydeligt spring fremad inden for miljøstyring. Det giver mulighed for hurtig, nøjagtig modelkalibrering med begrænsede data, hvilket åbner nye veje til planlægning af byvandssystem og forureningskontrol."

MLPS tilbyder en robust løsning til nøjagtig simulering af byvandskvalitet, afgørende for effektiv miljøstyring. Dets evne til hurtigt at tilpasse sig nye data og scenarier gør det til et værdifuldt værktøj for byplanlæggere og miljøforskere, hvilket letter udviklingen af ​​målrettede forureningskontrolstrategier og bæredygtig vandforvaltningspraksis.

Flere oplysninger: Yundong Li et al, Maskinlæring parallelt system til integreret procesmodelkalibrering og præcisionsforbedring i kloak-flodsystem, Environmental Science and Ecotechnology (2023). DOI:10.1016/j.ese.2023.100320

Leveret af TranSpread