Forskare har utvecklat ett nytt maskininlärningssystem för att förbättra noggrannheten och effektiviteten hos modeller av avlopps-flodsystem. Detta innovativa tillvägagångssätt, som beskrivs i en artikel publicerad i Environmental Science and Ecotechnology , lovar att avsevärt minska parameterkalibreringstiden och förbättra modellprecisionen vid förutsägelse av stadsvattenföroreningar.

Komplexiteten i att integrera avloppssystem och urbana floder i en heltäckande modell har länge inneburit utmaningar på grund av omfattande beräkningskrav och begränsade övervakningsdata. Traditionella kalibreringsmetoder misslyckas med att hantera dessa utmaningar effektivt.

Kärnan i denna banbrytande forskning är den geniala kombinationen av två avancerade teknologier:Ant Colony Optimization (ACO) och Long Short-Term Memory (LSTM) nätverk, integrerade i ett maskininlärning parallellt system (MLPS).

ACO är inspirerad av myrors födosöksbeteende för att hitta de mest effektiva vägarna, som används här för att navigera genom vattenmodellernas komplexa parameterutrymme. Samtidigt utmärker sig LSTM-nätverk, en typ av återkommande neurala nätverk, när det gäller att känna igen mönster i sekventiell data, vilket gör dem idealiska för att förstå den tidsmässiga dynamiken hos föroreningar i avlopps-flodsystem.

Genom att förena dessa teknologier har forskarna skapat en MLPS som kan utföra snabba och exakta kalibreringar av modeller av avloppsflod. Traditionella metoder, ofta besvärliga och tidskrävande, kan inte matcha effektiviteten eller noggrannheten i detta nya tillvägagångssätt. Specifikt minskar MLPS drastiskt kalibreringstiderna från potentiellt månader till bara några dagar, utan att offra modellens förmåga att exakt förutsäga föroreningsnivåer.

Dr. Yu Tian, ​​huvudförfattare till studien, säger:"Integrationen av algoritmer för myrkolonioptimering och långtidsminne i vårt parallella system för maskininlärning representerar ett betydande steg framåt inom miljöledning. Det möjliggör snabb, exakt modellkalibrering med begränsad data, vilket öppnar nya vägar för planering av stadsvattensystem och föroreningskontroll."

MLPS erbjuder en robust lösning för noggrann simulering av stadsvattenkvalitet, avgörande för effektiv miljöledning. Dess förmåga att snabbt anpassa sig till nya data och scenarier gör den till ett värdefullt verktyg för stadsplanerare och miljöforskare, vilket underlättar utvecklingen av riktade strategier för föroreningskontroll och hållbara metoder för vattenförvaltning.

Mer information: Yundong Li et al, Maskininlärning parallellt system för integrerad processmodellkalibrering och noggrannhetsförbättring i avlopps-flodsystem, Environmental Science and Ecotechnology (2023). DOI:10.1016/j.ese.2023.100320

Tillhandahålls av TranSpread