Onderzoekers hebben een nieuw machinaal leersysteem ontwikkeld om de nauwkeurigheid en efficiëntie van riool-riviersysteemmodellen te verbeteren. Deze innovatieve aanpak wordt beschreven in een artikel gepubliceerd in Environmental Science and Ecotechnology , belooft de kalibratietijd van parameters aanzienlijk te verkorten en de modelprecisie bij het voorspellen van stedelijke watervervuiling te verbeteren.

De complexiteit van het integreren van rioleringssystemen en stedelijke rivieren in een alomvattend model zorgt al lange tijd voor uitdagingen als gevolg van uitgebreide rekenvereisten en beperkte monitoringgegevens. Traditionele kalibratiemethoden schieten tekort in het effectief aanpakken van deze uitdagingen.

De kern van dit baanbrekende onderzoek wordt gevormd door de ingenieuze combinatie van twee geavanceerde technologieën:Ant Colony Optimization (ACO) en Long Short-Term Memory (LSTM)-netwerken, geïntegreerd in een machinaal lerend parallel systeem (MLPS).

ACO is geïnspireerd op het foerageergedrag van mieren om de meest efficiënte paden te vinden, hier toegepast om door de complexe parameterruimte van watermodellen te navigeren. Ondertussen blinken LSTM-netwerken, een soort terugkerend neuraal netwerk, uit in het herkennen van patronen in sequentiële gegevens, waardoor ze ideaal zijn voor het begrijpen van de temporele dynamiek van verontreinigende stoffen in riool-riviersystemen.

Door deze technologieën te combineren, hebben de onderzoekers een MLPS ontwikkeld die in staat is snelle en nauwkeurige kalibraties van riool-riviermodellen uit te voeren. Traditionele methoden, die vaak omslachtig en tijdrovend zijn, kunnen de efficiëntie en nauwkeurigheid van deze nieuwe aanpak niet evenaren. Concreet reduceert de MLPS de kalibratietijden drastisch van mogelijk maanden tot slechts een paar dagen, zonder dat dit ten koste gaat van het vermogen van het model om de vervuilingsniveaus nauwkeurig te voorspellen.

Dr. Yu Tian, ​​hoofdauteur van het onderzoek, stelt:“De integratie van algoritmen voor mierenkolonieoptimalisatie en langetermijngeheugen in ons parallelle machine learning-systeem vertegenwoordigt een aanzienlijke sprong voorwaarts in milieubeheer. Het maakt snelle, nauwkeurige modelkalibratie mogelijk. met beperkte gegevens, waardoor nieuwe wegen worden geopend voor de planning van stedelijke watersystemen en de beheersing van vervuiling."

MLPS biedt een robuuste oplossing voor de nauwkeurige simulatie van de stedelijke waterkwaliteit, essentieel voor effectief milieubeheer. Het vermogen om zich snel aan te passen aan nieuwe gegevens en scenario's maakt het tot een waardevol instrument voor stadsplanners en milieuwetenschappers, dat de ontwikkeling van gerichte strategieën voor vervuilingsbeheersing en duurzame waterbeheerpraktijken vergemakkelijkt.

Meer informatie: Yundong Li et al, Parallel systeem voor machinaal leren voor geïntegreerde procesmodelkalibratie en nauwkeurigheidsverbetering in riool-riviersystemen, Milieuwetenschappen en ecotechnologie (2023). DOI:10.1016/j.ese.2023.100320

Aangeboden door TransSpread