Forscher haben ein neues maschinelles Lernsystem entwickelt, um die Genauigkeit und Effizienz von Abwassersystemmodellen zu verbessern. Dieser innovative Ansatz, detailliert in einem Artikel veröffentlicht in Umweltwissenschaften und Ökotechnologieverspricht, die Zeit für die Parameterkalibrierung erheblich zu verkürzen und die Modellgenauigkeit bei der Vorhersage der städtischen Wasserverschmutzung zu verbessern.
Die Komplexität der Integration von Abwassersystemen und städtischen Flüssen in ein umfassendes Modell stellt aufgrund des hohen Rechenaufwands und der begrenzten Überwachungsdaten seit langem eine Herausforderung dar. Herkömmliche Kalibrierungsmethoden können diese Herausforderungen nicht effektiv bewältigen.
Im Mittelpunkt dieser bahnbrechenden Forschung steht die geniale Kombination zweier fortschrittlicher Technologien: Ant Colony Optimization (ACO) und Long Short-Term Memory (LSTM)-Netzwerke, integriert in ein Machine Learning Parallel System (MLPS).
ACO lässt sich vom Futtersuchverhalten von Ameisen inspirieren, um die effizientesten Wege zu finden, und wird hier zur Navigation durch den komplexen Parameterraum von Wassermodellen angewendet. Mittlerweile zeichnen sich LSTM-Netzwerke, eine Art wiederkehrendes neuronales Netzwerk, durch die Erkennung von Mustern in sequentiellen Daten aus und eignen sich daher ideal für das Verständnis der zeitlichen Dynamik von Schadstoffen in Kanalisations- und Flusssystemen.
Durch die Verbindung dieser Technologien haben die Forscher ein MLPS entwickelt, das in der Lage ist, schnelle und präzise Kalibrierungen von Kanalisations-Flussmodellen durchzuführen. Herkömmliche Methoden, die oft umständlich und zeitaufwändig sind, können nicht mit der Effizienz oder Genauigkeit dieses neuen Ansatzes mithalten. Insbesondere reduziert das MLPS die Kalibrierungszeit drastisch von möglicherweise Monaten auf nur wenige Tage, ohne dass die Fähigkeit des Modells zur genauen Vorhersage des Verschmutzungsgrads beeinträchtigt wird.
Dr. Yu Tian, Hauptautor der Studie, erklärt: „Die Integration von Ameisenkolonie-Optimierungs- und Langzeit-Kurzzeitgedächtnis-Algorithmen in unser paralleles maschinelles Lernsystem stellt einen bedeutenden Fortschritt im Umweltmanagement dar. Sie ermöglicht eine schnelle und genaue Modellkalibrierung.“ mit begrenzten Daten, die neue Wege für die Planung städtischer Wassersysteme und die Kontrolle der Umweltverschmutzung eröffnen.“
MLPS bietet eine robuste Lösung für die genaue Simulation der städtischen Wasserqualität, die für ein effektives Umweltmanagement unerlässlich ist. Seine Fähigkeit, sich schnell an neue Daten und Szenarien anzupassen, macht es zu einem wertvollen Werkzeug für Stadtplaner und Umweltwissenschaftler und erleichtert die Entwicklung gezielter Strategien zur Verschmutzungskontrolle und nachhaltiger Wassermanagementpraktiken.
Mehr Informationen:
Yundong Li et al., Parallelsystem für maschinelles Lernen zur integrierten Prozessmodellkalibrierung und Genauigkeitsverbesserung in Abwassersystemen, Umweltwissenschaften und Ökotechnologie (2023). DOI: 10.1016/j.ese.2023.100320