Как искусственный интеллект очищает воды городских рек

Исследователи разработали новую систему машинного обучения для повышения точности и эффективности моделей канализационно-речных систем. Этот инновационный подход, подробно описанный в статье в журнале Environmental Science and Ecotechnology, обещает значительно сократить время калибровки параметров и повысить точность моделей в прогнозировании загрязнения городских вод.

Сложность интеграции канализационных систем и городских рек в комплексную модель долгое время создавала проблемы из-за высоких вычислительных затрат и ограниченных данных мониторинга. Традиционные методы калибровки не могут эффективно решить эти задачи.

В основе этого прорывного исследования лежит сочетание двух передовых технологий: оптимизации муравьиной колонии (ACO) и долгой краткосрочной памяти (LSTM), интегрированных в систему параллельного машинного обучения (MLPS). ACO, вдохновлённая поведением муравьёв при поиске пищи, используется для навигации в сложном пространстве параметров водных моделей. Сети LSTM, являющиеся типом рекуррентных нейронных сетей, идеально подходят для анализа временной динамики загрязняющих веществ.

Объединив эти технологии, исследователи создали MLPS, способную выполнять быструю и точную калибровку моделей. Этот новый подход превосходит по эффективности и точности традиционные, часто громоздкие методы. В частности, MLPS радикально сокращает время калибровки с потенциально нескольких месяцев до всего нескольких дней, без ущерба для точности прогнозов уровня загрязнения.

Ведущий автор исследования доктор Юй Тянь отмечает: «Интеграция алгоритмов оптимизации муравьиной колонии и долгой краткосрочной памяти в нашу систему параллельного машинного обучения представляет собой значительный скачок вперёд в управлении окружающей средой. Это позволяет проводить быструю и точную калибровку моделей при ограниченных данных, открывая новые возможности для планирования городских водных систем и контроля загрязнения».

MLPS предлагает надёжное решение для точного моделирования качества городских вод, что крайне важно для эффективного экологического менеджмента. Его способность быстро адаптироваться к новым данным и сценариям делает его ценным инструментом для градостроителей и экологов, способствуя разработке целевых стратегий контроля загрязнения и устойчивых практик управления водными ресурсами.