I ricercatori hanno sviluppato un nuovo sistema di apprendimento automatico per migliorare la precisione e l’efficienza dei modelli del sistema fognario-fiume. Questo approccio innovativo, dettagliato in un articolo pubblicato su Environmental Science and Ecotechnology , promette di ridurre significativamente i tempi di calibrazione dei parametri e di migliorare la precisione del modello nella previsione dell'inquinamento idrico urbano.
La complessità dell’integrazione dei sistemi fognari e dei fiumi urbani in un modello completo ha posto a lungo sfide a causa delle estese richieste computazionali e dei dati di monitoraggio limitati. I metodi di calibrazione tradizionali non riescono ad affrontare queste sfide in modo efficace.
Al centro di questa ricerca rivoluzionaria c'è l'ingegnosa combinazione di due tecnologie avanzate:le reti Ant Colony Optimization (ACO) e Long Short-Term Memory (LSTM), integrate in un sistema parallelo di apprendimento automatico (MLPS).
ACO si ispira al comportamento delle formiche in cerca di cibo per trovare i percorsi più efficienti, applicati qui per navigare attraverso il complesso spazio dei parametri dei modelli idrici. Nel frattempo, le reti LSTM, un tipo di rete neurale ricorrente, eccellono nel riconoscere modelli nei dati sequenziali, rendendole ideali per comprendere le dinamiche temporali degli inquinanti nei sistemi fognari-fluviali.
Unendo queste tecnologie, i ricercatori hanno creato un MLPS in grado di eseguire calibrazioni rapide e precise di modelli fognature-fiumi. I metodi tradizionali, spesso macchinosi e dispendiosi in termini di tempo, non possono eguagliare l'efficienza o la precisione di questo nuovo approccio. Nello specifico, l'MLPS riduce drasticamente i tempi di calibrazione da potenzialmente mesi a pochi giorni, senza sacrificare la capacità del modello di prevedere con precisione i livelli di inquinamento.
Il dottor Yu Tian, autore principale dello studio, afferma:"L'integrazione degli algoritmi di ottimizzazione delle colonie di formiche e di memoria a breve termine nel nostro sistema parallelo di apprendimento automatico rappresenta un significativo passo avanti nella gestione ambientale. Consente una calibrazione rapida e accurata del modello con dati limitati, aprendo nuove strade per la pianificazione del sistema idrico urbano e il controllo dell'inquinamento."
MLPS offre una soluzione robusta per la simulazione accurata della qualità dell'acqua urbana, essenziale per un'efficace gestione ambientale. La sua capacità di adattarsi rapidamente a nuovi dati e scenari lo rende uno strumento prezioso per pianificatori urbani e scienziati ambientali, facilitando lo sviluppo di strategie mirate di controllo dell'inquinamento e pratiche sostenibili di gestione dell'acqua.
Ulteriori informazioni: Yundong Li et al, Sistema parallelo di apprendimento automatico per la calibrazione integrata del modello di processo e il miglioramento della precisione nel sistema fognario-fluviale, Scienze ambientali ed ecotecnologia (2023). DOI:10.1016/j.ese.2023.100320
Fornito da TranSpread
