Como a IA está limpando as águas dos rios urbanos

Crédito:Ciência Ambiental e Ecotecnologia (2023). DOI:10.1016/j.ese.2023.100320

Os pesquisadores desenvolveram um novo sistema de aprendizado de máquina para melhorar a precisão e a eficiência dos modelos de sistemas fluviais de esgoto. Esta abordagem inovadora, detalhada num artigo publicado em Ciência Ambiental e Ecotecnologia , promete reduzir significativamente o tempo de calibração dos parâmetros e aumentar a precisão do modelo na previsão da poluição da água urbana.

A complexidade da integração de sistemas de esgotos e rios urbanos num modelo abrangente há muito que coloca desafios devido às extensas exigências computacionais e aos dados de monitorização limitados. Os métodos tradicionais de calibração não conseguem enfrentar esses desafios de forma eficaz.

No centro desta pesquisa inovadora está a combinação engenhosa de duas tecnologias avançadas:redes de otimização de colônias de formigas (ACO) e memória de longo prazo (LSTM), integradas em um sistema paralelo de aprendizado de máquina (MLPS).

O ACO é inspirado no comportamento de forrageamento das formigas para encontrar os caminhos mais eficientes, aplicado aqui para navegar pelo complexo espaço de parâmetros dos modelos de água. Enquanto isso, as redes LSTM, um tipo de rede neural recorrente, se destacam no reconhecimento de padrões em dados sequenciais, tornando-as ideais para a compreensão da dinâmica temporal de poluentes em sistemas fluviais de esgoto.

Ao casar essas tecnologias, os pesquisadores criaram um MLPS capaz de realizar calibrações rápidas e precisas de modelos de esgoto-rio. Os métodos tradicionais, muitas vezes complicados e demorados, não conseguem igualar a eficiência ou a precisão desta nova abordagem. Especificamente, o MLPS reduz drasticamente os tempos de calibração, de potencialmente meses para apenas alguns dias, sem sacrificar a capacidade do modelo de prever com precisão os níveis de poluição.

Yu Tian, principal autor do estudo, afirma:"A integração dos algoritmos Ant Colony Optimization e Long Short-Term Memory em nosso sistema paralelo de aprendizado de máquina representa um salto significativo na gestão ambiental. Ele permite uma calibração rápida e precisa do modelo com dados limitados, abrindo novos caminhos para o planejamento do sistema de água urbano e controle da poluição."

O MLPS oferece uma solução robusta para a simulação precisa da qualidade da água urbana, essencial para uma gestão ambiental eficaz. A sua capacidade de adaptação rápida a novos dados e cenários torna-o numa ferramenta valiosa para planeadores urbanos e cientistas ambientais, facilitando o desenvolvimento de estratégias específicas de controlo da poluição e de práticas sustentáveis de gestão da água.

Mais informações: Yundong Li et al, Sistema paralelo de aprendizado de máquina para calibração integrada de modelo de processo e aprimoramento de precisão em sistema de esgoto-rio, Ciência Ambiental e Ecotecnologia (2023). DOI:10.1016/j.ese.2023.100320
Fornecido por TranSpread

Mapa criado que mostra 11 condados da Califórnia com maior risco de incêndios florestais

Avanços e desafios na compreensão dos extremos climáticos e climáticos compostos

Natureza