Les chercheurs ont développé un nouveau système d’apprentissage automatique pour améliorer la précision et l’efficacité des modèles de systèmes égouts-rivières. Cette approche innovante, détaillée dans un article publié dans Environmental Science and Ecotechnology , promet de réduire considérablement le temps d'étalonnage des paramètres et d'améliorer la précision du modèle dans la prévision de la pollution des eaux urbaines.
La complexité de l'intégration des réseaux d'égouts et des rivières urbaines dans un modèle complet pose depuis longtemps des défis en raison des exigences informatiques étendues et des données de surveillance limitées. Les méthodes d'étalonnage traditionnelles ne parviennent pas à relever efficacement ces défis.
Au cœur de cette recherche révolutionnaire se trouve l'ingénieuse combinaison de deux technologies avancées :les réseaux d'optimisation des colonies de fourmis (ACO) et de mémoire à long terme et à court terme (LSTM), intégrés dans un système d'apprentissage automatique parallèle (MLPS).
ACO s'inspire du comportement de recherche de nourriture des fourmis pour trouver les chemins les plus efficaces, appliqués ici pour naviguer dans l'espace paramétrique complexe des modèles d'eau. Parallèlement, les réseaux LSTM, un type de réseau neuronal récurrent, excellent dans la reconnaissance de modèles dans les données séquentielles, ce qui les rend idéaux pour comprendre la dynamique temporelle des polluants dans les systèmes égouts-rivières.
En associant ces technologies, les chercheurs ont conçu un MLPS capable d'effectuer des étalonnages rapides et précis des modèles égouts-rivières. Les méthodes traditionnelles, souvent lourdes et longues, ne peuvent rivaliser avec l'efficacité ou la précision de cette nouvelle approche. Plus précisément, le MLPS réduit considérablement les délais d'étalonnage de quelques mois à quelques jours seulement, sans sacrifier la capacité du modèle à prédire avec précision les niveaux de pollution.
Le Dr Yu Tian, auteur principal de l'étude, déclare :« L'intégration des algorithmes d'optimisation des colonies de fourmis et de mémoire à long terme à long terme dans notre système parallèle d'apprentissage automatique représente un pas en avant significatif dans la gestion environnementale. Elle permet un calibrage rapide et précis du modèle. avec des données limitées, ouvrant de nouvelles voies pour la planification des systèmes d'eau urbains et le contrôle de la pollution."
MLPS offre une solution robuste pour la simulation précise de la qualité de l’eau urbaine, essentielle pour une gestion environnementale efficace. Sa capacité à s'adapter rapidement à de nouvelles données et scénarios en fait un outil précieux pour les urbanistes et les scientifiques de l'environnement, facilitant le développement de stratégies ciblées de contrôle de la pollution et de pratiques de gestion durable de l'eau.
Plus d'informations : Yundong Li et al, Système parallèle d'apprentissage automatique pour l'étalonnage intégré des modèles de processus et l'amélioration de la précision dans les systèmes d'égouts et de rivières, Sciences environnementales et écotechnologie (2023). DOI :10.1016/j.ese.2023.100320
Fourni par TranSpread
