Los investigadores han desarrollado un nuevo sistema de aprendizaje automático para mejorar la precisión y eficiencia de los modelos de sistemas de alcantarillado-río.
por TranSpread
Este enfoque innovador, detallado en un artículo publicado en Environmental Science and Ecotechnology , promete reducir significativamente el tiempo de calibración de parámetros y mejorar la precisión del modelo en la predicción de la contaminación del agua urbana.
La complejidad de integrar sistemas de alcantarillado y ríos urbanos en un modelo integral ha planteado desafíos durante mucho tiempo debido a las extensas demandas computacionales y los datos de monitoreo limitados. Los métodos de calibración tradicionales no logran abordar estos desafíos de manera efectiva.
En el centro de esta innovadora investigación se encuentra la ingeniosa combinación de dos tecnologías avanzadas: redes Ant Colony Optimization (ACO) y Long Short-Term Memory (LSTM), integradas en un sistema paralelo de aprendizaje automático (MLPS).
ACO se inspira en el comportamiento de búsqueda de alimento de las hormigas para encontrar los caminos más eficientes, aplicado aquí para navegar a través del complejo espacio de parámetros de los modelos de agua. Mientras tanto, las redes LSTM, un tipo de red neuronal recurrente, destacan en el reconocimiento de patrones en datos secuenciales, lo que las hace ideales para comprender la dinámica temporal de los contaminantes en los sistemas de alcantarillado y ríos.
Al combinar estas tecnologías, los investigadores han creado un MLPS capaz de realizar calibraciones rápidas y precisas de modelos de ríos y alcantarillados. Los métodos tradicionales, a menudo engorrosos y lentos, no pueden igualar la eficiencia o la precisión de este nuevo enfoque. Específicamente, el MLPS reduce drásticamente los tiempos de calibración de potencialmente meses a solo unos pocos días, sin sacrificar la capacidad del modelo para predecir los niveles de contaminación con precisión.
El Dr. Yu Tian, autor principal del estudio, afirma: «La integración de los algoritmos de optimización de colonias de hormigas y memoria a corto plazo en nuestro sistema paralelo de aprendizaje automático representa un avance significativo en la gestión ambiental . Permite una calibración del modelo rápida y precisa con datos limitados, abriendo nuevas vías para la planificación de sistemas de agua urbanos y el control de la contaminación».
MLPS ofrece una solución sólida para la simulación precisa de la calidad del agua urbana, esencial para una gestión ambiental eficaz. Su capacidad para adaptarse rápidamente a nuevos datos y escenarios lo convierte en una herramienta valiosa para los planificadores urbanos y científicos ambientales, ya que facilita el desarrollo de estrategias específicas de control de la contaminación y prácticas de gestión sostenible del agua.
Más información: Yundong Li et al, Sistema paralelo de aprendizaje automático para la calibración integrada de modelos de procesos y mejora de la precisión en sistemas de alcantarillado y ríos, Ciencias Ambientales y Ecotecnología (2023). DOI: 10.1016/j.ese.2023.100320
