Identificación de tasas de descarga de contaminantes variables en el tiempo utilizando un modelo Transformer basado...

Área de la Ciencia:

• Ciencias Ambientales
• Hidrogeología
• Inteligencia Artificial

Sus antecedentes:

• La identificación de fuentes de contaminación de aguas subterráneas (IGCS) es vital para la remediación y la protección de recursos.
• Las Redes Neuronales Recurrentes (RNN) enfrentan limitaciones en precisión y eficiencia debido al procesamiento de datos paso a paso.

Objetivo del estudio:

• Aplicar el modelo Transformer para la identificación directa de las características de las fuentes de contaminación de aguas subterráneas.
• Superar las limitaciones de RNN aprovechando el mecanismo de autoatención del Transformer para el procesamiento paralelo y la captura de dependencias a largo plazo.

Principales métodos:

• Se utilizó el modelo Transformer, una arquitectura de aprendizaje profundo con un mecanismo de autoatención.
• Se realizó un estudio de caso hipotético comparando los métodos Transformer, mapeo inverso MLP, optimización y asimilación de datos.

Principales resultados:

• El modelo Transformer demostró una precisión superior en la identificación de las características de las fuentes de contaminación.
• La asimilación de datos ofreció resultados satisfactorios con un menor costo computacional, adecuada para aplicaciones sensibles al tiempo.
• El método de optimización fue computacionalmente intensivo y menos preciso que otros enfoques.

Conclusiones:

• El modelo Transformer presenta un avance significativo para la IGCS precisa.
• La asimilación de datos es una alternativa viable para escenarios con restricciones de tiempo.
• Los métodos impulsados por IA ofrecen un rendimiento mejorado para la protección de los recursos de aguas subterráneas.