都市下水道網のモデル予測制御における勾配ベース最適化を可能にする微分可能なニューラルネットワークベースのモデル

科学分野:

• 環境工学
• 水資源管理
• 土木工学における人工知能

背景:

• 都市下水道網は、水力容量の制限により、オーバーフローや洪水の課題に直面しています。
• モデル予測制御（MPC）は最適化の可能性を提供しますが、計算集約的です。
• 現在のMPC方法は物理ベースモデルに依存しており、リアルタイムアプリケーションを妨げています。

研究 の 目的:

• 都市下水道網のための効率的なモデル予測制御（MPC）フレームワークを開発すること。
• 水力容量管理のためのオンライン最適化プロセスを加速すること。
• 流域スケールの下水道システムにおけるリアルタイムMPCアプリケーションを可能にすること。

主な方法:

• 2次準ニュートン法を用いた勾配ベースオプティマイザを利用する新しいMPCフレームワークを実装しました。
• 効率的なシステム評価のために、微分可能なニューラルネットワークベースの内部モデル（ブラックボックスおよび時空間）を採用しました。
• ニューラルネットワークと物理ベースモデルの両方を使用して、ベンチマーク遺伝的アルゴリズムと比較してパフォーマンスを比較しました。

主要な成果:

• 提案された勾配ベースMPCフレームワークは、ベンチマーク遺伝的アルゴリズムよりも100〜1000倍高速な最適化速度を達成しました。
• 特に時空間ニューラルネットワークモデルでは、オーバーフロー緩和において同等またはそれ以上の制御性能が観察されました。
• 大規模な都市下水道網におけるリアルタイムMPC実装の実現可能性を示しました。

結論:

• 開発されたMPCフレームワークは、都市下水道網の最適化における計算効率を大幅に向上させます。
• 微分可能なニューラルネットワークと勾配ベースの最適化を統合することで、リアルタイム制御機能が可能になります。
• このアプローチは、都市の洪水被害を軽減し、水力容量の利用を改善するための実用的なソリューションを提供します。