一个基于物理学的长短期记忆 (LSTM) 模型,用于估计储存期间乳制品便产生的氨排放量
The Science of the total environment
|November 30, 2023
概括
一个新的基于物理学的长短期记忆 (PI-LSTM) 模型准确地估计了奶肥储存中的氨损失. 这种先进的AI方法最大限度地减少了营养损失,提高了肥料价值,减少了对环境的影响.
科学领域:
- 环境科学 环境科学
- 农业工程 农业工程
- 数据科学数据科学数据科学
背景情况:
- 乳制品便管理对于肥料价值,成本降低和环境保护至关重要.
- 从便储存中最大限度地减少氨气挥发是保持和控制污染的关键挑战.
- 准确估计氨排放量对于制定有效的减排策略至关重要.
研究的目的:
- 开发和验证一种新的基于物理学的长短期记忆 (PI-LSTM) 模型,用于估计储存期间从奶肥中流失的氨量.
- 将PI-LSTM模型的性能与传统的基于过程的模型进行比较.
- 评估将物理知识整合到机器学习中的潜力,以改进环境建模.
主要方法:
- 利用了基于物理学的长短期记忆 (PI-LSTM) 方法,将基于过程的建模与反复的神经网络相结合.
- 采用反向建模来优化超参数,以准确估计与氨运输和排放有关的物理化学性质.
- 通过在瑞士和美国印第安纳州进行的两项农场液体奶肥储存研究的开放数据集验证了该模型.
主要成果:
- PI-LSTM 模型实现了 1.51 g m−2 h−1 的根平均平方误差 (RMSE),超过了基于基本隔间过程模型 (3.01 g m−2 h−1) 和超参数调整模型 (2.17 g m−2 h−1).
- PI-LSTM表现出卓越的性能,在春季和夏季,即排放高峰季节,超过其他车型的20-80%.
- 将物理原理纳入机器学习显著提高了模型的概括精度.
结论:
- 与现有的模型相比,PI-LSTM模型提供了一种更准确,更可靠的方法来估计奶肥储存的氨排放量.
- 这种方法为改善环境政策制定和设计有效的农场战略以尽量减少营养损失提供了坚实的科学基础.
- 将物理纳入人工智能模型是一个有前途的方向,可以提高环境管理工具的准确性和适用性.
