门式图形神经网络用于识别水分系统中的污染源
Zilin Li1, Haixing Liu1, Chi Zhang1
1Department of Hydraulic Engineering, Dalian University of Technology, Dalian, Liaoning, 116024, China.
Journal of environmental management
|December 20, 2023
概括
一个新的封闭图形神经网络 (GGNN) 通过分析水质数据和流动动力学,准确地识别水分网 (WDN) 的污染源. 这种方法提高了公众健康的保护,具有很高的准确性,即使有有限的传感器.
科学领域:
- 环境工程 环境工程
- 水资源管理 水资源管理
- 机器学习应用 机器学习应用
背景情况:
- 在水分网 (WDN) 中的污染事件对公众健康和供水构成重大风险.
- 现有的污染源识别 (CSI) 机器学习 (ML) 方法往往难以在WDN中捕捉复杂的空间动态.
研究的目的:
- 开发和评估一种先进的机器学习方法,用于在WDN中准确和快速识别污染源.
- 将网络拓和流动方向性纳入ML模型,以提高CSI性能.
主要方法:
- 提出了一个封闭图形神经网络 (GGNN) 模型,用于WDN中的CSI.
- 集成的时空空间水质数据与网络流量方向性.
- 在各种污染场景和传感器覆盖水平上评估了GGNN.
主要成果:
- 对于CSI,GGNN实现了高预测准确度,超过了现有方法.
- 整合定向连接显著提高了CSI准确性,突出了网络拓学的重要性.
- 在传感器数据的2小时内,在将污染源缩小到5个潜在点时,获得了92.27%的准确性.
- 对模型和测量不确定性的表现有弹性.
结论:
- GGNN是一种强大而准确的方法,用于在WDN中实时识别污染源.
- 网络拓和流动动力学是增强基于ML的CSI的关键因素.
- 结果为WDN应用程序的传感器采样策略和测量精度提供了实用的见解.
更多相关视频
11:19Preparation and Testing of Impedance-based Fluidic Biochips with RTgill-W1 Cells for Rapid Evaluation of Drinking Water Samples for Toxicity
Published on: March 7, 2016
9.1K
12:50Colorimetric Paper-based Detection of Escherichia coli, Salmonella spp., and Listeria monocytogenes from Large Volumes of Agricultural Water
Published on: June 9, 2014
14.6K
