使用符号机器学习来评估和建模水分网中的物质运输和衰变
Daniele Biagio Laucelli1, Laura Enríquez1, Juan Saldarriaga2
1Polytechnic University of Bari, Via Orabona, 4, Bari, Italy.
象征性机器学习模型可以预测管道网络中的水质. 进化多项式回归精确估计物质度使用旅行时间,简化复杂的液压分析.
科学领域:
- 环境工程 环境工程
- 水资源管理 水资源管理
- 计算流体动力学的流体动力学.
背景情况:
- 饮用水基础设施对公共卫生至关重要,需要进行严格的水质分析.
- 这些网络中的物质运输涉及复杂的吸向-扩散和衰变动力学.
- 传统分析依赖于整合微分方程,这可能是计算密集的.
研究的目的:
- 揭示饮用水管道网络中物质运输的基本机制.
- 开发一种基于数据的方法,使用象征性机器学习来预测水质.
- 为水质分析创建准确和可解释的"合成"模型 (象征公式).
主要方法:
- 利用进化多项式回归 (EPR),一种象征性机器学习技术,以建模物质运输.
- 基于从源节点沿着最短路径的旅行时间计算了物质度.
- 集成的动力反应模型和液压分析用于速度场计算.
主要成果:
- 证明了节点度可以准确地预测使用从源头的旅行时间.
- 象征性机器学习模型揭示了预测残留物质度的通用公式结构.
- 开发的公式准确地替代了水质分析的微分方程的集成.
结论:
- 象征性机器学习为水质分析提供了强大的数据驱动替代传统微分方程集成.
- 旅行时间是饮用水网络中物质度的关键预测因素.
- 发现的公式提供了机械洞察力,并简化了复杂的水质建模.
更多相关视频
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
12:32Combining Fluidic Devices with Microscopy and Flow Cytometry to Study Microbial Transport in Porous Media Across Spatial Scales
Published on: November 25, 2020
相关概念视频
Typical Model Studies
Modeling and Similitude
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Design Example: Creating a Hydraulic Model of a Dam Spillway
Pharmacokinetic Models: Comparison and Selection Criterion
Physiological models take a detailed approach by considering specific molecular processes. They can predict drug distribution, metabolism, and elimination changes, providing a comprehensive understanding of how drugs interact with the body.
Mechanistic Models: Overview of Compartment Models
