机器学习用于高精度模拟下水道中溶解的有机物质:通过生成对抗网络克服数据限制
Feng Hou1, Shuai Liu2, Wan-Xin Yin3
1Xinkai Water Environment Investment Co., Lt, Beijing 101100, China.
The Science of the total environment
|July 7, 2024
概括
这项研究引入了一种新的GAN-ML框架,用于改进下水道中溶解有机物 (DOM) 转化模拟,克服数据限制. 该方法提高了模型的准确性,识别了溶解的氧和pH值作为下水道管理的关键因素.
科学领域:
- 环境科学 环境科学
- 废水工程 废水工程
- 机器学习应用 机器学习应用
背景情况:
- 了解下水道中的溶解有机物 (DOM) 转化对于材料和能量流分析至关重要.
- 机器学习 (ML) 模型为模拟DOM转换提供了一种可行的方法,但由于数据稀缺而受到阻碍.
- 由于下水道环境的数据集有限,现有的模型面临准确性限制.
研究的目的:
- 开发一个新的框架,集成生成对抗网络 (GAN) 和机器学习 (ML) 模型 (GAN-ML),以解决DOM转换模拟中的数据限制.
- 为了提高下水道系统内DOM转换过程的模拟精度.
- 确定影响DOM转型的关键因素,以改进下水道管理策略.
主要方法:
- 开发一个集成的GAN-ML框架,以生成用于训练ML模型的虚拟数据集.
- 作为评估模型性能的主要输出变量,使用了谦虚指数 (HIX).
- 在各种ML模型上测试了框架的有效性,包括回归,深度学习和整体模型.
主要成果:
- 由GAN生成的虚拟数据集显著提高了不同ML模型类型的模拟性能.
- 在1000个虚拟样本上训练的自适应增强组合模型,实现了HIX的最高预测准确性 (R2 = 0.5389,RMSE = 0.0273).
- 解释性分析强调了溶解氧 (DO) 和pH作为影响DOM转换的关键因素.
结论:
- 拟议的GAN-ML框架提供了一个强大的方法,用于在数据有限的条件下高精度模拟DOM转换.
- 这些发现为推进下水道管理战略提供了一条途径,通过关注关键的环境因素,如DO和pH.
- 这一综合框架增强了对下水道材料循环和能量流的全面理解.
