高分辨率数据可视化和机器学习预测绿色建筑水系统中的自由残留量
1School of Sustainable Engineering and the Built Environment, Arizona State University, Tempe, AZ 85281, United States.
Water research X
|August 27, 2024
概括
机器学习模型预测建筑物中的自由残留量,有助于主动水质管理. 这种方法克服了传统的水资源管理计划面临的挑战,以保护公共健康.
科学领域:
- 环境科学 环境科学
- 建筑科学 建筑科学
- 公共卫生 公共卫生
背景情况:
- 室内环境含有污染物,因此需要强有力的水资源管理计划.
- 由于培训需求和建筑变化,当前的水资源管理计划面临采用障碍.
- 机器学习和人工智能为数据驱动,广泛的水质管理提供了一条道路.
研究的目的:
- 评估随机森林和长期短期记忆 (LSTM) 机器学习模型的有效性.
- 预测商业建筑水系统中的自由残留量,这是一个关键的公共卫生参数.
- 用传感器数据和人工智能评估主动水质管理的潜力.
主要方法:
- 收集的建筑水质传感器数据 (ORP,pH,导电率,温度) 和WiFi信号.
- 利用随机森林和LSTM机器学习模型进行预测分析.
- 经过验证的模型预测与已确定的公共卫生参考水平对自由残留的模型预测.
主要成果:
- 模型准确预测自由的残留量下降到0.2 ppm以下.
- 预测可以提前5分钟有效,并且可以在24小时内相当准确.
- 展示了传感器数据和人工智能的实用性,用于预测水质变化.
结论:
- 机器学习模型可以通过启用主动干预来增强建筑水资源管理.
- 人工智能驱动的洞察力为实时水质控制提供了一个感知-分析-决定框架.
- 开发的方法支持在建筑环境中改善公共卫生保护.
