从神经网络预测六价度的地下水井特征的时空分析
Alejandro J De La Noval1, Himanshu Upadhyay2, Leonel Lagos3
1Knight Foundation School of Computing and Information Sciences, Florida International University, Miami, USA.
Scientific reports
|December 27, 2024
概括
基于注意力的双阶段LSTM (DA-LSTM) 网络通过降低成本和实验室延误来改善地下水监测. 这种人工智能模型识别了影响六价 (CrVI) 水平的关键井,增强了整治工作.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 水文地质学 水文地质学
背景情况:
- 地下水监测对于整治至关重要,从井中生成数据以满足水质标准.
- 实验室分析的延迟可能会阻碍及时的地下水整治工作.
- 美国能源部的汉福德100-HRD区域在监测六价 (CrVI) 污染方面面临着挑战.
研究的目的:
- 开发用于地下水监测的先进人工智能模型,以降低成本和提高响应能力.
- 为了确定影响六价 (CrVI) 度的关键井.
- 充分分析相互依赖关系及其对整治有效性的影响.
主要方法:
- 训练经常性神经网络,包括卷积神经网络 (CNN),长期短期记忆 (LSTM) 和基于双阶段注意力的LSTM (DA-LSTM).
- 使用来自汉福德100-HRD地区的井数据.
- 在井关系分析中应用夏普利添加式解释 (SHAP) 和DA-LSTM的注意力机制.
主要成果:
- DA-LSTM网络获得了0.82的高R2得分,优于其他模型.
- 确定了特定的井 (例如199-D5-160,199-D4-68) 对CrVI度具有显著的一年影响.
- 确定了其他影响瞬间CrVI变化的井 (例如199-D8-94,199-D4-95).
结论:
- DA-LSTM提供了一种有效的地下水监测和污染评估的强大工具.
- 了解相互依存关系对于有效的六价补救策略至关重要.
- 人工智能驱动的分析可以显著提高环境监测的速度和准确性.
