一个基准物理知情机器学习的度状态在水分网的水分网
Luca Hermes1, André Artelt1,2, Stelios G Vrachimis2
1Bielefeld University, Inspiration 1, 33615 Bielefeld, NRW Germany.
SN computer science
|June 9, 2025
概括
本研究引入了一套新的基准数据集,用于估计水分网络 (WDNs) 中的含量. 它还介绍了两个神经网络模型,以帮助确保安全的饮用水质量.
科学领域:
- 环境工程 环境工程
- 水处理技术水处理技术
- 计算流体动力学的流体动力学.
背景情况:
- 保持高质量的饮用水对公共卫生至关重要,消毒是水利设施的标准做法.
- 在动态供水网络 (WDN) 中精确监测度对于确保水安全和有效消毒至关重要.
- 由于这些系统的复杂性和动态性质,现有的WDN中估计方法面临挑战.
研究的目的:
- 开发一个全面的基准数据集,用于培训和评估在WDN中的度估计方法.
- 引入和评估用于实时状态估计的新型神经代理模型.
- 为WDN中先进的监测技术提供基线性能评估.
主要方法:
- 创建一个多样化的基准数据集,包括"河内"",Net1"和"CY-DBP"水道网络的18,000个场景.
- 包括多种注射模式,以模拟WDN中的现实物理动态.
- 开发和评估两个神经代理模型:一个物理信息的图形神经网络 (GNN) 和一个物理引导的循环神经网络 (RNN).
主要成果:
- 基准数据集有效地捕捉了各种运行条件和物理动态,这些条件和物理动态与WDN中运输有关.
- 拟议的GNN和RNN模型展示了准确估计状态的有希望的能力.
- 为GNN和RNN建立的基线性能指标为未来在WDN气监测方面的研究提供了基础.
结论:
- 开发的基准是推进用于WDNs度估计方法研究的宝贵资源.
- 以物理为基础的和以物理为指导的神经网络为准确和高效的状态估计提供了可行的方法.
- 这项工作有助于通过改进监测配送系统消毒剂水平的工具来确保更安全的饮用水.
更多相关视频
07:42Detecting the Water-soluble Chloride Distribution of Cement Paste in a High-precision Way
Published on: November 21, 2017
9.6K
05:42Measurement of Ion Concentration in the Unstirred Boundary Layer with Open Patch-Clamp Pipette: Implications in Control of Ion Channels by Fluid Flow
Published on: January 7, 2019
6.3K
相关概念视频
01:30Typical Model Studies
344
Fluid mechanics model studies often utilize scaled-down systems to predict fluid behavior in full-scale environments, such as river flows, dam spillways, and structures interacting with open surfaces. Maintaining Froude number similarity in river models is crucial, as it replicates surface flow features like wave patterns and velocities.
344
01:23Mechanistic Models: Compartment Models in Individual and Population Analysis
32
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
32