统一的人工智能框架用于模拟环境化学中的污染动态和可持续修复

科学领域:

• 环境科学 环境科学
• 人工智能的人工智能
• 计算化学的计算化学

背景情况:

• 由于非线性相互作用和化学变异性,环境污染带来了复杂的挑战.
• 传统模型难以准确地捕捉这些复杂的环境动态.
• 开发先进的计算框架对于有效的污染管理至关重要.

研究的目的:

• 为环境污染建模引入统一的人工智能 (AI) 框架.
• 模拟污染物运输,生成气候场景,并优化补救策略.
• 提高环境污染预测的准确性和可解释性.

主要方法:

• 图形神经网络 (GNN),生成对抗网络 (GAN),强化学习 (RL),绿色化学优化和物理信息神经网络 (PINN) 的集成.
• 嵌入了达西定律和混合人工智能物理模型用于污染物运输模拟.
• 使用从PFAS污染研究中校准的合成环境场景进行验证.

主要成果:

• 混合人工智能物理模型实现了89%的预测准确度,超过了传统的 (65%),纯人工智能 (78%) 和仅物理 (72%) 模型.
• GNNs捕获了复杂的时空模式 (R2>0.89),RL提高了处理效率,从62.3%提高到89.7%.
• PINNs显著减少了物理损失,绿色化学建模确定了高效,低毒性的溶剂.

结论:

• 开发的AI框架为环境污染建模提供了一种强大,准确和可解释的方法.
• 它在模拟污染物运输和优化整治策略方面取得了显著的改进.
• 该框架显示了计算可扩展性和及时部署的潜力,取决于现场验证.