基于物理的机器学习来建模室内空气质量及其对学生健康和绩效的影响

科学领域:

• 环境科学 环境科学
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 室内空气质量 (IAQ) 在医疗保健设施和实验室等关键环境中显著影响健康和学术表现.
• 现有的IAQ评估方法往往缺乏实验,统计和先进建模技术的全面整合.

研究的目的:

• 开发和验证一个混合框架来评估IAQ及其对学生健康和学业成绩的影响.
• 确定关键的室内空气污染物和环境因素,影响医疗保健和实验室环境中的IAQ.
• 为了比较用于IAQ评估的不同机器学习模型的预测准确度.

主要方法:

• 一个新的混合框架,整合实验测试,统计分析,基于物理的建模和可解释的机器学习 (ML).
• 使用斯皮尔曼,肯德尔和SHAP值进行比较特征重要性分析.
• 开发和评估基于物理学的神经网络 (PINNs) 和XGBoost (PDE-XGBoost) 和随机森林 (PDE-RF) 模型.

主要成果:

• 颗粒物 (PM10) 被确定为影响IAQ的最关键的污染物,位置,噪音和热因素起到次要作用.
• 经验数据显示了显著的IAQ变化,包括高PM2.5,TVOC和CO2水平超过了特定实验室和医疗中心的推值,表明通风缺陷.
• 与PDE-RF (R2:0.976) 相比,PDE-XGBoost模型在IAQ参数方面显示出更高的预测准确度 (R2:0.989).
• 部分依赖图和SHAP分析强调了TVOC和噪声对PM2.5的主要线性影响,温度的非线性影响以及PM10的直接生理影响.

结论:

• 混合框架有效评估IAQ及其影响因素,为环境改善提供可操作的见解.
• 针对PM10的有针对性的缓解,挥发性有机化合物 (VOC) 的控制以及空间和通风策略的优化对于改善室内环境至关重要.
• 可解释的ML模型为理解复杂的IAQ动态和为公共卫生干预提供信息提供了强大的工具.