Un nuevo sistema de aprendizaje automático diseñado para refinar modelos de sistemas de alcantarillado-río promete mejorar la precisión y la eficiencia, según un nuevo artículo en TranSpread. Este método innovador, perfilado en una publicación en la revista Environmental Science and Ecotechnology, ofrece la posibilidad de acortar drásticamente los tiempos de calibración de parámetros, a la vez que se mejora la precisión de las predicciones sobre la contaminación del agua en entornos urbanos.
La integración de sistemas de alcantarillado y ríos urbanos en un único modelo se ha visto obstaculizada durante mucho tiempo por complejidades computacionales y escasa información de seguimiento. Las técnicas de calibración convencionales han tenido dificultades para abordar adecuadamente estos desafíos.
Central en esta investigación pionera es la fusión de dos técnicas de vanguardia: el algoritmo de optimización de colonia de hormigas (ACO) y las redes de memoria a corto-largo plazo (LSTM), combinadas en un sistema paralelo de aprendizaje automático (MLPS).
Al combinar estas técnicas, los investigadores han ideado un MLPS capaz de calibrar rápidamente y con precisión modelos de alcantarillado-río
El ACO se inspira en el comportamiento de las hormigas para navegar eficientemente por los parámetros de modelos de agua. Mientras tanto, las redes LSTM, una variante de redes neuronales recurrentes, permiten discernir patrones en datos secuenciales, lo que las hace idóneas para capturar las dinámicas temporales de los contaminantes en sistemas de alcantarillado-río.
Al combinar estas técnicas, los investigadores han ideado un MLPS capaz de calibrar rápidamente y con precisión modelos de alcantarillado-río. A diferencia de los métodos tradicionales, a menudo engorrosos y que requieren mucho tiempo, este nuevo enfoque reduce drásticamente la duración de calibración de meses a días, todo sin comprometer la precisión predictiva del modelo respecto a los niveles de contaminación.
Environmental Science and Ecotechnology (2023). DOI: 10.1016/j.ese.2023.100320
El Dr. Yu Tian, autor principal del estudio, enfatiza: "La integración de los algoritmos de optimización de colonias de hormigas y de memoria a corto-largo plazo en nuestro sistema paralelo de aprendizaje automático representa un avance significativo en la gestión ambiental. Permite una calibración de modelos rápida y precisa con datos limitados, abriendo nuevas vías para la planificación de sistemas de agua urbana y el control de la contaminación".
El MLPS ofrece una solución robusta para simular con precisión la calidad del agua urbana, imprescindible para una gestión ambiental eficaz. Su capacidad para adaptarse rápidamente a datos y escenarios cambiantes lo hace indispensable para la planificación urbana y los estudios ambientales, facilitando la formulación de estrategias dirigidas a eliminar la contaminación y de prácticas sostenibles de gestión del agua.
Lee el contenido original en Smart Water Magazine.
