Apprendimento automatico online per la previsione del flusso d’ingresso delle acque reflue di flusso incondizionato durante le emergenze senza precedenti

Utilizzo del machine learning online per prevedere il flusso d'ingresso delle acque reflue non condizionate durante emergenze senza precedenti

Prevedere accuratamente il flusso entrante è necessario per gli operatori e i manager delle strutture di trattamento delle acque reflue. In termini semplici, il flusso di influente è l’acqua non trattata che entra in una struttura di trattamento. Questa previsione è strettamente legata alle caratteristiche delle acque reflue, come la domanda biochimica di ossigeno (BOD), i solidi sospesi totali (TSS) e il pH.

Ricerche precedenti hanno dimostrato che i modelli basati sui dati prevendono efficacemente i flussi influenti. Tuttavia, molti di questi studi si sono concentrati sull’apprendimento batch, dove i dati vengono raccolti nel tempo e il modello di apprendimento automatico viene addestrato a lotti. Questo approccio è buono, ma necessita di revisioni, soprattutto nell’era del COVID-19, quando i modelli influenti hanno subito cambiamenti significativi.

Nell’apprendimento automatico, l’apprendimento batch comporta il processamento dei dati in discrete porzioni nel tempo. Al contrario, l’apprendimento online comporta l’addestramento continuo del modello man mano che arrivano nuovi dati. Durante il COVID-19, i limiti degli approcci di apprendimento batch sono diventati più evidenti a causa dei cambiamenti nelle relazioni input-output causati dai lockdown del COVID-19. In risposta, il team ha indirizzato il proprio focus verso l’esplorazione di modelli di apprendimento online per valutarne il potenziale nel superare questi limiti.

• Rivoluzionare l’elaborazione dei dati con ‘Smart Fill’ la soluzione basata sull’intelligenza artificiale di Google Sheets
• Incontra GPT-4V-Act un Assistente AI Multimodale che Combina Armoniosamente GPT-4V(ision) con un Browser Web
• Adept AI apre le sorgenti di Fuyu-8B una architettura multimodale per agenti di intelligenza artificiale

Pengxiao Zhou, un ingegnere civile presso l’Università di McMaster, ha spiegato che hanno utilizzato innovative tecniche di apprendimento automatico per migliorare la capacità di prevedere i flussi influenti delle acque reflue, specialmente nel contesto unico della situazione di lockdown del COVID-19.

I ricercatori hanno confrontato le prestazioni dei modelli di apprendimento batch convenzionali, tra cui Random Forest, K-Nearest Neighbors e Multi-Layer Perceptron, con i rispettivi modelli di apprendimento online – Adaptive Random Forest, Adaptive K-Nearest Neighbors e Adaptive Multi-Layer Perceptron – nella previsione dei flussi influenti presso due impianti di trattamento delle acque reflue in Canada.

I modelli di apprendimento online hanno costantemente superato i modelli di apprendimento batch convenzionali in diverse situazioni, mostrando i valori di R2 più alti, l’errore percentuale medio più basso (MAPE) e l’errore quadratico medio (RMSE) più basso. In tutti i casi, i valori di R2 per il set di dati di test, prevedendo i flussi influenti con 24 ore di anticipo, sono stati notevoli.

I ricercatori hanno scoperto che questi modelli di apprendimento online forniscono efficacemente previsioni affidabili in presenza di pattern di dati dinamici. Mostrano efficacia nel gestire flussi continui e consistenti di dati influenti.

Il team ha sviluppato i loro modelli sfruttando tre o quattro anni di dati sugli orari dei flussi influenti e dati meteorologici ottenuti da due impianti di trattamento delle acque reflue in Canada. Hanno condotto un’analisi comparativa mettendo a confronto i modelli di apprendimento online con i rispettivi modelli di apprendimento batch convenzionali per prevedere i flussi influenti in questi due impianti.

Pengxiao Zhou ha osservato che i nuovi modelli di apprendimento online potrebbero fornire un supporto decisionale più robusto per gli operatori o i manager delle acque reflue per affrontare i cambiamenti nei pattern influenti dovuti a emergenze come il COVID-19.

Per convalidare ulteriormente l’efficacia dei modelli sviluppati, i futuri sforzi del team coinvolgeranno la conduzione di ulteriori studi di caso e l’esplorazione di un’ampia gamma di scenari di previsione.