Aprendizaje automático en línea para la predicción de la tasa de flujo de influente de aguas residuales en tiempo real ante emergencias sin precedentes

Aprendizaje automático en línea para predecir en tiempo real la tasa de flujo del influente de aguas residuales en situaciones de emergencia sin precedentes

Pronosticar con precisión la tasa de flujo entrante es necesario para los operadores y administradores de plantas de tratamiento de aguas residuales. En términos simples, el flujo de influente es el agua no tratada que ingresa a una planta de tratamiento. Esta predicción está estrechamente relacionada con las características de las aguas residuales, como la demanda bioquímica de oxígeno (DBO), los sólidos suspendidos totales (SST) y el pH.

Investigaciones anteriores demostraron que los modelos impulsados por datos predecían de manera efectiva las tasas de flujo de influente. Sin embargo, muchos de estos estudios se centraron en el aprendizaje por lotes, donde los datos se recopilan con el tiempo y el modelo de aprendizaje automático se entrena en lotes. Este enfoque es bueno, pero necesita ser revisado, especialmente en la era COVID-19, cuando los patrones influyentes experimentaron cambios significativos.

En el aprendizaje automático, el aprendizaje por lotes implica procesar datos en fragmentos discretos a lo largo del tiempo. Por el contrario, el aprendizaje en línea implica entrenar continuamente el modelo a medida que se disponga de nuevos datos. Durante COVID-19, las limitaciones de los enfoques de aprendizaje por lotes se hicieron más evidentes debido a los cambios en las relaciones de entrada y salida causados por los cierres de COVID-19. En respuesta, el equipo redirigió su enfoque hacia la exploración de modelos de aprendizaje en línea para determinar su potencial para superar estas limitaciones.

• Revolucionando la segmentación de objetos en videos Descubriendo a Cutie con técnicas avanzadas de lectura de memoria a nivel de objetos
• Una revisión exhaustiva de los modelos de difusión de video en el Contenido Generado por Inteligencia Artificial (CGIA)
• Potencia tus soluciones de marketing con Amazon Personalize y la inteligencia artificial generativa

Pengxiao Zhou, un ingeniero civil de la Universidad McMaster, explicó que utilizaron técnicas innovadoras de aprendizaje automático para mejorar la capacidad de predecir las tasas de flujo de influente de las aguas residuales, especialmente en el contexto único de la situación de bloqueo de COVID-19.

Los investigadores compararon el rendimiento de modelos convencionales de aprendizaje por lotes, como Random Forest, K-Nearest Neighbors y Multi-Layer Perceptron, con sus contrapartes de aprendizaje en línea respectivas: Adaptive Random Forest, Adaptive K-Nearest Neighbors y Adaptive Multi-Layer Perceptron, en la predicción de tasas de flujo de influente en dos plantas de tratamiento de aguas residuales en Canadá.

Los modelos de aprendizaje en línea superaron constantemente a los modelos convencionales de aprendizaje por lotes en varios escenarios, mostrando los valores de R2 más altos, el error porcentual medio absoluto (MAPE) más bajo y el error cuadrático medio (RMSE) más bajo. En todos los casos, los valores de R2 para el conjunto de datos de prueba, prediciendo las tasas de flujo de influente con 24 horas de anticipación, fueron destacados.

Los investigadores encontraron que estos modelos de aprendizaje en línea proporcionaban de manera efectiva predicciones confiables en medio de patrones de datos dinámicos. Muestran eficiencia en el manejo de flujos continuos y sustanciales de datos de influente.

El equipo creó sus modelos aprovechando tres a cuatro años de datos de tasas de flujo de influente por hora y datos meteorológicos obtenidos de dos plantas de tratamiento de aguas residuales de Canadá. Realizaron un análisis comparativo al enfrentar los modelos de aprendizaje en línea con sus respectivos modelos convencionales de aprendizaje por lotes para pronosticar las tasas de flujo de influente en estas dos plantas.

Pengxiao Zhou señaló que los nuevos modelos de aprendizaje en línea podrían proporcionar un soporte de decisión más sólido para los operadores o administradores de aguas residuales para enfrentar los cambios en los patrones de influente debido a emergencias como COVID-19.

Para validar aún más la eficacia de los modelos construidos, los esfuerzos futuros del equipo implicarán realizar más estudios de casos y explorar una gama más amplia de escenarios de predicción.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!