要約 機械学習モデルは、塩水浸入（SWI）浄化最適化において計算集約的な数値シミュレーションモデルの代替として非常に有望です。しかし、機械学習モデルに内在する不確実性は、予測を通じて最適化に進むことで、不正確な解をもたらす可能性があります。固定出力で不確実性を無視する決定論的モデルとは異なり、本研究はベイズ多重モデル不確実性定量化とリスクを考慮した意思決定のギャップをユニークに埋める計算効率の良い混合整数多目的確率最適化（MIMOSO）手法を提案します。この手法は、ベイズモデル平均（BMA）と統合することで、モデル予測から最適化への確率的不確実性の伝播を捉えます。従来の単一サロゲートアプローチとは異なり、提案された手法は計算負荷を軽減するために複数の機械学習アプローチを組み込んでいます。このフレームワークは、様々な制約違反レベルを考慮することで、最適でありながら堅牢な抽出‐注入戦略を導き出すことが可能です。二つの対立する目標が扱われます。総抽出‐注入の最小化とSWI浄化効果の最大化です。バイナリ変数を導入して、井戸システムの離散的運用状態を制御します。開発された手法は、アメリカ・バトンルージュにある「1,500フィート」の砂の帯水層で実証されました。結果として、Pareto最適な浄化戦略が特定され、関連するSWIリスクレベルが示されました。MIMOSOは、機械学習サロゲートを通じて計算ボトルネックを同時に解決し、BMAを使用して多源の不確実性を厳密に伝播させることでこの分野を進展させます。数値シミュレーションベースの最適化（≥2,000時間）と比較して、機械学習を支援するモデルは計算時間を87時間に短縮し、23倍の効率向上を達成しました。三つのメトリック（ハイパーボリューム、スペーシング、最大スプレッド）が収束性と多様性の両面での優れた性能を検証します。この方法論は、リスクを考慮した現実世界の帯水層浄化設計に有望な方法を提供します。
Huang et al. (Thu,) がこの問題を研究しました。