Aprendizado de máquina emsemble informado por física para previsão dinâmica da qualidade da água em sistemas de distribuição de água

Manter a qualidade da água (WQ) em sistemas de distribuição de água (WDSs) continua sendo um desafio persistente, uma vez que é governado por interações complexas envolvendo múltiplas espécies químicas e biológicas. Modelos baseados em física (PBMs) têm sido tradicionalmente usados como a principal abordagem para prever a dinâmica da WQ em WDSs. Nos PBMs, a WQ é simulada resolvendo numericamente as equações diferenciais parciais fundamentais (PDEs) que governam o destino e o transporte de diferentes espécies nos canos dos WDSs. Esses modelos são computacionalmente intensivos, o que restringe seu uso em aplicações de controle em tempo real, particularmente para WDSs grandes e complexos. Recentemente, frameworks de previsão da WQ impulsionados por aprendizado de máquina (ML) ganharam uma tração significativa como uma alternativa aos PBMs devido à sua flexibilidade e eficiência computacional. No entanto, ao contrário dos PBMs, os modelos de ML geralmente são projetados e treinados para um WDS específico, limitando sua aplicabilidade a outros sistemas. Este estudo busca abordar essa limitação chave ao introduzir novas abordagens de Aprendizado de Máquina Informado por Física (PI-ML) para simular a WQ em WDSs. O framework proposto envolve o treinamento e a integração de um conjunto de modelos de ML para capturar os principais processos de transporte e reação que compõem as PDEs governantes dos PBMs, incluindo advecção, dispersão e reação. Os resultados mostram que a integração de insights físicos fundamentais no desenvolvimento de algoritmos de ML melhora a acurácia preditiva e a generalizabilidade em comparação com modelos de ML baseados em dados. • Desenvolveu um framework de aprendizado de máquina informado por física para a qualidade da água em sistemas de distribuição. • Incorporou advecção, dispersão e reação em modelos de aprendizado de máquina emsemble. • A integração de insights físicos melhorou a acurácia e a generalizabilidade dos modelos de aprendizado de máquina. • A média de modelo bayesiano de aprendizes base melhorou o desempenho e reduziu o sobreajuste.