EnviroPiNet：用于预测生物滤池性能的物理引导型 AI 模型
机器学习
2025-04-29 v1 人工智能
摘要
环境生物技术，例如饮用水生物滤池，依赖于微生物社群与其周围物理化学环境之间复杂的相互作用。由于高维稀疏数据缺乏多样性且未能完全捕捉系统行为，预测这些系统的性能具有挑战性。准确的预测模型需要创新且以科学为导向的方法。本研究提出首次将布克金斯 Pi 理论应用于生物滤池性能建模的做法。该降维技术识别出具有意义的无量纲变量，从而提高预测精度并改善模型可解释性。利用这些变量，我们开发了环境布克金斯 Pi 神经网络（EnviroPiNet），这是一种以物理原理为导向的模型，已与传统数据驱动方法（包括主成分分析（PCA）和自编码器神经网络）进行基准测试。我们的发现表明，EnviroPiNet 模型在测试数据集上获得 R²值为 0.9236，显著优于 PCA 和自编码器方法。布克金斯 Pi 变量还提供了关于支配生物滤池行为的物理和化学关系的见解，具有具有系统设计和优化方面的意义。这一研究突显了将物理原理与 AI 方法结合用于建模以稀疏、高维数据为特征的复杂环境系统的潜力。
引用
@article{arxiv.2504.18595,
title = {EnviroPiNet: A Physics-Guided AI Model for Predicting Biofilter Performance},
author = {Uzma and Fabien Cholet and Domenic Quinn and Cindy Smith and Siming You and William Sloan},
journal= {arXiv preprint arXiv:2504.18595},
year = {2025}
}