在废水处理中，尽管深度强化学习在机器人技术和游戏领域取得了杰出的成果，但在工业流程优化方面仍面临挑战。本研究通过使用模型的预测数据作为输入以进行校正，并改变损失函数以考虑长期预测形态（动态），提供了改进废水处理数据训练模型的两种方法，提高了模拟器在一年中动态时间弯曲方面的性能。这些改进为基于时间序列数据的生物过程模拟器的创建提供了重要的希望。

Mar, 2024

通过训练六个模型，创建了深度强化学习 (DRL) 的仿真环境，利用监控与数据采集系统 (SCADA) 提供的历史数据来改进废水处理过程中的磷去除，并解决了由模型预测误差累积引起的问题。

Jan, 2024

大气氮氧化物主要来自燃料燃烧，会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架，结合了传输模型和机器学习的优势，可以准确预测 NO2 和 NOx 的地面浓度，并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。

Aug, 2023

提出一种基于物理学知识的深度学习机器学习模型，应用于水力状态估计，通过少量图卷积神经网络层和基于消息传递的创新算法，模拟流行的水力模拟器 EPANET，具有较快的运行速度和高准确性。

Mar, 2024

本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

May, 2023

利用贝叶斯神经网络和自编码器来降低状态空间的维度，将知识从源域传递到目标域，该新颖的概率迁移学习框架在低维度和稀疏数据情境下能够正确预测热化学状态，并且比现有的确定性迁移学习策略所需的数据量少四倍。

May, 2024

通过域适应和物理约束，提出了一种将传统数据和深度学习模型结合的新型转移学习方法，用于有效预测页岩气产量，并且在中国西南地区进行的实验验证了该方法的有效性。

Dec, 2023

通过将机器学习模型直接拟合到植物传感器数据上，我们采用了一种结构化的方法，将化工厂的每个单元表示为一个机器学习模型，并将这些模型连接成一个类似于流程图的有向图。我们发现，对于较小的工厂，这种方法效果良好，但对于较大的工厂，流程图中大型和嵌套循环引起的复杂动力学导致循环求解器的不稳定性。我们对这个问题进行了深入分析，并表明这不仅是一个专业性问题，而是一个更普遍的挑战，可能在应用机器学习于较大工厂时经常出现。为了解决这个问题，我们提出了一种微调机器学习模型的方法，使得使用常规方法求解循环变得稳定。

Jul, 2023

本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

Dec, 2020

通过结合来自量子计算的基本知识和实验测量的高精度性，建议了一种用于预测溶解自由能的迁移学习方法，并展示了预先训练的模型在小型实验数据集和新的异样预测中的显著优势，同时进行了不确定性降低的尝试。

Dec, 2020