室内污染物暴露已成为一个严重的全球公共卫生问题。大约90%的人口面临超过安全标准的污染水平,这直接导致了呼吸系统和心血管疾病。因此,准确及时的污染源定位对于控制暴露途径和降低健康风险至关重要[1]、[2]、[3]、[4]、[5]。
在这种背景下,精确的室内污染源识别成为污染控制的关键组成部分。实时污染源定位可以实现有针对性的干预措施,例如优化通风系统和策略性地放置空气净化器,这些措施可以显著降低人群的暴露风险[6]。
研究人员开发了多种方法来提高污染源识别的准确性和效率。当前关于室内污染源追踪的研究主要集中在三个领域:(1) 将计算流体动力学与智能优化算法相结合[7];(2) 推进机器人嗅觉技术[8];(3) 开发适用于复杂多孔介质环境的追踪方法[9]。
随着人工智能的最新进展,AI-CFD混合方法和AI-机器人定位方法因其高效性和智能潜力而受到关注。然而,这些方法仍面临一些挑战,包括局部最优解、机器人数量优化、搜索时间限制以及在多孔介质环境中的识别精度问题。
周等人结合了Nelder-Mead算法和机器人主动嗅觉技术来定位衰减性和周期性变化的污染源,并使用CFD模拟来建模浓度场,实现了较高的成功率。然而,这种方法对机器人数量和搜索步长都非常敏感[10]。陈等人开发了一种结合粒子群优化和移动机器人嗅觉技术的CFD模型,用于时间变化污染源的定位。他们的结果表明,增加机器人数量可以提高成功率,但会导致收敛速度变慢和时间成本的非线性增加[11]。此外,黄等人的污染-机器学习混合模型提高了追踪精度,但需要事先了解污染源的强度信息[12]。另一项研究表明,CFD耦合的混合整数线性规划实现了非法电子废物焚烧场所的高精度定位[13]。巴克特等人基于深度学习的地铁空气质量预测框架也有助于污染源定位和空气质量改善[14]。
尽管现有方法在准确性方面具有优势,但它们通常在数据需求和空间泛化能力上存在核心瓶颈[15]。具体来说,许多方法依赖于理想的CFD模拟数据或受控的实验室环境,往往无法充分考虑传感器噪声、测量不确定性以及空间异质性(如家具布局)对实际应用中模型性能的影响。此外,当前的优化过程往往依赖于专家的经验和试错。缺乏对策略贡献的系统性评估,常常导致模型结构复杂且包含冗余操作。
叶等人率先在该领域提出了少样本学习策略,通过图像增强和网络架构优化,在无家具空间中实现了R2=0.85的定位精度[16]。虽然这项工作奠定了重要基础,但仍存在一些关键问题未解决,包括模型在复杂布局(如有家具的环境)中的泛化能力、不同优化策略贡献的定量评估以及有效控制模型复杂性的方法[17]。
总之,当前研究在实现高效、准确和实用的室内污染源定位方面面临以下关键挑战:数据效率与模型泛化之间的矛盾:如AI-CFD方法通常需要大量的高质量CFD或测量数据进行训练[18],这与实际应用中数据稀缺的现实情况相冲突,尤其是真实监测数据[19]。此外,训练好的模型难以适应与训练场景不同的室内布局[20]。优化过程中的盲目性和复杂性:在少样本条件下进行模型优化缺乏明确的指导原则,各种数据增强和网络调整策略的贡献度不明确,常常引入冗余操作,增加了模型复杂性和计算成本,但并未持续提升性能[21]。对实际复杂性的考虑不足:现有方法在将模拟结果应用于真实环境时需要更强的鲁棒性,尤其是在处理由家具等空间障碍物引起的传感器限制和扩散模式变化时。
为了克服这些限制,本研究旨在为少样本条件开发一个系统的卷积神经网络优化框架。该框架将提高室内污染源定位的准确性、效率和跨场景泛化能力。我们的具体研究目标包括:(1) 系统评估不同优化策略(包括少样本数据增强和网络架构调整)对定位精度的影响;(2) 采用Shapley值分析定量评估每种策略的贡献,从而确定核心优化路径并消除冗余操作以降低模型复杂性;(3) 提出一种跨场景的统一训练策略,整合来自不同室内布局(有家具和无家具)的数据。这种方法将通过特征解耦和共性学习提高模型在多样化真实室内环境中的泛化能力。