Метод физически информированной нейронной сети для моделирования одномерного течения воды без задания коэффициента шероховатости

A physics-informed neural network method for modeling one-dimensional water flow without roughness coefficient input
Jin Kai Xu, Lingling Wang, Xu Yang, Jianjian Cui, Mengtian Wu, Jie Liu, Hai Zhu
2025-07-01

уравнения Сен-Венанагидродинамическое моделированиеодномерный речной потокфизически информированные нейронные сетиоценка шероховатости
Коэффициенты шероховатости существенно влияют на сопротивление потоку и имеют критическое значение для точного моделирования одномерного (1-D) течения в реках. Однако получение надежных данных о шероховатости в естественных реках затруднено пространственной изменчивостью и сложностями измерений, что приводит к значительной неопределенности при гидравлическом моделировании. Для решения этой проблемы предложена новая структура Physics-Informed Neural Network Roughness Estimation (PINN-RE) для оценки шероховатости на основе физически информированной нейронной сети, расширяющая традиционные PINN за счет специализированной нейронной сети для прогнозирования пространственно распределенной шероховатости. Благодаря связыванию шероховатости и гидродинамического поля посредством функции потерь, заданной уравнениями Сен-Венана, PINN-RE обеспечивает одновременное обучение пространственно распределенных коэффициентов шероховатости и гидродинамики. Структура оценена на четырех группах сценариев с различными распределениями шероховатости. Результаты показывают, что по сравнению с традиционной PINN метод PINN-RE существенно повышает точность прогнозирования гидродинамических характеристик, снижая ошибку определения глубины воды с 8,24% до 1,75% в случае линейного распределения шероховатости. Анализ чувствительности выявляет U-образную зависимость ошибки от частоты выборки; минимум достигается при 300 точках на станцию, причем модель более чувствительна к частоте выборки, чем к числу станций. Кроме того, проанализирована относительная значимость различных физических величин в функции потерь дифференциального уравнения; установлено, что вклад шероховатости в 10–50 раз превышает вклад глубины воды или расхода. Эти результаты демонстрируют доминирующую роль шероховатости в моделировании одномерного течения и показывают, что PINN-RE не только обеспечивает физически согласованный и эффективный по объему данных подход к идентификации шероховатости, но и углубляет понимание взаимодействия физических параметров в руслах рек.
1
PINN-RE существенно повышает точность гидродинамического прогнозирования по сравнению с обычными PINN, снижая ошибку глубины воды с 8,24% до 1,75% для линейного распределения шероховатости.
2
Ошибка прогнозирования имеет U-образную зависимость от частоты выборки и достигает минимума при 300 точках на створ; модель чувствительнее к частоте выборки, чем к числу створов.
3
Вклад шероховатости в функцию потерь уравнений в частных производных в 10–50 раз превышает вклад глубины воды или расхода, что указывает на её доминирующую роль в одномерном моделировании речного потока.
4
Фреймворк PINN-RE одновременно обучает пространственно распределённые коэффициенты шероховатости и гидродинамику, связывая специальную сеть шероховатости с функцией потерь на основе уравнений Сен-Венана.
5
Метод обеспечивает физически согласованный и эффективный по данным подход к идентификации неопределённой шероховатости без задания коэффициента шероховатости на входе.

одномерное течение в реке с пространственно распределённой шероховатостью в руслах естественных рек

влияние и оценивание пространственно распределённой шероховатости на точность гидродинамического прогнозирования и взаимодействие физических параметров

Publication Details
Publication Date
2025-07-01
Journal
Publisher
ISSN
Cited by
7
Access Type
Author Information
Authors
Jin Kai Xu
Lingling Wang
Xu Yang
Jianjian Cui
Mengtian Wu
Jie Liu
Hai Zhu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%