Применение PINN для определения коэффициентов шероховатости в задачах течения в каналах

Application of PINNs to Define Roughness Coefficients for Channel Flow Problems
Sergei Vladimirovich Strijhak, Konstantin Borisovich Koshelev, Андрей Геннадьевич Болотов
2025-09-16

Delft3Dобратная оценка коэффициента шероховатоститечение в открытом руслефизически информированные нейронные сетиуравнения Сен-Венана
В статье рассматривается возможность использования физически информированных нейронных сетей (Physics-Informed Neural Networks, PINN) для изучения гидрологических процессов в модельных речных участках. Полносвязная нейронная сеть используется для аппроксимации уравнений Сен-Венана в одномерной (1D) и двумерной (2D) постановках. Исследуются задачи определения скоростей, уровня воды, расхода и площади живого сечения в одномерных случаях, а также обратная задача вычисления коэффициента шероховатости. Для оценки применимости PINN к моделированию течений в каналах целесообразно начать со случаев, для которых доступны точные эталонные решения. Для одномерного случая рассмотрен прямоугольный канал заданных длины и ширины с постоянным коэффициентом шероховатости. Получено аналитическое решение для расчета расхода и площади живого сечения. Также исследованы двумерные модельные примеры. Синтетические данные, включавшие поля скоростей и уровни воды, были сгенерированы с помощью программного комплекса Delft3D для обучения PINN. Расчет в Delft3D занял около 2 мин. Изучено влияние гиперпараметров PINN на качество прогнозирования. В заключение оценено абсолютное значение ошибки. В двумерной обратной задаче ошибка прогнозирования значения коэффициента шероховатости n не превышала 10%. Типичный процесс обучения занимал от 2,5 до 3,5 ч, а процесс прогнозирования — 5–10 с при использовании разработанных моделей PINN на сервере с графическим процессором NVIDIA A100 объемом 40 ГБ.
1
Полносвязные PINN применялись для аппроксимации одномерных и двумерных уравнений Сен-Венана при моделировании гидродинамики речных русел.
2
PINN использовались для решения обратной задачи оценки коэффициента шероховатости канала по данным о течении.
3
Погрешность обратной оценки коэффициента шероховатости n в двумерном случае не превышала 10%; обучение занимало 2,5–3,5 часа, а прогнозирование — 5–10 секунд на GPU Nvidia A100.
4
Модели предсказывали скорость, уровень воды, расход и площадь смоченного поперечного сечения для одномерных задач течения в канале.
5
Двумерные PINN обучались на синтетических данных о поле скоростей и уровне воды, полученных в Delft3D; также изучалось влияние гиперпараметров на качество прогнозирования.

Модельные участки речных русел с течением, описываемым уравнениями Сен-Венана, включая одномерные прямоугольные каналы и двумерные случаи течения в русле

Прогнозирование гидравлического состояния и обратная оценка коэффициента шероховатости русла n, включая скорость, уровень воды, расход и площадь поперечного сечения, с использованием PINN

Publication Details
Publication Date
2025-09-16
Journal
Publisher
ISSN
Cited by
3
Access Type
Author Information
Authors
Sergei Vladimirovich Strijhak
Konstantin Borisovich Koshelev
Андрей Геннадьевич Болотов
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%