Физически информированные нейронные сети для уравнений Сен-Венана при понижении масштаба крупномасштабной речной модели
Physics‐Informed Neural Networks of the Saint‐Venant Equations for Downscaling a Large‐Scale River Model
2023-02-01
SCID: 54.1/9q5khm9y
Discuss with AI
вложения признаков Фурьеуравнения Сен-Венанафизически информированные нейронные сетипонижение масштаба речной моделимоделирование течения на подсеточном масштабе
Figures from the paper
Abstract (AI)
Крупномасштабные речные модели уточняются для прибрежных регионов с целью улучшения научного понимания прибрежных процессов, опасностей и реакций на изменение климата. Однако грубое разрешение сетки и приближения в физическом описании приливных рек ограничивают способность таких моделей разрешать сложную динамику потока, особенно вблизи границы раздела реки и океана, что приводит к неточному моделированию затопления. В настоящем исследовании предлагается основанный на передовой физически информированной нейронной сети (PINN) фреймворк машинного обучения (ML) для моделирования потока с пониженным масштабом на подрешёточном уровне. Сначала показано, что PINN способны ассимилировать наблюдения различных типов и непосредственно решать одномерные уравнения Сен-Венана (SVE). Моделирование течения выполняется над поймой и вдоль открытого русла в нескольких синтетических постановках. Эффективность PINN оценивается по сравнению с аналитическими решениями и численными моделями. Результаты показывают, что решения PINN для глубины воды обладают удовлетворительной точностью даже при ассимиляции ограниченного числа наблюдений. Для распространения паводочной волны, вызванного штормовым нагоном и приливом, предложена новая архитектура нейронной сети на основе эмбеддингов Фурье-признаков, которая естественным образом кодирует периодическое приливное граничное условие в формулировке PINN. Кроме того, показано, что понижение масштаба на основе PINN позволяет получать более реалистичные подрешёточные решения для глубины воды вдоль русла посредством ассимиляции наблюдательных данных. Решение PINN превосходит простую линейную интерполяцию при разрешении топографии и динамических режимов течения на подрешёточном уровне. Данное исследование открывает перспективный путь к совершенствованию возможностей эмуляции в крупномасштабных моделях для характеристики мелкомасштабных прибрежных процессов.
Key Findings
1
Предложена архитектура нейронной сети с признаковыми Фурье-встраиваниями, которая естественно кодирует периодические приливные граничные условия при моделировании волн паводка, вызванных штормовым нагоном и приливом.
2
Предложена физически информированная нейронная сеть (PINN) для решения одномерных уравнений Сен-Венана и даунскейлинга крупномасштабных речных моделей до уровня подсеточной структуры.
3
Даунскейлинг на основе PINN с ассимиляцией наблюдений формирует более реалистичные подсеточные решения для глубины воды вдоль канала, чем простая линейная интерполяция, лучше отражая топографию и динамические режимы течения.
4
PINN успешно ассимилирует различные типы наблюдений и обеспечивает удовлетворительную точность расчёта глубины воды при ограниченном числе наблюдений в синтетических задачах на пойме и открытом канале.
5
Подход представляет перспективный способ улучшения эмуляции мелкомасштабных прибрежных процессов и затопления в крупномасштабных моделях.
Research Object
крупномасштабные системы течения приливных рек и пойм вблизи границы река–океан
Research Subject
даунскейлинг глубины воды и динамических режимов течения на подсеточном масштабе под воздействием штормового нагона и приливов
Publication Details
Publication Date
2023-02-01
Journal
Publisher
ISSN
Cited by
136
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью5
Метод физически информированной нейронной сети для моделирования одномерного течения воды без задания коэффициента шероховатости2025
Применение PINN для определения коэффициентов шероховатости в задачах течения в каналах2025
Физически информированная нейронная сеть для реконструкции нестационарных полей течения со свободной поверхностью в протяжённых водопроводящих тоннелях по разреженным наблюдениям2026
Применение физически информированных нейронных сетей (PINN) в сочетании с одномерным моделированием неустановившегося течения к течению в открытом русле2025
Суррогатные модели на основе физически информированных нейронных сетей для прогнозирования уровня воды в реке2025