Физически информированная нейронная сеть с контрольными объёмами, согласованными с характеристиками, для распространения паводковых волн и оценки шероховатости

Characteristic‐Aligned Control‐Volume Physics‐Informed Neural Network for Flood‐Wave Propagation and Roughness Estimation
Zhongjing Wang, Ziyan Lu, Tao Wang, Jingjing Duan, Yongnan Zhu, Xusheng He, Anjun Deng
2026-10-01

уравнения Сен-Венанасохранение в контрольном объёмераспространение паводковой волныфизически информированные нейронные сетиоценка шероховатости
Физически информированные нейронные сети (PINN) представляют собой перспективную основу для гидродинамического моделирования рек и инверсии параметров при разреженных наблюдениях. Однако пространственная неоднородность геометрии русла и шероховатости вызывает значительные изменения в распространении паводковых волн и чувствительности к параметрам, что затрудняет обеспечение локальных законов сохранения и совместную оценку состояния и параметров. В настоящем исследовании предложена физически информированная нейронная сеть с контрольными объёмами, согласованными с характеристиками, для оценки шероховатости (CC-PINN-RE). В ней динамические ромбовидные пространственно-временные контрольные объёмы строятся на основе локальных характеристических скоростей уравнений Сен-Венана, сохранение массы и импульса обеспечивается в интегральной форме, а адаптивное управление контрольными объёмами сочетается с регуляризацией шероховатости, взвешенной по локальной чувствительности. Метод оценён на трёх одномерных задачах для русел возрастающей сложности в сравнении с PINN-RE в сильной форме и cvPINN-RE с фиксированными контрольными объёмами. CC-PINN-RE обеспечивает наименьшие ошибки по восьми из девяти относительных метрик для глубины воды, расхода и шероховатости. В случае 3, где ширина русла, уклон дна и шероховатость изменяются в пространстве, соответствующие ошибки уменьшаются на 57,0%, 82,2% и 57,3% по сравнению с PINN-RE, а максимальная абсолютная ошибка пиковой глубины воды снижается на 69,7%. Абляционные эксперименты с тремя случайными начальными значениями подтверждают вклад трёх предложенных компонентов. Эксперименты по размещению наблюдений показывают, что увеличение числа мониторинговых станций, как правило, эффективнее, чем повышение частоты временной выборки на отдельных станциях. При уровне шума наблюдений 0–2% в случае 3 модель сохраняет устойчивость. Полученные результаты показывают, что CC-PINN-RE обеспечивает физически согласованную основу для объединения характеристического распространения, локальных законов сохранения и инверсии параметров, создавая полезную базу для совместной гидродинамической реконструкции и оценки пространственно изменяющейся шероховатости в неоднородных речных руслах.
1
В трёх одномерных задачах каналов возрастающей сложности CC-PINN-RE показал наименьшие ошибки по восьми из девяти относительных метрик по сравнению с PINN-RE сильной формы и cvPINN-RE с фиксированными объёмами.
2
CC-PINN-RE динамически строит выровненные по характеристикам ромбовидные пространственно-временные контрольные объёмы, используя локальные скорости волн уравнений Сен-Венана.
3
В неоднородном случае 3 метод снизил ошибки ширины, уклона дна и шероховатости на 57,0%, 82,2% и 57,3% соответственно относительно PINN-RE, а максимальную абсолютную ошибку пикового уровня воды — на 69,7%.
4
Увеличение числа пунктов мониторинга обычно эффективнее, чем повышение частоты измерений на отдельных пунктах; модель сохраняет устойчивость при шуме наблюдений 0–2%.
5
Метод обеспечивает интегральное сохранение массы и импульса и применяет регуляризацию оценки пространственно изменяющейся шероховатости, взвешенную локальной чувствительностью.

Одномерное распространение паводковой волны и пространственно неоднородные речные русла, описываемые уравнениями Сен-Венана

Восстановление гидродинамического состояния и оценка пространственно изменяющейся шероховатости русла, включая глубину воды, расход, сохранение массы и импульса, а также чувствительность параметров

Publication Details
Publication Date
2026-10-01
Journal
Publisher
ISSN
Cited by
0
Access Type
Author Information
Authors
Zhongjing Wang
Ziyan Lu
Tao Wang
Jingjing Duan
Yongnan Zhu
Xusheng He
Anjun Deng
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%