Применение физически информированных нейронных сетей (PINN) в сочетании с одномерным моделированием неустановившегося течения к течению в открытом русле
APPLICATION OF PHYSICS-INFORMED NEURAL NETWORKS (PINN) COUPLED WITH ONE-DIMENSIONAL UNSTEADY FLOW SIMULATION TO OPEN CHANNEL FLOW
2025-01-01
SCID: 54.1/epeb2ncv
Discuss with AI
уравнения Сен-Венанапрогнозирование паводковых событийодномерное нестационарное моделирование потокатечение в открытом руслефизически информированные нейронные сети (PINN)
Figures from the paper
Abstract (AI)
В данном исследовании физически информированные нейронные сети (PINN), представляющие собой глубокие нейронные сети (DNN), учитывающие физические законы, были применены для анализа течения в открытом русле; изучалась возможность получения точных прогнозов в пространственно-временных областях, для которых отсутствуют данные для обучения. В качестве объекта прогнозирования были выбраны паводковые события в прямом водоотводном канале на низменной сельскохозяйственной территории, а для анализа применялись PINN, включающие уравнения Сен-Венана (PINN-SVE). Поскольку сбор натурных наблюдений был затруднён, синтетические данные о паводках, сгенерированные на основе смоделированных ливней и физической модели, использовались в качестве эталонных значений и задавались в качестве граничных условий и других входных данных при обучении PINN-SVE. Затем скорость течения и глубина воды прогнозировались для участков канала, по которым эталонные значения для обучения отсутствовали. Результаты прогнозирования PINN-SVE, обученной на 100 наборах синтетических данных о паводках, в целом характеризовались меньшими ошибками и расхождениями пиковых значений относительно эталонных значений по сравнению с результатами традиционных DNN. Точность прогнозирования была высокой, когда исследуемые явления характеризовались плавными временными изменениями, однако снижалась при резких временных изменениях.
Key Findings
1
Физически информированная нейронная сеть, объединённая с уравнениями Сен-Венана (PINN-SVE), применялась для прогнозирования паводковых потоков в прямом дренажном канале низменных сельскохозяйственных территорий.
2
PINN-SVE прогнозировала скорость потока и глубину воды на участках канала без целевых данных обучения, демонстрируя пространственное обобщение.
3
Точность прогнозирования была высокой для явлений с плавными временными изменениями, но снижалась при резких изменениях потока.
4
Синтетические данные о паводках, полученные на основе смоделированных ливней и физической модели, позволили обучить PINN-SVE при отсутствии натурных наблюдений.
5
При использовании 100 наборов синтетических паводковых данных PINN-SVE в целом уменьшала ошибки и расхождения пиковых значений по сравнению с обычной глубокой нейронной сетью.
Research Object
Паводковые потоки в прямом дренажном канале на низменных сельскохозяйственных землях
Research Subject
Точность прогнозирования скорости потока и глубины воды на участках канала без наблюдений, включая влияние плавных и резких временных изменений
Publication Details
Publication Date
2025-01-01
Journal
Publisher
ISSN
Cited by
0
Access Type
Author Information
Download PDF
Subscribe to digest