Суррогатные модели на основе физически информированных нейронных сетей для прогнозирования уровня воды в реке

Physics-Informed Neural Network Surrogate Models for River Stage Prediction
Maximilian Zöch, Edward A. Holmberg, Pujan Pokhrel, Ken Pathak, Steven D. Sloan, Kendall N. Niles, Jay Ratcliff, Maik C. Flanagin, Elias Ioup, Christian Gütl, Mahdi Abdelguerfi
2025-03-21

HEC-RASфизически информированные нейронные сетиуравнения Сен-Венанапрогнозирование уровня воды в рекесуррогатные модели
В настоящей работе исследуется возможность использования физически информированных нейронных сетей (Physics-Informed Neural Networks, PINNs) в качестве суррогатных моделей для прогнозирования уровня воды в реке с целью снижения вычислительных затрат при сохранении точности прогнозирования. Основной результат работы показывает, что PINN могут успешно аппроксимировать численные решения HEC-RAS при обучении на данных одной реки, обеспечивая высокую точность прогнозирования и, как правило, низкие относительные погрешности, хотя на отдельных участках реки наблюдаются более значительные отклонения. За счёт включения управляющих уравнений Сен-Венана в процесс обучения предложенная суррогатная модель на основе PINN обеспечивает физическую согласованность и существенно повышает вычислительную эффективность по сравнению с HEC-RAS. Производительность модели оценивается по точности и скорости вычислений; показано, что она близко аппроксимирует прогнозы HEC-RAS, обеспечивая при этом вывод результатов в реальном времени. Полученные результаты демонстрируют потенциал PINN как эффективных суррогатных моделей для гидродинамики одной реки и предлагают перспективную альтернативу для вычислительно эффективного прогнозирования уровня воды в реке. В дальнейших исследованиях будут рассмотрены методы повышения стабильности обучения PINN и устойчивости модели при переходе к более обобщённой многоречной модели.
1
Включение уравнений Сен-Венана обеспечивает физическую согласованность получаемых прогнозов уровня воды.
2
Обобщение на несколько рек остается задачей будущих исследований; основными проблемами названы стабильность обучения и надежность модели.
3
Физически информированные нейронные сети способны успешно аппроксимировать решения HEC-RAS для прогнозирования уровня воды при обучении на одной реке.
4
Суррогатная модель на основе PINN существенно снижает вычислительные затраты по сравнению с HEC-RAS и поддерживает прогнозирование в реальном времени.
5
Суррогатная модель обеспечивает высокую точность прогнозирования и в целом низкие относительные ошибки, хотя на некоторых участках реки отклонения выше.

гидродинамика одной реки и динамика уровня воды в реке, представленные численными решениями HEC-RAS

точность прогнозирования, физическая согласованность, вычислительная эффективность и производительность вывода в реальном времени суррогатных моделей на основе PINN для прогнозирования уровня воды в реке

Publication Details
Publication Date
2025-03-21
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Maximilian Zöch
Edward A. Holmberg
Pujan Pokhrel
Ken Pathak
Steven D. Sloan
Kendall N. Niles
Jay Ratcliff
Maik C. Flanagin
Elias Ioup
Christian Gütl
Mahdi Abdelguerfi
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%