Физически информированные нейронные сети для моделирования потоков воды в русле реки
Physics-Informed Neural Networks for Modeling Water Flows in a River Channel
2022-08-19
SCID: 54.1/rqscf5t3
Discuss with AI
Гидрологическое прогнозированиеИдентификация параметровФизически информированные нейронные сетиТечение воды в русле рекиУравнения Сен-Венана
Figures from the paper
Abstract (AI)
Воздействие наводнений регулярно затрагивает население планеты, вызывая социальные и экономические проблемы. Оптимальные стратегии управления, основанные на регулировании работы водохранилищ, могут способствовать контролю наводнений и снижению их последствий. Для этого необходимо точное динамическое представление водных систем. На практике стратегии защиты от наводнений опираются на модели гидрологического прогнозирования, полученные с помощью концептуальных методов или методов, основанных на данных. Вдохновленная недавними исследованиями, данная работа предлагает новую суррогатную модель течения воды в русле реки на основе физически информированных нейронных сетей (PINN). Этот подход продемонстрировал перспективные результаты в отношении ассимиляции измерений реальных данных и идентификации параметров дифференциальных уравнений, описывающих лежащую в основе динамику. В статье исследуется эффективность PINN в имитационной среде, непосредственно построенной на основе конфигурации уравнений Сен-Венана. Цель состоит в создании пригодной модели с высокой точностью прогнозирования и научно согласованным поведением для использования в приложениях реального времени. Эксперименты продемонстрировали перспективные результаты для гидрологического моделирования и предложили альтернативы решению основных проблем традиционных методов, одновременно содействуя синтезу представлений реального мира.
Key Findings
1
Эксперименты на основе конфигурации уравнений Сен-Венана показали перспективные результаты для гидрологического моделирования и высокую точность прогнозирования.
2
PINN рассматриваются как альтернатива для решения проблем традиционных концептуальных и основанных на данных методов гидрологического прогнозирования.
3
PINN успешно усваивала измерения реальных данных и идентифицировала параметры дифференциальных уравнений, описывающих динамику водного потока.
4
Модель предназначена для создания научно согласованных представлений в реальном времени, способных поддерживать стратегии управления паводками на основе регулирования водохранилищ.
5
В исследовании предложена суррогатная модель на основе физически информированных нейронных сетей для представления динамики водного потока в речных руслах.
Research Object
водный поток в русле реки
Research Subject
точность прогнозирования, физическая согласованность, усвоение данных и идентификация параметров дифференциальных уравнений суррогатной модели течения в русле реки на основе PINN
Publication Details
Publication Date
2022-08-19
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest