Физически информированная нейронная сеть для реконструкции нестационарных полей течения со свободной поверхностью в протяжённых водопроводящих тоннелях по разреженным наблюдениям
Physics-Informed Neural Network for Reconstructing Free-Surface Transient Flow Fields in Long-Distance Water-Conveyance Tunnels from Sparse Observations
2026-09-07
SCID: 54.1/vkzt2f7u
Discuss with AI
трение Дарси–Вейсбахауравнения Сен-Венананестационарное движение со свободной поверхностьюфизически информированная нейронная сеть (PINN)реконструкция по разреженным датчикам
Figures from the paper
Abstract (AI)
Протяжённые водопроводящие тоннели со свободной поверхностью требуют пространственно непрерывного представления нестационарной глубины потока, однако на практике расход и глубина потока контролируются лишь на нескольких створах. В настоящем исследовании разработана физически информированная нейронная сеть (PINN), реконструирующая нестационарное поле глубины потока при неустановившемся течении со свободной поверхностью в таких тоннелях по данным датчиков, расположенных в двух или трёх точках. Одномерные уравнения Сен-Венана, замкнутые стационарным членом трения Дарси—Вейсбаха в форме с гидравлическим радиусом, включены в функцию потерь обучения как мягкое ограничение, что позволяет объединить разреженные наблюдения глубины с определяющими законами сохранения для восстановления поля во внутренних и расположенных ниже по течению необследованных сечениях. Эталонные данные получены с помощью высокоточных расчётов методом конечных объёмов (FVM) для круглого тоннеля длиной 500 м в сценарии подъёма паводковой волны. PINN снижает относительную L2-ошибку в необследованных сечениях примерно до одной четверти ошибки аналогичной бессвязной с физикой искусственной нейронной сети (ANN): 2,50% против 10,05% во внутреннем сечении и 4,77% против 13,69% в сечении экстраполяции. Повторные расчёты с различными случайными начальными значениями подтверждают статистическую устойчивость при нулевом уровне шума, одновременно показывая, что при шуме 10% небольшая доля обучений сходится к ложным решениям. Эксперименты по размещению датчиков, включая схемы, закреплённые на фактических границах области (x = 0 и 500 м), показывают, что привязка к границам, особенно к верхней по течению границе, определяет как точность, так и устойчивость к шуму: схемы с двумя датчиками, один из которых расположен на границе, сохраняют высокую точность в большинстве запусков при шуме наблюдений 10–20%, тогда как схемы только с внутренними датчиками резко теряют точность. Метод представлен как инструмент офлайн-реконструкции; его расширение для усвоения потоковых данных рассматривается как направление дальнейших исследований.
Key Findings
1
Физически информированная нейронная сеть восстанавливает нестационарное поле глубины воды в протяжённых туннелях по данным всего двух или трёх разреженных датчиков.
2
При 10% шума большинство конфигураций с двумя граничными датчиками сохраняют точность, однако в части запусков возникают ложные решения; потоковое усвоение данных оставлено для будущих исследований.
3
Размещение датчиков на границах области, особенно на upstream-границе, обеспечивает более высокую точность и устойчивость к шуму, чем размещение только внутри области.
4
Включение одномерных уравнений Сен-Венана с трением Дарси—Вейсбаха существенно повышает точность по сравнению с идентичной нейросетью без физических ограничений.
5
Относительная ошибка L2 снижается с 10,05% до 2,50% на внутреннем сечении и с 13,69% до 4,77% на сечении экстраполяции.
Research Object
нестационарное течение со свободной поверхностью в туннеле для дальнего водопровода
Research Subject
точность пространственной реконструкции поля нестационарной глубины воды и её устойчивость к шуму по разреженным наблюдениям в зависимости от размещения датчиков и физически информированных ограничений
Publication Details
Publication Date
2026-09-07
Journal
Publisher
ISSN
Cited by
0
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Понимание и устранение патологий потока градиентов в физически информированных нейронных сетях2021
Научное машинное обучение с использованием физически информированных нейронных сетей: современное состояние и дальнейшие перспективы2022
Физически информированные нейронные сети для уравнений Сен-Венана при понижении масштаба крупномасштабной речной модели2023