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
Xiulian Li, Zhiyuan Chen, Donghui Qi, Yize Zhang, Zhaoyang Deng, Ling Zhou
2026-09-07

трение Дарси–Вейсбахауравнения Сен-Венананестационарное движение со свободной поверхностьюфизически информированная нейронная сеть (PINN)реконструкция по разреженным датчикам
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.
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.

нестационарное течение со свободной поверхностью в туннеле для дальнего водопровода

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
Access Type
Author Information
Authors
Xiulian Li
Zhiyuan Chen
Donghui Qi
Yize Zhang
Zhaoyang Deng
Ling Zhou
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%