加速HEC-RAS：用于快速河流预测的循环神经算子
机器学习
2025-07-22 v1 人工智能
摘要
Physics-based求solver如HEC-RAS提供高保真河流预测，但在洪涝事件中进行实时决策过于计算密集。核心挑战是在不牺牲精度的前提下加速这些仿真。本文引入一种深度学习替代方案，将HEC-RAS视为数据生成器。我们提出一种混合、自回归架构，将Gated Recurrent Unit(GRU)用于捕捉短期时序动力学，结合Geometry-Aware Fourier Neural Operator(Geo-FNO)来建模河流走向的长程空间依赖性。该模型从包含dynamic state、static geometry和boundary forcings的八通道特征向量中隐式地从native HEC-RAS文件中学习底层物理。模型在Mississippi河流流域的67条河段上训练，并在一年长度的不可见hold-out仿真中进行评估。结果表明，该模型实现了强大的预测精度，median绝对stage误差为0.31英尺。关键的是，对于完整的67条河段ensemble forecast，该替代方案将所需的wall-clock时间从139分钟缩短到40分钟，相对于传统求solver实现了近3.5倍的加速。这种数据驱动方法的成功表明，健全的特征工程可以产生一种可行的、高速的传统水力模型替代方案，提高了大规模ensemble洪涝预测的计算可行性。
引用
@article{arxiv.2507.15614,
title = {Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting},
author = {Edward Holmberg and Pujan Pokhrel and Maximilian Zoch and Elias Ioup and Ken Pathak and Steven Sloan and Kendall Niles and Jay Ratcliff and Maik Flanagin and Christian Guetl and Julian Simeonov and Mahdi Abdelguerfi},
journal= {arXiv preprint arXiv:2507.15614},
year = {2025}
}
备注
10 pages, 8 figures