用于污染含水层中工程纳米颗粒迁移正演与反演模拟的贝叶斯物理信息神经网络
机器学习
2023-08-16 v1 人工智能
计算物理
流体动力学
摘要
全球范围内存在众多受污染地下水场地，需要积极的修复方案以恢复当地生态系统与环境。工程纳米颗粒（ENPs）已被证明是地下水中污染物原位降解的有效反应剂。尽管这些 ENPs 在实验室尺度上表现极具前景，其在真实场地案例条件下的应用仍有限。ENPs 复杂的迁移与滞留机制阻碍了高效修复策略的开发。因此，亟需一种预测工具以理解 ENPs 的迁移与滞留行为。文献中现有工具以数值模拟器为主，在稀疏数据集与含水层非均质性下灵活性与精度有限。本工作使用贝叶斯物理信息神经网络（B-PINN）框架对含水层内纳米颗粒迁移进行建模。正演模型的结果展示了 B-PINN 在准确预测 ENPs 迁移并量化不确定性方面的有效能力。随后将反演模型输出用于预测小型含水层中 ENPs 迁移的支配参数。该研究展示了该工具为制定高效地下水修复策略提供预测性见解的能力。
引用
@article{arxiv.2308.07352,
title = {Bayesian Physics-Informed Neural Network for the Forward and Inverse Simulation of Engineered Nano-particles Mobility in a Contaminated Aquifer},
author = {Shikhar Nilabh and Fidel Grandia},
journal= {arXiv preprint arXiv:2308.07352},
year = {2023}
}
备注
To be submitted to a NeurIPS 2023 workshop. arXiv admin note: substantial text overlap with arXiv:2211.03525