桥接海浪物理与深度学习：面向实时非线性波场重建的物理信息神经算子
机器学习
2025-08-06 v1
摘要
准确预测相位分辨的海浪场仍是关键且尚未解决的问题，主要由于缺乏用于从稀疏或间接波测量中重建初始条件的实用数据同化方法。虽然近期的监督式深度学习方法显示出潜力，但它们需要大量地面真实波数据的标记数据，而在现实世界情境下难以获得。为克服这一限制，我们提出一种物理信息神经算子(PINO)框架，用于在无需训练时获取地面真实数据的情况下，从稀疏测量中重建时空相位分辨的非线性海浪场。通过将自由表面边界条件残差嵌入PINO的损失函数中，以柔性方式约束解的空间。训练后，我们使用高度真实的合成波数据进行验证，并演示了从浮标时间序列和雷达快照中准确重建非线性波场。我们的结果表明，PINOs能够实现准确的实时重建，并在广泛的波条件下具有良好的鲁棒性，从而为现实海洋环境中数据驱动的波动重建和预测铺平了道路。
引用
@article{arxiv.2508.03315,
title = {Bridging ocean wave physics and deep learning: Physics-informed neural operators for nonlinear wavefield reconstruction in real-time},
author = {Svenja Ehlers and Merten Stender and Norbert Hoffmann},
journal= {arXiv preprint arXiv:2508.03315},
year = {2025}
}
备注
13 pages, 7 figures