基于错位的脱敏物理信息神经网络：用于 Spitsbergen 热 inversions 条件下污染扩散时间依赖仿真
机器学习
2026-04-28 v1 神经与进化计算
摘要
本文提出了一个面向污染扩散时间依赖仿真的物理信息神经网络框架，用于来自移动排放源的污染扩散。我们构建了一个稳健的变分框架，用于求解时间依赖的 advection-diffusion 问题，并建立了相应离散弱形式的有界性和 inf-sup 稳定性。基于此数学基础，我们构建了一个直接关联真实近似误差（即神经网络近似值与（未知）精确解之差）的稳健损失函数。此外，引入了基于错位的策略以加速神经网络训练。作为案例研究，我们调查了源自 Longyearbyen, Spitsbergen 雪地面车交通造成的污染扩散，借助使用专用传感器收集的详尽现场测量数据。我们将所提出的框架应用于分析热 inversions 对污染物积累的影响。我们的结果表明，热 inversions 捕获密集且潮湿的空气质量，显著增强颗粒物（PM）浓度，恶化当地空气质量。
关键词
引用
@article{arxiv.2604.23003,
title = {Collocation-based Robust Physics Informed Neural Networks for time-dependent simulations of pollution propagation under thermal inversion conditions on Spitsbergen},
author = {Leszek Siwik and Maciej Sikora and Natalia Leszczyńska and Tomasz Maciej Ciesielski and Eirik Valseth and Manuela Bastidas Olivares and Marcin Łoś and Tomasz Służalec and Jacek Leszczyński and Maciej Paszyński},
journal= {arXiv preprint arXiv:2604.23003},
year = {2026}
}
备注
Robust Variational Physics Informed Neural Networks; Pollution propagation simulations; Longyearbyen at Spitsbergen; Advection-diffusion model; In-field measurements; Open source software