基于数据驱动与机器学习的溃坝洪水波传播行为预测
流体动力学
2022-09-20 v1 机器学习
摘要
溃坝洪水中波传播的计算预测是水动力学和水文学中的一个长期问题。迄今为止，基于圣维南（Saint-Venant）方程的传统数值模型是主流方法。在此我们表明，一个在最少量数据上训练良好的机器学习模型，可以帮助以令人满意的精度预测一维溃坝洪水的长期动态行为。为此，我们使用Lax-Wendroff数值格式求解一维溃坝洪水场景的圣维南方程，并用由时间序列流深组成的模拟结果数据集训练储层计算回声状态网络（RC-ESN）。我们展示了RC-ESN模型良好的预测能力，其提前预测溃坝洪水波传播行为达286个时间步，均方根误差（RMSE）小于0.01，优于传统的长短期记忆（LSTM）模型，后者仅能提前81个时间步达到可比的RMSE。为展示RC-ESN模型的性能，我们还提供了关于训练集大小、储层大小和谱半径等关键参数的预测精度敏感性分析。结果表明，RC-ESN对训练集大小的依赖较小，中等储层大小K=1200~2600即足够。我们确认谱半径ρ对预测精度表现出复杂影响，并建议目前采用较小的谱半径ρ。通过改变溃坝初始流深，我们还得到结论：RC-ESN的预测时域大于LSTM。
引用
@article{arxiv.2209.08729,
title = {Data-driven and machine-learning based prediction of wave propagation behavior in dam-break flood},
author = {Changli Li and Zheng Han and Yange Li and Ming Li and Weidong Wang},
journal= {arXiv preprint arXiv:2209.08729},
year = {2022}
}