基于图神经网络的代理建模用于城市排水管网实时水力预测
机器学习
2024-08-02 v2 计算工程、金融与科学
系统与控制
系统与控制
摘要
基于物理的模型计算耗时且不适用于城市排水管网实时场景，需要代理模型加速在线预测建模。全连接神经网络（NNs）是潜在的代理模型，但在拟合复杂目标时可能可解释性和效率较低。鉴于图神经网络（GNNs）的最先进建模能力及其与城市排水管网在图结构上的匹配性，本文提出一种基于GNN的流量路由模型代理，用于排水管网水力预测问题，该模型将近期水力状态作为初始条件，未来径流和控制策略作为边界条件。为了将水力约束和物理关系纳入排水建模，在代理模型之上设计了物理引导机制，通过流量平衡和淹没发生约束来限制预测变量。根据雨水管网案例结果，在相同训练轮次后，基于GNN的模型比基于NN的模型更具成本效益且水力预测精度更高，所设计的机制通过可解释的领域知识进一步限制了预测误差。由于模型结构遵循城市排水管网中的流量路由机制和水力约束，它为数据驱动的代理建模提供了可解释且有效的解决方案。同时，与基于物理的模型相比，代理模型加速了城市排水管网的预测建模以用于实时应用。
引用
@article{arxiv.2404.10324,
title = {Graph neural network-based surrogate modelling for real-time hydraulic prediction of urban drainage networks},
author = {Zhiyu Zhang and Chenkaixiang Lu and Wenchong Tian and Zhenliang Liao and Zhiguo Yuan},
journal= {arXiv preprint arXiv:2404.10324},
year = {2024}
}