基于算子的数学习术框架用于暴雨设施处理动力学的通用预测
计算工程、金融与科学
2025-07-08 v1 机器学习
摘要
暴雨设施是分散式城市水管理系统，面临来自不规则降雨径流事件的高度不稳定的水力和污染负荷。准确评估其现场处理性能对于以成本效益著称的设计和规划至关重要。传统的准一时序模型（如缓坑式混合罐反应器，CSTR）计算高效但简化了输运和反应过程，限制了预测精度和洞察力。计算流体动力学（CFD）能解析详细的湍流输运和污染物命运物理，但在不稳定和长期仿真中代价高昂。为此，本研究发展了一种复合算子神经网络（CPNN）框架，利用最新的算子学习技术预测暴雨设施中水力学和颗粒物（PM）的时空动力学。该框架在水动力分离器（HS）上进行演示，该器件为常见的城市处理装置。结果表明，CPNN 在 95.2% 的测试案例中对水力预测实现 R2 > 0.8；对于 PM 浓度预测，R2 > 0.8 的案例占 72.6%，0.4 < R2 < 0.8 的案例占 22.6%。分析指出，由于其在训练损失中的贡献较小，捕捉极端低流量条件下的动力学具有挑战。利用 CPNN 的自动微分能力，灵敏度分析量化了暴雨事件负荷对 PM 输运的影响。最后，讨论了 CPNN 框架用于持续、长期评估暴雨设施性能的潜力，标志着通往稳健、气候感知规划与实施的一步。
引用
@article{arxiv.2507.04682,
title = {Operator-based machine learning framework for generalizable prediction of unsteady treatment dynamics in stormwater infrastructure},
author = {Mohamed Shatarah and Kai Liu and Haochen Li},
journal= {arXiv preprint arXiv:2507.04682},
year = {2025}
}
备注
9 figures