用于海洋污染物建模的物理信息神经网络
机器学习
2025-07-15 v1
摘要
传统数值方法常在处理跨越广阔动态海洋域的污染物输运复杂性和规模时面临挑战。本文引入基于物理信息神经网络（Physics-Informed Neural Network, PINN）的框架，用于模拟受二维平流扩散方程控制的污染物扩散。该模型通过嵌入物理规律并拟合来自有限差分方法（Finite Difference Method, FDM）生成的带噪合成数据，直接纳入神经网络训练过程，从而实现物理一致的预测。该方法解决了非线性动力学以及边界和初始条件强制执行等挑战。用于捕捉真实世界变异性的合成数据集经过不同噪声水平的增强处理。训练采用包括PDE残差、边界/初始条件符合性以及加权数据拟合项的混合损失函数。该方法利用Julia语言的科学计算生态系统实现高性能仿真，为传统求解器提供了可扩展且灵活的替代方案。
引用
@article{arxiv.2507.08834,
title = {Physical Informed Neural Networks for modeling ocean pollutant},
author = {Karishma Battina and Prathamesh Dinesh Joshi and Raj Abhijit Dandekar and Rajat Dandekar and Sreedath Panat},
journal= {arXiv preprint arXiv:2507.08834},
year = {2025}
}
备注
13 pages, 9 figures, 3 tables