用于河流水位预测的物理信息神经网络代理模型
机器学习
2025-03-24 v1 人工智能
摘要
本文研究将物理信息神经网络（PINNs）用作河流水位预测代理模型的可行性，旨在降低计算成本的同时保持预测精度。我们的主要贡献在于证明：当在单条河流上进行训练时，PINNs 能够成功近似 HEC-RAS 的数值解，整体相对误差较低，预测精度较高，但部分河段偏差较大。通过将控制方程 Saint-Venant 方程组融入学习过程，所提出的基于 PINN 的代理模型能够保证物理一致性，并相较 HEC-RAS 显著提升计算效率。我们从精度与计算速度两方面评估模型性能，结果表明该模型能够紧密近似 HEC-RAS 的预测结果，同时支持实时推理。这些结果凸显了 PINNs 作为单河流水动力学有效代理模型的潜力，为计算高效的河流水位预报提供了一条前景广阔的替代方案。未来工作将探索提升 PINN 训练稳定性与鲁棒性的方法，以构建更具泛化性的多河流模型。
引用
@article{arxiv.2503.16850,
title = {Physics-Informed Neural Network Surrogate Models for River Stage Prediction},
author = {Maximilian Zoch and Edward Holmberg and Pujan Pokhrel and Ken Pathak and Steven Sloan and Kendall Niles and Jay Ratcliff and Maik Flanagin and Elias Ioup and Christian Guetl and Mahdi Abdelguerfi},
journal= {arXiv preprint arXiv:2503.16850},
year = {2025}
}
备注
10 pages, 5 figures