基于物理信息神经网络的圣维南方程用于大尺度河流模型降尺度
流体动力学
2023-03-15 v1 大气与海洋物理
摘要
大尺度河流模型正在沿海区域进行精细化，以增进对海岸过程、灾害及气候响应变化的科学理解。然而，潮汐河流物理表征中的粗网格分辨率与近似限制了此类模型在分辨复杂流动动力学方面的表现，尤其在河流—海洋界面附近，导致洪水淹没模拟不准确。在本研究中，我们提出一种基于最先进的物理信息神经网络（PINN）的机器学习（ML）框架，以模拟子网格尺度下降尺度的流动。首先，我们证明 PINN 能够同化多种类型的观测并直接求解一维（1-D）圣维南方程（SVE）。我们在若干合成案例中于洪泛平原与明渠上进行了流动模拟。PINN 的性能对照解析解与数值模型进行了评估。我们的结果表明，在同化有限观测的情况下，PINN 的水深解具有令人满意的精度。在风暴潮与潮汐诱发的洪水波传播情形下，基于傅里叶特征嵌入提出了一种新的神经网络架构，可将周期性潮汐边界条件无缝编码进 PINN 的公式之中。此外，我们展示了基于 PINN 的降尺度通过同化观测数据能够产生更合理的沿程水深子网格解。PINN 解在分辨子网格尺度的地形与动态流动状态方面优于简单线性插值。本研究为提升大尺度模型刻画精细海岸过程的能力提供了一条有前景的路径。
引用
@article{arxiv.2210.03240,
title = {Physics-informed neural networks of the Saint-Venant equations for downscaling a large-scale river model},
author = {Dongyu Feng and Zeli Tan and QiZhi He},
journal= {arXiv preprint arXiv:2210.03240},
year = {2023}
}