Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling
Soheil Radfar, Faezeh Maghsoodifar, Hamed Moftakhari and Hamid Moradkhani
沿海社区越来越多地面临复合洪水,风暴潮,高潮,强降雨和河流排放等多个驱动因素共同发生或按顺序产生的影响远远超过任何单一驱动因素。 传统的流体动力学模型可以提供准确的基于物理的模拟,但需要大量计算资源进行实时应用或风险评估,而机器学习替代方案通常会牺牲物理一致性以获得速度,在极端事件期间产生不切实际的预测。 这项研究通过开发ALPINE(All-in-one Physics Informed Neural Emulator)来解决这些挑战,ALPINE是一个物理信息神经网络(PINN)框架,用于在复合洪水建模中强制执行完整的浅水动力学。 与以前实施部分约束的方法不同,我们的框架同时执行质量守恒和动量方程,确保在整个预测过程中完全遵守牛顿定律。 该模型将卷积编码器-解码器架构与ConvLSTM时间处理相结合,使用复合损失函数进行训练,该函数平衡数据保真度与基于物理的残差。 使用六个历史风暴事件(四个用于训练,一个用于验证,一个用于看不见的测试),我们观察到基线神经网络的实质性改进。 ALPINE 减少了场均预测错误,并改进了水面高程和速度组件的模型技能指标。 在风暴高峰强度期间,物理信息约束被证明是最有价值的,当多个洪水驱动因素相互作用时,可靠的预测至关重要。 这种方法产生一种物理上一致的模拟器,能够支持化合物洪水预测和大规模风险分析,同时保持对沿海应急管理至关重要的物理现实主义。
Coastal communities increasingly face compound floods, where multiple drivers like storm surge, high tide, heavy rainfall, and river discharge occur together or in sequence to produce impacts far greater than any single driver alone. Traditional hydrodynamic models can provide accurate physics-based simulations but require substantial computational resources for real-time applications or risk assessments, while machine learning alternatives often sacrifice physical consistency for speed, produci...
