2025.5.4机器学习笔记：PINN文献阅读

文献阅读

题目信息

• 题目： Physics-Informed Neural Network Approach for Solving the One-Dimensional Unsteady Shallow-Water Equations in Riverine Systems
• 期刊： Journal of Hydraulic Engineering
• 作者： Zeda Yin, S.M.ASCE; Jimeng Shi; Linlong Bian, S.M.ASCE; William H. Campbell; Sumit R. Zanje, S.M.ASCE; Beichao Hu; and Arturo S. Leon, M.ASCE
• 发表时间： 2025
• 文章链接： https://ascelibrary.org/doi/epdf/10.1061/JHEND8.HYENG-13572

摘要

数值方法在求解非线性偏微分方程时，实际应用中存在一定困难。传统机器学习和深度学习模型依赖大量高质量训练数据，数据成本高且难度大。此外，这些模型多为黑箱模型，计算过程难以解释。尽管PINN近年来在多个领域取得成功，但在浅水方程及水文学和水力学领域的应用研究仍不充分。现有研究多集中于求解其他偏微分方程，且在考虑地形信息和摩擦的明渠水流问题上，尚无有效的PINN框架。基于以上背景，本文旨在提出一种新的PINN框架，以解决一维非稳态浅水方程，为水系统工程问题提供更有效的解决方案。文中详细介绍PINN框架，包括前向步骤、损失函数构建和反向步骤，还对其进行改进以解决大规模问题。通过两个案例验证，结果表明PINN能准确预测流速、流量和水位，且可进行位置和时间外推，但存在训练时间长和泛化性不足的局限。

创新点

该论文使用的PINN是无数据方法，不受数据获取难题限制。且PINN将物理规律数学表达式融入框架，能进行位置和时间外推，提升极端条件下可靠性。

网络架构

SVE由质量守恒方程和动量守恒方程组成，适用于任意形状的横截面，可写为：
$$\frac{\partial \mathbf{U}}{\partial t}+\frac{\partial \mathbf{F}}{\partial x}=\mathbf{S}$$
其中，向量变量定义为：
$$\mathbf{U}=\left[\begin{array}{c}A\\ Q\end{array}\right],\mathbf{F}=\left[\begin{array}{c}Q\\ \frac{Q^2}{A}+g{I}_1\end{array}\right],\mathbf{S}=\left[\begin{array}{c}0\\ gA(S_0-S_f)\end{array}\right]$$
A: 横截面湿周面积；Q: 横截面流量；$g{I}_1$ : 静水推力；$S_f$：摩擦坡度；$S_0$：地形高程坡度；t: 时间；x: 空间坐标。
其中：
$g\frac{\partial I_1}{\partial x}=gA\frac{\partial h}{\partial x}$
摩擦坡度通过Manning方程计算：
$S_f={\left(\frac{nv}{K{R}^{0.667}}\right)}^2$
地形高程坡度为：
$S_0=-\frac{dz}{dx}$
其中
n: Manning粗糙系数；v: 横截面流速；K: 单位转换因子；R: 水半径；z: 河床高程。
以上是用向量表示，拆开来第一行（即质量守恒），第二行（动量守恒）简化就是如下图所示：

论文的PINN结构如下：
输入： 输入为空间x和时间t

输出： 为流速𝑣及水位h

结构： 全连接多层感知器，8个隐藏层，每层80个隐藏单元，ReLU激活函数。

由于横截面形状复杂，参数（A,P,R,B）无法解析计算。
论文基于DEM数据，采用数值方法计算。

DEM（Digital Elevation Model，数字高程模型）是一种表示地表高程的数字化数据集，通常以网格或点云的形式存储。
它记录了地表在特定位置（通常以经纬度或投影坐标表示）的海拔高度
广泛应用于地理信息系统、水文建模、地形分析、洪水模拟等领域。
DEM数据可以描述地形特征，如河床、坡度、山谷等，对于模拟水流、洪水传播和地形相关计算至关重要。

DEM提供离散采样点，每个点包含横截面距离a和高程b。
然后将高程值转换为相对于预测水深的坐标，如下图所示：

湿周面积A通过梯形规则积分高程和距离：
$A=-{\sum }_{i=1}^{n-1}\frac{(b_{i+1}+b_i)\ast (a_{i+1}-a_i)}{2}$
湿周周长P累加相邻点间的欧几里得距离：
$P={\sum }_{i=1}^{n-1}\sqrt{(a_{i+1}-a_i{)}^2+(b_{i+1}-b_i{)}^2}$
水面半径R和顶部宽度B直接从A,P和边界点计算：
$R=\frac{A}{P}$
$B=a_m-a_k$
损失函数： 损失函数包括上游边界、下游边界、质量方程和动量方程损失组成。
由于各部分量级差异，比如，水位h为10²而偏导数$\frac{\partial h}{\partial t}$为10^-3-10^-8，直接求和会导致优化偏向某些分量。每个损失分量乘以权重（$W_1-W_4$），使其量级接近，权重通过边界条件的量级和网格划分，如下图所示：

$${\mathcal{L}}_{\text{total}}=W_1{\mathcal{L}}_{{\text{up}}_{bc}}+W_2{\mathcal{L}}_{{\text{down}}_{bc}}+W_3{\mathcal{L}}_{{\text{physics}}_{mass}}+W_4{\mathcal{L}}_{{\text{physics}}_{momentum}}$$
PDE残差项基于SVE：
${\mathcal{L}}_{\text{physics}}=\frac{1}{N_{\text{physics}}}{\sum }_{i=1}^{N_{\text{physics}}}{\left|\frac{\partial \mathbf{U}}{\partial t}+\frac{\partial \mathbf{F}}{\partial x}-\mathbf{S}\right|}^2$
上游边界条件损失：
${\mathcal{L}}_{{\text{up}}_{bc}}=\frac{1}{N_{{\text{up}}_{bc}}}{\sum }_{i=1}^{N_{{\text{up}}_{bc}}}{\left|{\hat{v}}_{bc}-v_{bc}\right|}^2$
下游边界条件损失：
${\mathcal{L}}_{{\text{down}}_{bc}}=\frac{1}{N_{{\text{down}}_{bc}}}{\sum }_{i=1}^{N_{{\text{down}}_{bc}}}{\left|{\hat{h}}_{bc}-h_{bc}\right|}^2$
其中：
$N_{\text{physics}}$为配点总数；$N_{{\text{up}}_{bc}}$与$N_{{\text{down}}_{bc}}$上下游边界点数；$W_1-W_4$为权重；

实验

实验采用多阶段训练策略，如下图所示：
分阶段优化边界和物理方程，模拟了先确定边界再求解内部场的逻辑，加速收敛。论文将训练分为三个阶段优化。
第一阶段为放大边界条件权重，优先优化边界收敛。
第二阶段则平衡权重，降低学习率，优化SVE残差。
第三阶段略微增加SWEs权重，进一步提高精度。

论文通过假设和实际场景研究展示了PINN框架求解一维非定常浅水方程的性能，具体结果如下：

1. 假设的均匀梯形渠道中流量和水位突然变化的场景
   PINN框架和HEC - RAS输出的速度和水位剖面吻合良好，所有横截面速度和水位的平均绝对误差分别为0.002743 m/s和0.001219 m。
   
   PINN能高精度求解流量基一维浅水方程，预测水位的平均绝对误差与速度基PINN相近，约为0.0012 m，但流量的平均绝对误差比速度大，这是因为流量尺度更大且未进行归一化。
   

2. 休斯顿赛普拉斯溪下游的实际案例
   PINN框架和HEC - RAS输出对比，流量预测的平均绝对误差在0.0833 - 0.10083 m³/s之间，水位预测的平均绝对误差在0.0152 - 0.079 m之间，PINN输出趋势对流量和水位略有低估。
   
   通过追踪内部横截面在每次迭代中的损失函数值，发现存在全局最小值，证明PINN框架理论上可获得一维浅水方程的小残差解。
   
   PINN在计算域内的位置外推结果准确，平均绝对误差甚至小于非外推预测结果。
   
   在计算域外进行外推测试，与边界位置的结果无显著差异，表明PINN可在域外进行合理外推。
   
   以水位站记录的历史数据为参考，对未来30小时进行外推，外推结果的平均绝对误差与非外推预测相似，趋势与历史曲线拟合良好。
   

代码如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from uuid import uuid4# 设置随机种子，确保可重复性
tf.random.set_seed(42)
np.random.seed(42)# 物理参数
g = 9.81  # 重力加速度 (m/s^2)
n = 0.013  # Manning粗糙系数
K = 1.0  # 单位转换因子（SI单位）# DEM数据
def compute_hydraulic_params(h, x):# 假设梯形横截面：底宽2m，边坡1:1b0 = 2.0  # 底宽z = 1.0   # 边坡A = h * (b0 + z * h)  # 湿周面积P = b0 + 2 * h * tf.sqrt(1 + z**2)  # 湿周周长R = A / P  # 液压半径B = b0 + 2 * z * h  # 顶部宽度S0 = -0.001  # 假设地形坡度（简化）return A, P, R, B, S0# 定义神经网络模型
class PINN(tf.keras.Model):def __init__(self):super(PINN, self).__init__()# 8层全连接网络，每层80个单元，ReLU激活self.layers_list = [tf.keras.layers.Dense(80, activation='relu') for _ in range(8)]self.output_layer = tf.keras.layers.Dense(2)  # 输出：v（流速），h（水位）def call(self, inputs):x, t = inputs[:, 0:1], inputs[:, 1:2]X = tf.concat([x, t], axis=1)for layer in self.layers_list:X = layer(X)return self.output_layer(X)  # [v, h]# 计算物理残差
def compute_physics_loss(model, x, t):with tf.GradientTape(persistent=True) as tape:tape.watch([x, t])inputs = tf.concat([x, t], axis=1)vh = model(inputs)  # 预测 [v, h]v, h = vh[:, 0:1], vh[:, 1:2]# 计算一阶偏导数dv_dx = tape.gradient(v, x)dh_dx = tape.gradient(h, x)dh_dt = tape.gradient(h, t)# 计算水文参数A, P, R, B, S0 = compute_hydraulic_params(h, x)# 摩擦坡度Sf = (n * v / (K * tf.pow(R, 2/3)))**2# 质量守恒方程残差（简化形式，公式18）res_mass = dh_dt + (A / B) * dv_dx + v * dh_dx# 动量守恒方程残差（忽略Q^2/A项，简化）res_momentum = g * A * (dh_dx + Sf - S0)# L2范数平方损失loss_mass = tf.reduce_mean(tf.square(res_mass))loss_momentum = tf.reduce_mean(tf.square(res_momentum))return loss_mass, loss_momentum# 计算边界条件损失
def compute_bc_loss(model, x_bc, t_bc, v_bc, h_bc):inputs = tf.concat([x_bc, t_bc], axis=1)vh = model(inputs)v_hat, h_hat = vh[:, 0:1], vh[:, 1:2]# 上游流速损失loss_up_bc = tf.reduce_mean(tf.square(v_hat - v_bc)) if v_bc is not None else 0.0# 下游水位损失loss_down_bc = tf.reduce_mean(tf.square(h_hat - h_bc)) if h_bc is not None else 0.0return loss_up_bc, loss_down_bc# 训练函数
def train_pinn(model, x_physics, t_physics, x_bc_up, t_bc_up, v_bc_up, x_bc_down, t_bc_down, h_bc_down, epochs, lr, weights):optimizer = tf.keras.optimizers.Adam(learning_rate=lr)for epoch in range(epochs):with tf.GradientTape() as tape:# 物理残差loss_mass, loss_momentum = compute_physics_loss(model, x_physics, t_physics)# 边界条件loss_up_bc, loss_down_bc = compute_bc_loss(model, x_bc_up, t_bc_up, v_bc_up, x_bc_down, t_bc_down, h_bc_down)# 总损失loss = (weights[0] * loss_up_bc + weights[1] * loss_down_bc +weights[2] * loss_mass + weights[3] * loss_momentum)gradients = tape.gradient(loss, model.trainable_variables)optimizer.apply_gradients(zip(gradients, model.trainable_variables))if epoch % 100 == 0:print(f"Epoch {epoch}, Loss: {loss.numpy():.6f}, "f"BC_up: {loss_up_bc.numpy():.6f}, BC_down: {loss_down_bc.numpy():.6f}, "f"Mass: {loss_mass.numpy():.6f}, Momentum: {loss_momentum.numpy():.6f}")# 主函数
def main():L = 79.25  # 渠道长度T = 600.0  # 时间范围N_physics = 1000  # 物理配点数N_bc = 100  # 边界点数x_physics = tf.random.uniform((N_physics, 1), 0, L)t_physics = tf.random.uniform((N_physics, 1), 0, T)# 生成边界点t_bc = tf.random.uniform((N_bc, 1), 0, T)x_bc_up = tf.zeros_like(t_bc)  # 上游 x=0x_bc_down = L * tf.ones_like(t_bc)  # 下游 x=L# 模拟边界条件v_bc_up = tf.sin(2 * np.pi * t_bc / T) * 0.5 + 0.5  # 上游流速尖峰h_bc_down = tf.sin(2 * np.pi * t_bc / T) * 0.2 + 0.5  # 下游水位尖峰# 初始化模型model = PINN()# 多阶段训练stages = [# 第一阶段：优先优化边界条件{"epochs": 5000, "lr": 1e-4, "weights": [1.0, 1.0, 0.1, 0.1]},# 第二阶段：平衡物理和边界{"epochs": 4000, "lr": 1e-5, "weights": [1.0, 1.0, 1.0, 1.0]}]for stage in stages:print(f"训练阶段：学习率={stage['lr']}, 权重={stage['weights']}")train_pinn(model, x_physics, t_physics,x_bc_up, t_bc, v_bc_up,x_bc_down, t_bc, h_bc_down,stage["epochs"], stage["lr"], stage["weights"])x_test = tf.linspace(0, L, 100)[:, None]t_test = tf.ones_like(x_test) * 300.0  # t=300sinputs = tf.concat([x_test, t_test], axis=1)vh_pred = model(inputs)v_pred, h_pred = vh_pred[:, 0], vh_pred[:, 1]plt.figure(figsize=(10, 5))plt.plot(x_test, v_pred, label="预测流速 (v)")plt.plot(x_test, h_pred, label="预测水位 (h)")plt.xlabel("x (m)")plt.ylabel("值")plt.legend()plt.savefig("pinn_result.png")plt.close()if __name__ == "__main__":main()

结论

本文提出并测试了用于求解一维非定常浅水方程的物理信息神经网络。PINN框架能准确预测假设场景和历史洪水场景结果，误差小。可求解基于速度和流量的浅水方程，能对下游赛普拉斯溪案例在大流量下准确预测流量和水位。响应面表明PINN理论上可获小残差解，还能进行位置和时间外推，与参考数据高度吻合。

不足以及展望

PINN训练时间长，因优化器找最优解难，且本文方法集成数值计算，GPU处理表现差。且PDE在边界和初始条件不确定时有无限解，PINN只能在特定边界条件下求近似解，不同条件需重新训练。后续希望探索优化训练算法或硬件加速方式，减少PINN训练时间，如改进GPU对数值计算的处理能力。将边界条件作为输入变量，扩大浅水方程近似形式，使其能在一定边界条件范围内回归方程。完善PINN模型，使其能处理涉及各种水工结构的复杂河流系统，减少对额外理论或经验方程的依赖。