基于自适应参数化物理信息神经网络(SAP-PINNs)的河口悬浮絮体尺寸预测模型研究

本研究针对传统絮凝动力学模型在复杂水动力条件下适应性差、预测精度低的问题，提出自适应参数化物理信息神经网络(SAP-PINNs)模型，动态优化絮凝方程中的聚集系数(Ka)、破碎系数(Kb)和侵蚀参数(q)。实验验证显示模型预测精度提升88.31%，R2达0.99，为河口泥沙输运及生态管理提供新工具。

　　

在河口生态系统中，细颗粒泥沙絮体的尺寸变化如同微观世界的"变形记"，直接影响着泥沙输运、污染物迁移和底栖生物栖息环境。然而，传统絮凝动力学模型如同刻板的教条，依赖固定经验参数，难以应对复杂多变的水动力条件，导致预测结果与实际情况相去甚远。这一瓶颈问题长期制约着河口海岸工程设计和生态管理的精准性。

针对这一挑战，中国国家自然科学基金资助的研究团队创新性地将物理定律与机器学习相融合，开发出自适应参数化物理信息神经网络(SAP-PINNs)模型。这项发表在《Water Research》的研究，如同为絮体动力学研究装上了"智能导航系统"，通过动态优化W98mod絮凝方程中的关键参数，实现了对絮体尺寸(D_f)的高精度预测。

研究团队运用三大关键技术：1）基于1D-CNN(一维卷积神经网络)的激光原位测量(LISST)数据降噪处理，有效消除传感器误差和环境干扰；2）结合高速摄像（20帧/秒）和图像分析技术，精确捕捉珠江口采集的泥沙样品絮体生长过程；3）采用SHAP(沙普利加性解释)算法解析剪切应力(G)、盐度(PSU)等环境因子对絮凝的影响权重。

【实验室实验数据集处理】
通过控制剪切应力的水槽实验发现，SAP-PINNs模型在低剪切应力下校准后，能准确预测高剪切条件下的絮体尺寸，验证了其跨水动力条件的鲁棒性。高速摄像记录显示，絮体尺寸分布与剪切速率呈非线性响应关系。

【1D-CNN神经网络模型去噪效果】
对2020-2021年野外数据的处理表明，1D-CNN在保留原始信号趋势的同时，将噪声振幅降低达70%，信噪比(SNR)提升显著，为模型训练提供了高质量输入。

【CNN去噪性能】
比较分析证实，传统滤波方法会扭曲絮体尺寸时序特征，而1D-CNN能有效区分真实物理过程与随机噪声，特别在湍流强烈的河口区域数据修复中表现突出。

【结论】
该研究突破性地实现了三大创新：首先，SAP-PINNs将絮体尺寸预测精度提升至MAE=0.78，较传统模型提高88.31%；其次，SHAP分析揭示剪切应力和盐度是主导因素，悬浮泥沙浓度(SSC)存在最优促进区间，而温度影响较弱；最后，模型物理约束项的引入使预测结果符合质量守恒定律，解决了纯数据驱动模型的"物理失真"问题。

这项研究为复杂水动力系统的泥沙输运模拟树立了新范式，其方法论框架可扩展应用于海岸工程、生态评估等领域。特别是对珠江口等强混合河口，该模型能精准预测絮体介导的污染物迁移路径，为智慧水务管理提供关键技术支撑。未来通过嵌入遥感数据同化模块，有望实现河口絮凝过程的实时预报预警。