一种基于物理知识的多尺度傅里叶神经算子框架,用于模拟雪崩动力学

《Journal of Hydrology》:A physics-informed multi-scale fourier neural operator framework for snow avalanche dynamics simulation

【字体: 大 中 小 】 时间:2026年04月29日 来源:Journal of Hydrology 6.3

编辑推荐:

  李星凯|姜远军|庄宇|胡晓波|赵斌斌 中国科学院山地灾害与环境研究所山地灾害与工程韧性重点实验室,中国成都 **摘要** 雪崩是高山流域典型的自然灾害。近实时预警和多情景风险评估需要在物理一致性和计算效率之间取得平衡,然而传统的数值求解器在高分辨率模拟或大规模情景集

  李星凯|姜远军|庄宇|胡晓波|赵斌斌
中国科学院山地灾害与环境研究所山地灾害与工程韧性重点实验室,中国成都

**摘要**
雪崩是高山流域典型的自然灾害。近实时预警和多情景风险评估需要在物理一致性和计算效率之间取得平衡,然而传统的数值求解器在高分辨率模拟或大规模情景集合计算中常常面临严重的计算瓶颈。为了解决这个问题,本研究提出了一个基于物理信息的神经算子(PINO)框架,用于高效预测雪崩动态过程。该框架以傅里叶神经算子为核心网络,并结合了控制方程的残差约束。通过引入无量纲物理损失、空间特征提取器和通道注意力机制等架构改进,显著提升了模型在不同地形和物理参数下学习复杂雪崩演化过程的能力。同时,主动区域优先采样方案和渐进式训练策略进一步提高了训练效率。该模型仅基于RAMMS软件生成的12个异构多情景数据集进行训练和评估。结果表明,该模型在跨参数和跨地形条件下具有相对稳定的准确性,其性能明显优于传统的基于物理信息的神经网络(PINNs),其零样本超分辨率性能也优于标准FNO。基准测试显示,推理时间达到了几秒到几十秒的近实时水平,为高山流域雪崩及其他浅层表面流动动态过程的多情景风险评估和近实时预测提供了一种可行且新颖的方法。

**引言**
雪崩是高海拔山区最具破坏性的地质灾害之一,其特征是在复杂地形条件下,由于雪层内凝聚力的不平衡而引发大量雪的突然高速滑动。这种灾害不仅表现为雪的快速移动,还伴随着强烈的气流冲击和动能传递(Zhuang等人,2023年),常常引发冰岩崩塌和冰川碎屑流等次生灾害,对山地生态系统和人类活动构成严重威胁(Eckert & Giacona,2023年)。准确模拟雪崩动态对于灾害评估和减灾至关重要;然而,基于浅水方程(SWEs)的传统计算流体动力学(CFD)求解器需要高分辨率网格和计算成本高昂的计算来捕捉雪流的多尺度物理特性。高昂的计算成本以及对初始条件和物理参数设置的敏感性限制了它们在大规模、多情景和实时预警系统中的应用(Baggio等人,2024年;Fischer等人,2013年;McClung,2024年;Sanz-Ramos等人,2023年)。

近年来,数据驱动方法逐渐应用于雪崩易发性和灾害建模,显著提高了建模推理效率。然而,传统的机器学习模型仍然严重依赖于训练集的样本量和目标域数据的质量,其在不同地形类型、数据分辨率和参数系统下的泛化能力仍然有限(Choubin等人,2019年;Abhinav和Sattar,2025年)(表1)。因此,结合物理先验知识的机器学习方法作为一种有前景的替代方案应运而生。例如,基于物理信息的神经网络(PINNs)将物理定律(如偏微分方程,PDEs)直接嵌入神经网络训练过程中,以更高的数据效率解决正向或逆向问题(Raissi等人,2019年)。PINNs在多个领域取得了成功,确保网络的预测输出遵循物理守恒定律(Dahal和Lombardo,2025年;Habib等人,2025年;Okazaki等人,2022年)。最近的应用将PINNs扩展到地质灾害和浅层水流,如滑坡预测(Dahal & Lombardo,2025年)、降雨引起的边坡稳定性(Cao & Gong,2025年)以及无标签数据的二维SWE问题(Qi等人,2024年),即使在复杂的地球物理环境中也表现出增强的数据效率和物理一致性。然而,将PINNs应用于涉及多物理耦合和非线性动态演化的复杂地质灾害(如雪崩)仍然极具挑战性。由于处理高度动态和多尺度流动现象的难度,以及训练优化问题导致的收敛性不佳,这一限制阻碍了PINNs在雪崩预测中的可靠性,尤其是在捕捉对雪崩动态预测至关重要的大规模滑动和小尺度流动特征方面。

为了解决基于物理信息的神经网络(PINNs)的某些局限性,神经算子学习技术在物理系统模拟中引起了广泛关注(Lu等人,2021年)。虽然像DeepONet这样的替代框架在处理非结构化连续数据方面表现出色,但本研究特别采用了傅里叶神经算子(FNO)(Li等人,2021年),因为它通过快速傅里叶变换(FFT)天然支持处理结构化网格(如高分辨率数字高程模型)。通过将输入数据投影到频率域,FNO能够高效捕捉全局空间相关性和多尺度频率域特征(Cheung和See,2021年)。其基本特性是学习输入情景与输出结果之间的通用功能映射,而不是拟合特定分辨率或单个样本。这一属性使得模型能够在无需重新训练的情况下对未见过的条件和分辨率进行零样本泛化,仅依赖于频率域信息的自适应重建和算子映射的传递(Pathak等人,2022年)。FNO及其相关神经算子在流体动力学和灾害动力学建模中展示了高精度(Chen等人,2024年;Renn等人,2023年)。值得注意的是,FNO已成功应用于一维浅水碎屑流动力学的快速、物理一致的替代模型(Secchi等人,2026年),在保持高保真度的同时显著加速了推理速度。然而,由于FNO对训练数据分布和质量的依赖性较高,其在高分辨率情景下的计算成本较高,且在动态系统中长期预测误差会累积,难以确保输出结果符合物理定律。

作为解决方案,提出了基于物理信息的神经算子(PINO)框架(Li等人,2021年),该框架通过在训练过程中整合物理PDE约束来增强数据驱动的神经算子,旨在结合算子学习泛化和物理信息训练的准确性优势。值得注意的是,PINO已被证明即使在零样本超分辨率情况下也能生成高保真度的解算子。

与上述文献相比,专门针对雪崩动力学模拟的研究仍受到一些限制。即使采用了先进的地形稳定性和适当源项平衡方案(Sanz-Ramos等人,2023年),传统数值求解器仍面临高昂的计算成本和网格分辨率敏感性,使其不适合大规模或实时多情景评估。数据驱动的机器学习方法主要推进了易发性映射、灾害分区和暴露分析,而非完整的时空流场预测(Abhinav & Sattar,2025年)。在传统CFD输出上训练神经网络的混合模拟学习框架(Guo等人,2025年)在某些方面提高了速度,但仍具有情景特定性,缺乏通用算子学习,并不能保证在不同地形、雪参数或分辨率下的严格物理守恒。纯PINNs和标准FNO在相关流动(如滑坡/碎屑流)中在一定程度上解决了效率或泛化问题,但在处理雪崩特有的多尺度非线性、流变变异性、气流冲击耦合和跨地形可转移性方面存在不足,且训练数据有限。因此,目前尚无框架能够同时实现高保真度的物理信息算子学习、多尺度特征融合、数值稳定性和针对雪崩动力学的零样本泛化——这些正是本研究所要解决的精确问题。

基于PINO概念,我们从三个角度优化了框架,以应对雪崩动力学的多尺度和强非线性物理过程:信息保留、特征融合和稳定性。具体来说,我们引入了一种跳过连接方案,保留了初始雪崩厚度场的特征信息;在每个FNO块中,我们结合了频率域卷积、空间局部特征提取、多尺度卷积特征融合和注意力机制;并加入了严格的数值稳定性处理。通过这些设计,我们开发了一个专门用于雪崩动力预测的模型,可以从有限但多样的数据集中学习多参数PDE解算子,从而在不同地形间表现出强大的可转移性和泛化能力。

从工程应用的角度来看,一旦训练完成,所提出的模型可以在几秒到几十秒的时间内完成推理,相对于传统的基于物理的数值求解器实现了数量级的加速,并为多情景雪崩灾害评估和近实时预警提供了实用途径。更重要的是,本研究提出的基于物理信息的算子学习策略不仅限于雪崩。这种深度平均的控制方程建模框架也适用于其他浅层表面灾害,如碎屑流、浅层滑坡和含碎屑的流动。这些过程通常具有保守律结构和与浅水类型公式密切相关的强烈地形控制。因此,通过支持在多源地形输入、材料参数扰动和稀疏训练样本下的快速推理,所提出的框架为相关灾害的实时模拟和风险评估提供了可转移的技术指导,为岩土工程、灾害水文学和高山灾害管理提供了实用的工具基础。

本文的其余部分结构如下:第2节详细阐述了控制方程的数学公式和所提出的基于物理信息的神经算子的架构。第3节描述了研究区域和多情景数据集的准备工作。第4节介绍了损失函数的公式和训练配置。第5节讨论了广泛的实验结果,包括泛化和超分辨率测试。最后,第6节总结并讨论了本研究。

**数据驱动方法和控制方程**
由于实际环境中真实雪崩测量数据的有限可用性,难以满足深度学习模型训练数据集的质量要求。因此,使用大量真实雪崩事件校准的数值解成为高质量训练数据的可靠来源。在本研究中,采用了深度积分方法来求解雪崩动力学,主要考虑了动量和质量的守恒。

**研究区域描述**
研究区域位于西藏东南部典型的雪崩沟谷内,属于聂恩肯唐拉山脉,该地区以频繁的高山雪崩活动为特征。地形非常崎岖,坡度角度通常超过30°,许多山坡的坡度在30°到50°之间。这样的陡峭坡度是雪崩发生的必要条件,提供了足够的重力驱动力。

**训练配置**
雪崩数据集来自高分辨率RAMMS模拟,该模拟结合了DEM衍生的地形数据和深度平均的浅水方程。模拟了12种不同的地形情景,每种情景在396×396的计算网格上以5秒间隔产生了19-41个时间帧,产生了数百万个监督数据点。动态变量(流速和深度)使用其在活跃雪崩区域内的统计分布进行了标准化。

**与数值解的比较**
在实际工程应用中,一旦确定了地形和释放区域,主要关注点通常是快速评估在不同初始释放厚度和摩擦相关参数(如初始释放厚度、μ、ξ、ρ和凝聚力)组合下的风险。因此,为了测试模型在固定地形下的跨参数泛化能力,采用了相同的地形条件和初始释放区域范围。

**结论与讨论**
本研究提出了一个基于物理信息的多尺度傅里叶神经算子框架,用于快速模拟复杂山地地形上的雪崩动力学。使用来自西藏东南部代表性雪崩沟谷的RAMMS数据集,在小样本设置下对模型进行了训练和评估(12种情景)。在这些数值实验的范围内,所提出的框架在计算效率和物理一致性之间实现了实用的平衡。

**未引用的参考文献**
EW & Yu,2018年;He等人,2016年;Li等人,2021年;Wang等人,2025年。

**作者贡献声明**
李星凯:写作——审阅与编辑、原始草稿的撰写、概念化。姜远军:概念化。庄宇:监督、概念化。胡晓波:概念化。赵斌斌:监督。

**利益冲突声明**
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

**致谢**
本研究得到了中国国家重点研发计划(项目编号2023YFC3008300和2023YFC3008305)、国家自然科学基金(项目编号42172320)、中国科学院山地灾害与环境研究所山地灾害与工程韧性重点实验室(项目编号KLMHER-Z06和KLMHER-T07)以及山地灾害与环境研究所的科技研究计划的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号