基于混合数据驱动和物理信息的神经网络建模,用于区域时空波参数预测

《Ocean Engineering》:Hybrid data-driven and physics-informed neural network modeling for regional spatiotemporal wave parameter prediction

【字体: 大 中 小 】 时间:2026年05月05日 来源:Ocean Engineering 5.5

编辑推荐:

  雷王|柯照方|坤政|孙佳文|王平|刘忠波 中国大连工业大学海岸与海洋工程国家重点实验室,大连116024 摘要 准确的区域波浪预报对沿海安全和海洋作业至关重要,然而现有方法在数值模型的计算成本与纯数据驱动方法的物理一致性之间面临权衡。本研究提出了SWAN-PINN,

  雷王|柯照方|坤政|孙佳文|王平|刘忠波
中国大连工业大学海岸与海洋工程国家重点实验室,大连116024

摘要
准确的区域波浪预报对沿海安全和海洋作业至关重要,然而现有方法在数值模型的计算成本与纯数据驱动方法的物理一致性之间面临权衡。本研究提出了SWAN-PINN,这是一种基于物理信息的深度学习框架,用于区域波浪预报,它明确地将时变的、非平稳的波浪能量平衡方程作为可微分约束纳入其中。该框架不是直接回归波浪参数,而是使用CNN-LSTM主干网络来预测中间物理状态变量,即波浪能量密度(e)和波数(k),然后通过定制的SWAN物理模块来重建有效波高(Hs)、波浪周期(T)和平均波浪方向(Dir)。通过这种方式,框架在结合监督学习与基于物理的正则化的同时,保持了变量之间的物理耦合。该模型已通过高保真数值模拟和渤海的实地观测数据进行了验证。结果表明,SWAN-PINN在1至12小时的预报时段内性能优于标准的数据驱动模型基线,短期预报的R2值超过0.99,并且在12小时时段内有效波高的均方根误差(RMSE)保持在0.15米以内。此外,该模型具有更高的数据效率,仅使用6个月的训练数据即可达到与基于10个月数据训练的基线模型相当的预测性能。物理约束的引入还改善了在能量事件期间对峰值波高的表示能力。这些结果表明,SWAN-PINN为区域波浪预报提供了一种高效且具有物理解释性的方法。

引言
表面重力波是海洋动力学的基础,代表了风能和动量传递到海洋的主要机制(Sullivan等人,2007年)。关键波浪参数,如有效波高、波浪周期和波浪方向,表征了海况,对科学研究和工程应用至关重要。因此,准确预测这些参数对于包括沿海灾害评估、海上基础设施设计、海洋导航和操作预报系统在内的广泛应用都至关重要(Turner等人,2024年)。海洋波浪的时空演变受复杂物理过程的支配,包括风力作用、非线性波浪相互作用、波浪传播以及水深折射和变浅效应。然而,在近岸区域准确解析这些强烈非平稳且空间异质性的波浪过程仍然是一个长期挑战,尤其是在需要实时预报和计算效率的情况下(Han和Webster,2002年)。

在过去几十年中,区域波浪预报方法取得了显著发展,从基于经验统计关系的方法过渡到基于物理一致的数值模拟。早期的方法,如Sverdrup-Munk-Bretschneider(SMB)方法(Sverdrup和Munk,1947年)和Pierson-Neumann-James(PNJ)谱方法(Pierson等人,1955年),都是基于拟合观测数据的经验关系。然而,这些方法缺乏严格的物理基础,因此在超出校准条件时的泛化能力有限。为了克服这些限制,基于波浪作用守恒和能量平衡原理的谱波浪模型成为操作波浪预报的主流方法。对于开阔海域的应用,第三代谱模型如WAve Model(WAM)(Group,1988年)和第三代WAVEWATCH III(WW3)(Tolman,1991年)被广泛采用。在近岸区域,Simulating WAves Nearshore(SWAN)模型(Booij等人,1999年)已成为标准模型,明确考虑了浅水过程,包括深度引起的折射、变浅、波浪破碎和底部摩擦。尽管这些数值模型在物理上是一致的,但它们面临重大的计算和操作挑战。首先,在高分辨率空间网格上求解控制方程需要大量计算资源,这通常排除了实时操作预报的可能性(Chen和Xue,2025年)。其次,这些模型需要精确的初始和边界条件;实际上,这些数据常常不完整或不确定,导致病态逆问题,这会严重损害预报准确性(Raissi等人,2019年)。此外,生成用于解析复杂海岸几何形状的非结构化网格在计算上要求很高,并且容易受到离散化误差的影响(Dietrich等人,2011年)。

鉴于传统数值模型的计算瓶颈,数据驱动方法,特别是深度学习(DL),由于其捕捉复杂非线性关系的能力并能够实现实时预报,因此越来越受到重视。早期在波浪预报中的DL应用主要集中在使用人工神经网络(ANNs)(Deo和Naidu,1998年)、循环神经网络(RNNs)(Mandal和Prabaharan,2006年)、反向传播(BP)神经网络(Wang等人,2018年)和支持向量机(SVMs)(Chen和Wang,2020年)等架构进行单点时间序列预测。其中,长短期记忆(LSTM)网络在捕捉波浪参数的长期时间依赖性方面表现出了优越能力(Fan等人,2020年)。为了解决波浪信号的非平稳特性,开发了结合信号分析技术(如离散小波变换(DWT)和经验模态分解(EMD)的混合模型,以减少噪声污染并提高预报准确性(Dixit等人,2015年;Duan等人,2016年;Kaloop等人,2020年)。然而,波浪动态本质上是时空性的,局部条件受到区域风力作用和相邻区域波浪传播的强烈影响(Bai等人,2022年)。因此,最近的研究集中在将DL架构扩展到空间分布的波浪场预报。一种方法是训练DL模型作为替代仿真器来复制计算成本高昂的物理模型的输出。例如,James等人(2018年)使用多层感知器(MLP)和SVM模型来仿真SWAN的输出,为估计区域波浪参数提供了一种计算效率高的替代方案。同样,Feng等人(2020年)证明,这样的替代模型可以将计算时间减少1000倍;然而,这些方法仅限于静态输入-输出映射,而不是动态时间预报。最近,开发了更先进的时空架构以实现区域波浪预报。Zhou等人(2021年)应用卷积LSTM(ConvLSTM)架构来预测中南中国的有效波高场,后来Han等人(2022年)将该方法扩展用于评估输入参数的敏感性。Wang等人(2022年)进一步发展了CNN-BiLSTM-Attention架构,利用双向时间编码和注意力机制来捕捉复杂的时空依赖性。此外,Steele等人(2024年)提出了一个综合框架,将基于注意力的LSTM与随机森林模型结合用于空间外推。尽管有这些进展,纯数据驱动模型应用于地球物理预报仍存在根本限制。主要限制是它们的“黑箱”性质:由于缺乏明确的物理约束,这些模型可能产生违反基本守恒原理的预测(Wagner和Rondinelli,2016年)。此外,当应用于训练数据分布之外的条件时,它们通常表现出较差的泛化能力。最后,深度学习模型通常需要大量的训练数据,而在操作海洋学应用中这些数据往往稀缺或获取成本高昂(Karpatne等人,2017年)。

为了解决纯数据驱动模型的“黑箱”限制和较差的泛化能力,将物理原理整合到神经网络架构中已成为科学机器学习的一个有前途的范式(Raissi等人,2020年)。基于物理信息的神经网络(PINNs)是这一范式中特别有前途的框架。PINNs将控制偏微分方程(PDEs)直接嵌入神经网络损失函数中作为软约束,从而确保预测与已知物理定律保持一致。早期的PINN研究侧重于针对典型流体力学问题的验证,从粘性流的Navier-Stokes方程开始。后续工作将PINNs扩展到典型的非线性波浪方程,如浅水孤立波的Korteweg–de Vries(KdV)方程、深水波浪包的非线性Schr?dinger方程以及冲击波动力学的Burgers方程(Raissi等人,2019年;Savovi等人,2023年;Wen和Chaolu,2023年;Wang和Yan,2021年;Gu等人,2024年)。这些基础研究证明了使用神经网络作为理想化波浪问题的PDE求解器的可行性。在这些典型基准的基础上,最近的努力开始将PINNs应用于更现实的、高维的海洋和大气系统。例如,Mao等人(2020年)利用PINNs来近似涉及具有光滑解的一维方程以及具有接触不连续性和二维斜激波问题的高速空气动力学流动的欧拉方程,证明了该框架能够在传统技术经常失败的逆问题中准确推断出完整流动状态。Wang等人(2022年)将静止波能量平衡方程和色散关系整合到PINN框架中,以模拟沿岸堤坝海滩和圆形浅滩上的波浪变换。通过利用XBeach模型的数值解,他们证明了该方法即使在测量数据稀疏的情况下也能准确重建复杂的能量聚焦和消散过程。Zhu等人(2025年)构建了一个由浅水方程控制的PINN框架,特别强调了质量和动量守恒,使用合成ADCIRC数据模拟渤海湾的冷水引发的海浪涌。他们的结果表明,这种基于物理的信息方法在48小时预报中可以胜过标准深度神经网络,并将计算速度提高了近三个数量级。尽管有这些进展,现有的PINN在沿海工程中的应用通常集中在稳态近似或最终参数的直接回归上。一个关键挑战是在不损害物理一致性的情况下,将高度非平稳的谱能量平衡(控制动态波浪演化的核心机制)深入整合到神经网络的优化框架中。

为了解决这一方法论差距,本研究提出了SWAN-PINN,一种用于区域波浪预报的基于物理信息的框架。SWAN-PINN不是直接回归波浪参数,而是使用CNN-LSTM主干网络来预测中间物理状态变量(即波浪能量密度和波数)的时空分布,从而模拟谱波浪模型的内部状态演变。然后通过完全可微分的物理模块处理这些中间输出,该模块作为SWAN操作符,通过确定性公式重建积分波浪参数。这种设计保持了变量之间的物理耦合,并确保了与物理方程的一致性。此外,该框架通过明确将时变的、非平稳的波浪能量平衡方程纳入复合损失函数,扩展了现有的稳态公式。通过结合监督学习和基于物理的正则化,所提出的框架能够在保持物理可解释性的同时也表示波浪增长和消散的时间演变。因此,SWAN-PINN在数值波浪模型的可解释性和深度学习的推断效率之间提供了实用的平衡,对于数据有限的条件下进行多步预报具有积极意义。

所提出的框架通过四类实验进行了系统验证,旨在评估多步预报性能(1-12小时)、与纯数据驱动基线的比较优势、在有限训练情况下的数据效率以及捕捉极端波浪事件的鲁棒性。本文的其余部分组织如下。第2节描述了研究区域、数据来源和SWAN模型验证。第3节介绍了SWAN-PINN方法论,强调了物理模块和损失函数的制定。第4节详细介绍了实验配置。第5节展示了结果和比较分析。第6节总结了主要发现和未来研究方向。

数据集构建通过数值模拟
开发提出的SWAN-PINN需要一个高保真数据集,以捕捉风生波浪的复杂时空演变。为此,采用了第三代谱波浪模型SWAN来模拟区域波浪动态。作为受波浪能量平衡方程控制的相位平均模型,SWAN特别擅长解析近岸过程,包括深度引起的折射、变浅以及由于白帽效应和底部摩擦造成的能量耗散。

方法论:基于物理信息的时空学习框架
本节详细阐述了所提出的SWAN-PINN模型的架构框架——这是一个为高保真时空预测区域波浪参数而设计的混合网络。该模型利用CNN和LSTM单元提取耦合的时空特征,同时结合PINN来用基本物理定律约束训练过程,包括SWAN的控制方程和色散关系。

计算环境
深度学习框架在PyTorch(v1.13.1)和Python 3.8下实现。所有实验都在配备AMD Ryzen 9 3950X CPU和NVIDIA GeForce RTX 2080 Ti GPU的工作站上进行。为了进行计算成本的比较,SWAN和SWAN-PINN都在上述相同的硬件平台上执行。模型配置表明,深度神经网络对超参数配置非常敏感,不优化的设置往往会导致收敛速度变慢或陷入局部最优解。为了全面评估SWAN-PINN模型的预测性能和操作可行性,对其预测准确性进行了四个不同时间范围的测试:1小时、3小时、6小时和12小时。采用滑动窗口策略进行多步预测,分别使用3小时、6小时、12小时和24小时的输入窗口大小来生成相应时间范围的预测结果。这些时间间隔的选择是根据关键工程需求精心安排的。

结论:本研究提出了SWAN-PINN,这是一个基于物理原理的深度学习框架,用于区域波浪预报,它将非平稳的谱动态纳入学习过程。与传统的黑箱回归方法不同,该框架使用CNN-LSTM架构来预测中间物理状态变量(即波能密度和波数)的时空演变。然后这些变量被解码为批量参数,包括有效波高等实用信息。

CRediT作者贡献声明:
王磊:撰写原始草案、验证、软件开发、方法论设计、形式化分析。
方克召:撰写修订稿、监督工作、项目管理、数据整顿、概念构思。
郑坤:撰写修订稿、监督工作、资金筹集、概念构思。
孙佳文:撰写修订稿、方法论设计、资金筹集、概念构思。
王平:软件开发、方法论设计、形式化分析、概念构思。
刘钟波:撰写修订稿。

利益冲突声明:作者声明没有已知的财务利益冲突或个人关系可能影响本文的报告内容。

致谢:本研究得到了精进冀区域综合环境改善-国家重点科技项目(项目编号2025ZD1206000)和CCCC第一港口工程公司有限公司海岸工程水动力学重点实验室(编号2025-KLCEHD-OF02)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