通过植被模拟溃坝水流的深度神经网络建模

《Journal of Hydraulic Research》:Deep neural network modelling of dam-break flows through vegetation

【字体: 大 中 小 】 时间:2026年05月09日 来源:Journal of Hydraulic Research 1.7

编辑推荐:

  摘要 理解植被如何影响洪水减弱对于有效的风险降低和生态工程设计至关重要。本研究探讨了深度神经网络(DNN)再现植被丛中溃坝流的时间分辨水动力学的能力,并评估其作为高效替代模型的潜力。使用OpenFOAM进行了三维模拟,并通过实验室实验进行验证以生成训练和测试数据。DNN准确地再现

  摘要
理解植被如何影响洪水减弱对于有效的风险降低和生态工程设计至关重要。本研究探讨了深度神经网络(DNN)再现植被丛中溃坝流的时间分辨水动力学的能力,并评估其作为高效替代模型的潜力。使用OpenFOAM进行了三维模拟,并通过实验室实验进行验证以生成训练和测试数据。DNN准确地再现了训练域内的无量纲水面位移和水平速度,整个时间序列的平均R2值约为0.80,最大值的R2值为0.93。然而,对于训练范围之外的植被长度和流动条件,预测精度有所下降,表明其外推能力有限。总体而言,结果表明DNN可以有效地补充昂贵的水力实验和数值模型,从而快速评估植被对洪水的影响,为基于自然的保护策略的数据驱动设计提供支持。

关键词:深度神经网络;机器学习;替代建模;植被流动;溃坝流;基于自然的解决方案;生态灾难风险减少(Eco-DRR)

1. 引言
基于自然的解决方案(NbS)是保护、管理和恢复生态系统的措施,以应对社会挑战,同时造福人类并提高生物多样性(Cohen-Shacham等,2016年引用)。这些措施在各种国际框架中得到了重视:《仙台框架》呼吁可持续的生态系统管理以降低灾害风险(UNDRR,2015年引用);《巴黎协定》强调了NbS在气候适应和减缓中的作用(UNFCCC,2015年引用);《可持续发展目标》强调了生态系统恢复和韧性(联合国,2015年引用)。在灾害减轻领域,NbS通常被称为基于生态系统的灾害风险减少(Eco-DRR)方法,该方法关注红树林、沿海森林、湿地和珊瑚礁等生态系统在减轻洪水、风暴潮和海啸方面的保护作用(Estrella等,2016年引用;McVittie等,2018年引用)。实地研究表明,沿海生态系统可以显著减少波浪能量和洪水。例如,据估计2012年飓风桑迪期间,美国大西洋沿岸的沿海湿地防止了超过6.25亿美元的洪水损失(Narayan等,2017年引用)。此外,Mazda等人(1997年引用)确定越南东京湾的成熟红树林每100米宽度可以减少高达20%的波浪能量,而年轻的红树林提供的保护作用有限。此外,全球范围内的珊瑚礁平均能消散97%的波浪能量,突显了它们在沿海保护中的作用(Ferrario等,2014年引用)。海啸案例研究也说明了基于植被的保护的潜力和局限性。2004年印度洋海啸后,据报道红树林带减少了印度沿海村庄的破坏(Danielsen等,2005年引用),在斯里兰卡和泰国观察到了依赖于物种的抗灾能力(Tanaka等,2007年引用)。此外,据报道2011年日本东北海啸期间,松树林减轻了一些地区的碎片传输(Tanaka,2012年引用),而在其他地方,大量的树木倒塌与下游影响的增加有关(Suppasri等,2013年引用)。这些对比结果表明,植被的有效性强烈依赖于具体环境,需要进行实验和建模研究以更好地量化其作用。

已经进行了许多受控的实验室和数值研究来阐明植被与流动的相互作用(Chang & Mori,2021年引用)。物理模型研究阐明了植被密度、排列和结构复杂性如何影响流动减弱。例如,将刚性圆柱体置于孤立波浪中的实验(Huang等,2011年引用;Iimura & Tanaka,2012年引用;Thuy等,2009年引用)显示波浪高度和速度的减少,Pasha和Tanaka(2017年引用)报告称,在稳定流动下密集排列的圆柱体提供了大量的能量耗散。Mahmoud和Uchida(2024年引用)表明,在溃坝流动路径中较长的植被带减少了下游的波浪高度和速度。一些实验研究将复杂的根系几何结构纳入模型,以更好地模拟类似红树林的结构(Husrin等,2012年引用;Strusińska-Correia等,2013年引用;Tomiczek等,2020年引用)。值得注意的是,结合植被与堤坝或土墩的研究揭示了多层防御的协同效应(Kimiwada等,2020年引用;Pasha等,2018年引用;Rahman, Tanaka, 和 Rashedunnabi,2021年引用;Rahman, Tanaka, & Reheman,2021年引用;Xie & Lei,2026年引用)。该领域的最新研究扩展到了考虑植被柔韧性、沉积物动力学和结构失效等因素(Gong等,2024年引用;Udarika & Tanaka,2025年引用)。

植被与流动相互作用的数值建模已经从简单的基于摩擦的参数化(Augustin等,2009年引用;Yang等,2015年引用)发展到使用Morison型方程的基于物理的公式,这些公式考虑了阻力和惯性力(Tanaka,2012年引用;Tanaka & Onai,2017年引用)。此外,Tanaka(2012年引用)强调,再现森林破坏对于准确估计2011年东北海啸引起的淹没深度至关重要。基于这些发展,Takabatake等人(2022年引用)将二维浅水模型与基于代理的疏散框架相结合,证明在某些情况下沿海森林可以将海啸伤亡减少50%以上。随后在三维Navier–Stokes建模方面的进步使得能够在植被区内详细表示水动力学过程(Dang等,2025年引用;Hang等,2025年引用;Maza等,2015年引用;Yin等,2024年引用)。例如,Maza等(2015年引用)表明,这类模型可以解析超出宏观阻力公式能力范围的速度场和湍流结构。此外,Dang等(2025年引用)通过大规模实验验证了三维模拟,证实较宽的红树林带显著减少了海啸波引起的流速和建筑负荷。总体而言,这些研究强调了数值建模方法——特别是三维模拟——在真实量化植被与流动相互作用和推进基于自然的沿海或河流保护策略设计方面的关键作用。

已经进行了广泛的实验室实验和三维建模研究,以阐明极端水力条件下的植被与流动相互作用。然而,这两种方法都面临固有的挑战:物理实验需要先进的设施和复杂的设置,而三维模拟则需要大量的计算资源。这些挑战使得难以对实际极端水力流动场景中遇到的广泛条件进行全面研究。最近的研究尝试通过采用机器学习(ML)作为替代或补充方法来加速分析并提高预测植被与流动动态的能力。例如,Kumar等人(2023年,2024年引用)应用独立的和混合的ML模型来估计植被覆盖的冲积河道中的流速,确定植被高度和密度为主要预测因子。Jia等人(2025年)开发了一个集成学习框架来预测植被引起的流动阻力,并实现了比经验公式更高的精度。Warby等人(2025年)将ML扩展到流体-结构相互作用问题,估计了海洋圆柱体的Morison方程系数,并提高了阻力和惯性力预测的准确性。此外,Adytia等人(2024年)通过使用基于实验室数据验证的Boussinesq模拟训练模型展示了深度神经网络(DNN)的潜力;这种方法成功预测了红树林森林的海啸减弱效果,误差低于3%。

尽管先前的研究已经展示了ML在模拟植被与流动和波浪与结构相互作用方面的潜力,但大多数研究仅限于预测批量或稳态参数,如阻力系数、最大减弱程度或深度平均速度。相比之下,将ML应用于再现植被条件下水动力变量的完整时间演变仍然有限,尽管这种时间依赖性信息对于理解瞬态水动力学、能量耗散过程和植被冠层内的动量交换至关重要。此外,ML模型在系统变化条件下的泛化能力很少被研究,包括在训练域内的插值和超出训练域的外推。

本研究并没有专注于开发新的DNN架构,而是通过在考虑植被存在的溃坝实验的数值再现数据集上训练DNN模型来解决这些空白。这些模型旨在预测连续的、时间分辨的水位和速度序列,并在包括插值和外推在内的多种场景下进行评估,以严格评估DNN预测非稳态植被流动的能力。因此,本研究的主要目标是明确DNN再现受植被影响的时间依赖性水动力行为的程度,并评估其作为补充物理实验和计算密集型三维模拟的高效替代模型的潜力。

为了实现这些目标,本研究重点关注通过植被区域的溃坝流。溃坝波已被广泛用作沿海平原上海啸淹没的简化水力表示,因为它们再现了海啸上升的关键特征,如水位迅速上升、强烈的非稳定性和高Froude数流动条件(Chanson,2006年引用)。因此,溃坝实验常被用于实验室研究中模拟类似海啸的淹没过程(例如Esteban等,2017年,2020年引用;Kimiwada等,2020年引用;Stolle等,2018年引用;Takabatake等,2021年引用)。此外,主要海啸事件的现场调查记录了现有植被(包括红树林和沿海防护林)区域的淹没情况(Danielsen等,2005年引用;Strusińska-Correia,2017年引用;Tanaka,2012年引用;Yanagisawa等,2010年引用)。基于这些实验先例和现场观察,本研究将植被与溃坝流的相互作用视为研究植被覆盖沿海区域中类似海啸淹没的代表性场景。

2. 方法论
本研究评估了DNN模型在代表红树林植被条件的情况下预测溃坝流场的能力。首先,使用OpenFOAM数值再现了通过红树林植被的实验观察到的溃坝流。然后使用这些验证的模拟数据训练不同的DNN模型,随后在一系列场景下检查它们的预测性能。本节内容包括:(1)Mahmoud和Uchida(2024年)进行的红树林溃坝实验的概述,并将其用作本研究的数据;(2)OpenFOAM模拟中采用的数值条件;(3)DNN模型的架构和训练配置;(4)用于评估DNN模型性能的场景设计。

2.1 带有植被的溃坝实验概述
本研究数值再现了Mahmoud和Uchida(2024年)在广岛大学进行的溃坝实验,以研究刚性突出植被对溃坝流的影响。这些实验在一个长度为16.1米、宽度为0.4米、高度为0.4米的直矩形水槽中进行,水槽上游端有一个长度为2.0米的储水池。通过突然移除垂直闸门产生溃坝波,打开时间足够短以近似瞬时失效。

图1展示了实验设置和植被布局。植被使用直径为1.0厘米、高度为50厘米的木制圆柱体模拟,以3.44厘米的均匀中心间距交错排列。评估了四种植被带长度(Lv=0.6米、1.6米、3.0米和5.0米),每种长度从闸门下游3.0米开始。两种储水池水深(h0=0.285米和0.30米)与三种尾水深度(h1=0.02米、0.107米和0.147米)结合,产生了三种理想化的Froude数流动状态:一种破碎波束(‘High Fi’=3.98,在h0=0.30米和h1=0.02米条件下产生),一种部分破碎的波动波束(‘Middle Fi’=1.53,在h0=0.285米和h1=0.107米条件下产生),以及一种纯波动波束(‘Low Fi’=1.32,在h0=0.285米和h1=0.147米条件下产生)。Mahmoud和Uchida(2024年)共研究了15个实验案例,包括水槽中没有模拟植被的情况。图1显示了Mahmoud和Uchida(2024年)进行的溃坝实验的实验设置。绿色阴影区域表示植被带,这里显示的是最长植被带长度(Lv=5.0米)。基于Mahmoud和Uchida(2024年)的图1的示意图。

该图展示了Mahmoud和Uchida 2024年进行的溃坝实验中使用的直矩形水槽的示意图。左侧,一个深的上游储水池通过位于位置0的垂直闸门与下游水道分离,x轴和z轴在闸门处绘制。上游水柱标记为储水池深度h0,下游部分标记为尾水深度h1。下游河床填充了一层较浅的水,延伸到右侧墙壁。十个测量位置S1至S10以从水面垂直向下指向河床的均匀间隔的垂直箭头显示。一块密集的细垂直线代表位于闸门下游的突出植被带,包含传感器S2至S8。植被只占据了水槽部分长度,留下了上游和下游的清晰通道。在泄洪槽下方,水平尺寸线显示了一个长2.0米的蓄水池,从闸门到植被开始处的清水距离为3.0米,泄洪槽的总长度为16.1米。植被块下方的额外嵌套箭头表示不同的植被带长度,分别为0.6米、1.6米、3.0米和5.0米,所有长度均从同一上游起点测量。

描述水表面位移的时间序列数据(η)是使用安装在10个测量点(图1中的S1-S10,详见Mahmoud & Uchida, Citation2024)的波浪测量仪记录的,这些测量点位于植被带的上游、内部和下游。这些测量数据使得对波浪传播和衰减的详细分析成为可能。Mahmoud和Uchida(Citation2024)确认植被的存在有效地消散了波浪能量,随着植被带长度的增加,下游波浪的高度和速度降低得更明显。因此,他们的数据集为验证溃坝水流与植被相互作用之间的数值模型提供了坚实的基础。

2.2 数值模拟设置
本研究中进行的计算流体动力学(CFD)分析使用了OpenFOAM软件(OpenFOAM v2412)中的interFoam求解器,该求解器专为不可压缩、不相容的双相流动设计,基于体积分数(VOF)方法。选择这个求解器的原因是它可以准确捕捉空气-水系统中的自由表面运动,并已在之前的研究中成功应用于再现类似海啸的波浪(例如Douglas & Nistor, Citation2015;Ishii等人,Citation2021;Sarjamee等人,Citation2017)。CFD模拟中的控制方程包括连续性方程和不可压缩的Navier-Stokes方程,分别为:
(1) ??u=0
(2) ?(ρu)?t+??(ρuu)=??p?+??(2(μ+μt)D)+ρg
其中u是速度矢量,t是时间,p*是伪动态压力(不包括静水压力的贡献),D是应变率张量,g是重力加速度,ρ、μ和μt分别表示局部流体密度、分子动态粘度和涡流粘度。这些方程使用有限体积法离散化,并用PIMPLE算法求解,该算法结合了压力隐式方法和压力相关方程的半隐式方法。

水和空气之间的界面使用VOF方法捕捉,该方法如下解决相分数的传输方程:
(3) ?α?t+??(αu)+??[α(1?α)uc]=0
其中α是水相的体积分数(在完全充满水的单元中为1,在充满空气的单元中为0),uc是引入的界面压缩速度,以保持清晰的水- AIR界面。

必须使用适当的湍流闭合模型来确定μt值,以便有效求解控制方程。OpenFOAM提供了几种湍流模型(例如标准k??模型);本研究采用了剪切应力传输(k?ω?SST)模型,因为之前的研究使用它成功再现了类似海啸的波浪传播(Takabatake & Takemoto, Citation2024)。

控制方程使用OpenFOAM中的有限体积法离散化。时间离散化采用了一阶隐式Euler方案。空间离散化使用高斯线性方案评估梯度。动量方程的对流项使用基于?u的高斯线性迎风方案离散化,而体积分数场的VOF平流使用有界高斯vanLeer方案,加上界面压缩通量项。对于湍流量,k的对流项使用迎风方案离散化,ω的对流项使用有限线性方案,限制系数为1。扩散项使用高斯线性方案离散化,拉普拉斯项使用高斯线性正交公式计算。插值使用线性方案进行,表面法向梯度使用正交方案计算。k?ω?SST模型所需的壁面距离使用meshWave方法评估。

压力-速度耦合使用PIMPLE算法处理,该算法包含一个外部校正器和三个内部校正器,不使用非正交校正。压力方程pf*使用PCG求解器求解,带有DIC预处理器,而速度和湍流方程使用smoothSolver求解器求解,带有symGaussSeidel平滑器。体积分数方程使用基于MULES的有界公式求解,带有两个校正器。这些数值设置是为了确保通过植被的高度瞬态自由表面流动的稳定和可靠模拟。

计算网格最初使用blockMesh工具生成,流线方向(x)的基础分辨率为0.02米,横跨方向(y)和垂直方向(z)的基准分辨率为0.01米。感兴趣的区域从溃坝闸门到S10段使用refineMesh工具细化,将所有方向的单元大小减半。因此,该区域的网格间距在x方向为0.01米,在y和z方向为0.005米,这对应于局部网格细化后的最小网格尺寸。最后,使用snappyHexMesh工具细化红树林元素周围的网格,生成模拟植被几何形状的三角形表面单元。在本研究中,植被通过单独的刚性圆柱体 explicitly 表?,而不是使用宏观阻力项或多孔介质方法建模。为了再现Mahmoud和Uchida(Citation2024)的实验室实验,创建了一个三维STL几何模型,其中木制圆柱体的直径为0.01米,排列方式与实验设置相同。这个几何模型被导入到snappyHexMesh中,移除了与圆柱体重叠的流体单元,使得每个植被元素被视为完全不透水的刚体。选择这种网格分辨率是基于初步的敏感性测试,以确保计算精度和效率之间的最佳平衡(详细信息可以在在线补充数据的附录A中找到)。

对泄洪槽的墙壁、底面和红树林元素的表面应用了不可渗透的无滑移边界条件。k?ω?SST模型所需的湍流量使用标准壁函数处理。顶部边界被视为大气边界,施加了总压力条件,而对体积分数场应用了入口-出口类型的条件,以允许自由表面变形和空气-水相互作用。

描述η和泄洪槽床面上方1厘米处水平速度(u)的时间序列数据在10个监测点(图1中的S1-S10)以0.025秒的间隔记录了20秒。首先将模拟的η时间序列与Mahmoud和Uchida(Citation2024)报告的实验测量结果进行比较,以验证数值模拟的准确性和可靠性。在确认CFD模拟和实验结果之间有令人满意的一致性后,验证的模拟输出(η和u)被用作DNN模型的训练和测试数据。

2.3 DNN模型配置
在描述详细的网络架构之前,简要总结本研究中采用的基于DNN的预测框架的基本概念。在该框架中,深度神经网络用作非线性回归模型,学习一组输入变量(例如流动和植被条件)与相应的流体动力响应之间的关系。训练完成后,网络直接将输入条件映射到预测输出,而无需显式求解控制方程。在本应用中,DNN被训练用来预测多个位置的水面高度和流速的连续时间序列。模型参数通过监督学习确定,在此过程中,使用基于误差的损失函数最小化预测序列与参考序列之间的差异。训练后,DNN模型可以快速为新条件生成时间分辨的预测,从而有效地评估非稳态植被流动。

本研究开发的DNN旨在预测穿过植被的溃坝流动的流动变量。该DNN的总体网络架构如图2所示。网络包括一个输入层、五个隐藏层和一个输出层。五个隐藏层分别包含256、128、64、16和4个神经元,每个神经元都使用修正线性单元(ReLU)激活函数。输出层使用了线性激活函数。隐藏层数量和激活函数的选择基于超参数敏感性分析。具体来说,敏感性分析是在没有基线信息的DNN模型上进行的,用于预测η/h1,这将在本节的后面详细描述。隐藏层的数量从三个变化到六个,五个层的预测性能在平均绝对误差(MAE)、均方根误差(RMSE)和R2方面达到饱和。此外,测试了三种激活函数(ReLU、Swish和GeLU),其中ReLU在总体预测准确性方面表现最佳。这种超参数敏感性分析的详细信息提供在在线补充数据的附录B中。

图2. 本研究中使用的DNN模型配置。DNN架构包括一个输入层、五个隐藏层(256、128、64、16和4个神经元)和一个输出层。所有隐藏层都使用ReLU激活函数,输出层使用线性激活函数。根据场景的不同,输入变量包括非植被(基线)ηbase/h1和ubase/(gh1)0.5以及其他常用参数,输出旨在预测η/h1、u/(gh1)0.5,或同时预测两者。

图中显示了研究中使用的深度神经网络架构的块图。顶部有一个标记为输入层的带状区域,其中包含6个按行排列的圆形节点。每个节点显示一个无量纲变量,包括F下标i、L除以h下标1、x除以h下标1、t乘以g的平方根除以h下标1、eta base除以h下标1和u base除以g h下标的平方根。一个垂直连接器从输入行连接到标记为隐藏层的中央5个宽的水平矩形堆栈。第一个矩形标记为Dense 1,单元数等于256,激活函数为修正线性单元(ReLU)。第二个矩形标记为Dense 2,单元数等于128,激活函数为修正线性单元(ReLU)。第三个矩形标记为Dense 3,单元数等于64,激活函数为修正线性单元(ReLU)。第四个矩形标记为Dense 4,单元数等于16,激活函数为修正线性单元(ReLU)。第五个矩形标记为Dense 5,单元数等于4,激活函数为修正线性单元(ReLU)。一个宽大的向下箭头将这个堆栈连接到标记为输出层的下方带状区域。底部并排显示了2个圆形输出节点,标记为η除以h下标1和u除以g h下标的平方根,表示网络可以输出规范形式的水面高度和速度。

模型训练采用均方误差作为损失函数,使用Adam优化器,初始学习率为0.01。学习率调度器在训练过程中逐渐将学习率降低到最小值0.001。批量大小设置为256,训练次数限制为500个周期,并采用早期停止以防止过拟合。

输入特征包括理想化的弗劳德数(Fi)、相对植被长度(Lv/h1)、相对测量位置(x/h1)和无量纲时间(t(g/h1)0.5)。输出不是整个时间序列的形式,而是包括无量纲水面位移(η/h1)、无量纲水平速度u/(gh1)0.5或在给定空间(x/h1)和时间(t(g/h1)0.5)点的瞬时物理量,具体取决于第2.4节描述的场景。当基线(非植被)条件作为额外输入时(见第2.4节),在同一位置和时间的相应基线无量纲水面位移(ηbase/h1)和水平速度(ubase/(gh1)0.5)被作为输入变量。

所有输入特征在训练前都使用min–max缩放进行了归一化。然后根据评估场景将数据集分为训练子集和测试子集。具体来说,数据集中对应于被预测目标条件的部分用于测试,而所有其他实验条件的剩余数据用于训练。例如,在预测Lv = 0.6米的案例时,该植被带长度(在所有Fi流动制度下)的结果被用作测试数据,而其余案例(Lv = 1.6、3.0和5.0米)的结果被用作训练数据。因此,DNN的预测值代表了在训练数据集中OpenFOAM未直接模拟的植被长度条件下的水动力响应。对于训练数据,可用数据进一步被分为训练集和验证集,比例为90:10。验证集用于监控学习过程并防止模型训练过程中的过拟合,而测试数据(对应于排除的Lv情况)则完全独立,没有用于模型优化的任何阶段。

2.4 模型评估场景
DNN建模方法的预测性能通过结合不同输入设置、输出目标和Lv值的多种模型配置进行了评估。输入条件:准备了两种输入配置。一种配置排除了所有基线信息,而另一种配置将基线无植被流场作为额外输入。在后一种配置中,提供了ηbase/h1、ubease/(gh1)0.5的值,或在相同位置和时间的两个值,以帮助模型了解植被的相对影响。

(2) 输出目标:考虑了三个输出目标:(i) η/h1的预测;(ii) u/(gh1)0.5的预测;(iii) η/h1和u/(gh1)0.5的同时预测。

(3) 植被带长度:考虑了四个Lv值:0.6、1.6、3.0和5.0米。DNN使用对应于三个Lv值的数据进行了四次训练,并使用剩余Lv的数据进行了测试,以便每个Lv值都作为一次“保留”的预测案例。换句话说,DNN模型用于预测OpenFOAM训练模拟中未包含的植被长度条件下的水动力响应。这一程序便于在插值(在训练Lv值范围内)和外推(超出训练Lv值范围)条件下进行评估。

结合两种输入设置、三个输出目标和四个Lv值,得到了表1中总结的24种不同的DNN模型配置。每个模型都在三种流速条件(高Fi、中等Fi和低Fi)下进行了评估,产生了72个预测结果。这一框架使得能够系统地评估预测准确性的变化,这些变化取决于:(i) 是否将基线流场作为输入;(ii) 模型是预测单一物理量(η/h1或u/(gh1)0.5)还是多个物理量(η/h1和u/(gh1)0.5);(iii) Lv值是对应于插值数据还是外推数据;以及(iv) 这些趋势在流速条件之间的差异。

3. 结果

3.1 OpenFOAM模拟结果
图3比较了在Lv=5.0米的情况下,位于植被带下游的S9截面的η/h1时间序列。该图中,Mahmoud和Uchida(Citation2024)报告的实验结果用黒线表示,而从OpenFOAM获得的相应数值结果用红线表示。请注意,每个面板中的时间序列持续时间不同,因为Mahmoud和Uchida(Citation2024)提供的实验记录长度因所考虑的情况而异。

图3显示了从Mahmoud和Uchida(Citation2024)的实验结果与当前OpenFOAM模拟得到的S9截面η/h1时间序列的比较。黑线代表实验数据,红线代表数值结果。该图展示了涵盖三种流速条件(高Fi、中等Fi和低Fi)和四种植被长度(Lv=0.6、1.6、3.0和5.0米)以及无植被条件的所有15个实验案例。

该图显示了15个线性图,排列成5×3的网格,每个图用字母a到o标记。每个图比较了Mahmoud和Uchida 2024的实验以及OpenFOAM模拟中S9截面的两个水面高程比η/h1的时间序列。顶部的图例标识了实验系列和OpenFOAM系列。所有图中的水平轴是时间乘以重力加速度的平方根除以h1,从0增加到大约450,通常每隔50有一个刻度。所有图中的垂直轴是η/h1,其刻度因行而异,大约从0增加到大约5,通常每隔1有一个刻度。顶行显示了高、中和低弗劳德数流动的基准情况,其中两个序列都从接近0开始,然后迅速上升,随后趋于平稳或缓慢下降。其余四行分别重复了植被长度为0.6米、1.6米、3.0米的三种流速条件。对于有植被的情况,两个序列都显示出一个初始的低平台,随后是上升,然后是振幅和持续时间因流速条件而异的振荡。所有图中的实验和OpenFOAM曲线总体上形状相似,峰高或时间略有偏移。

总的来说,OpenFOAM模拟在所有Lv值和流速条件下都很好地再现了测量的η/h1时间历史。实验观察到的随着Lv增加的最大水面(ηmax)衰减的变化也被数值模型有效地捕捉到了。对于中等Fi和低Fi流速条件,实验记录中存在短周期振荡,这些振荡被模拟合理地再现了,尽管在波谷附近可以观察到细微的差异。

模拟结果使用所有流速条件和Lv值的所有测量截面获得的η数据进行了定量验证。当平均所有模拟案例和所有测量位置时,η/h1和η的模拟结果与实验结果之间的误差分别为0.173厘米和0.730厘米(MAE),以及0.228厘米和0.994厘米(RMSE)。这些相对较小的误差表明所采用的建模方法可以可靠地再现溃坝波传播及其相关的植被衰减效应。

接下来,检查了使用经过验证的模拟数据训练和测试的DNN模型的预测性能。图4和图5分别展示了S9截面的η/h1和u/(gh1)0.5的时间序列。该图的上下和中下三个面板对应于高Fi、中等Fi和低Fi流速条件,列显示了Lv=0.6、1.6、3.0和5.0米的结果。每个图中绘制了五条曲线进行比较:黑色实线代表用作参考数据的OpenFOAM模拟结果,红色虚线代表仅预测η/h1的DNN预测(图4)或u/(gh1)0.5的DNN预测(图5),绿色点划线代表将基线(无植被)情况作为额外输入时获得的预测,蓝色点线代表同时预测η/h1和u/(gh1)0.5的DNN预测,紫色长划-短划线代表相应的基线辅助预测。

图4显示了S9截面的η/h1时间序列的比较。面板从左到右分别对应于高Fi(顶部)、中等Fi(中间)和低Fi(底部)流速条件,以及Lv=0.6、1.6、3.0和5.0米的情况。黑线代表OpenFOAM参考结果,红色虚线代表仅预测η/h1的DNN预测,绿色点划线代表包含基线(无植被)ηbase/h1作为输入的DNN预测,蓝色点线代表同时预测η/h1和u/(gh1)0.5的DNN预测,紫色长划-短划线代表相应的基线辅助预测。

图5显示了S9截面的u/(gh1)0.5时间序列的比较。面板结构和图例与图4相同:黑线代表OpenFOAM结果,彩色线代表在不同输入-输出配置下DNN预测的u/(gh1)0.5值。

图5显示了S9截面的u/(gh1)0.5时间序列的比较。面板结构和图例与图4相同:黑线代表OpenFOAM结果,彩色线代表在不同输入-输出配置下DNN预测的u/(gh1)0.5值。总体而言,尽管不同模型配置的预测精度有所差异,但结合基线信息(紫色线条)同时预测η/h1和u/(gh1)0.5的结果与参考值更为吻合;对应的DNN模型在所有案例和所有测量位置的u/(gh1)0.5和u的MAE值分别为0.050和3.225厘米/秒,RMSE值分别为0.073和4.789厘米/秒,这证实了所提出的DNN框架在大多数条件下能够实现令人满意的流速预测精度。图6和图7分别比较了OpenFOAM模拟和DNN模型得到的无量纲最大水面位移(ηmax/h1)和最大水平速度(umax/(gh1)0.5)的空间分布。的上、中、下三行对应高弗劳德数(High Fi)、中等弗劳德数(Middle Fi)和低弗劳德数(Low Fi)流动状态,各列展示了Lv=0.6、1.6、3.0和5.0米时的结果。在每个图中,黑色圆圈代表OpenFOAM的参考数据,红色三角形代表仅预测ηmax/h1的结果,绿色菱形代表包含基线(无植被)数据作为额外输入时的预测结果,蓝色方块代表同时预测ηmax/h1和umax/(gh1)的结果,紫色倒三角形代表相应的基线辅助预测结果;每个面板中的灰色阴影区域表示植被占据的区域。注意,由于每次OpenFOAM模拟仅持续20秒,来自水槽下游端的反射波偶尔会导致最后测量点(S9和S10)的水位二次升高。这些反射成分在本研究中被忽略,图6和图7仅总结了与入射波(渐进波)相关的ηmax/h1和umax/(gh1)0.5值。

图6显示了OpenFOAM和DNN预测的ηmax/h1的空间分布。面板从左到右分别对应高弗劳德数(High Fi)、中等弗劳德数(Middle Fi)和低弗劳德数(Low Fi)流动状态,Lv分别为0.6、1.6、3.0和5.0米。符号表示:黑色圆圈为OpenFOAM参考数据,红色三角形为仅预测ηmax/h1的结果,绿色菱形为包含基线数据(无植被)时的预测结果,蓝色方块为同时预测ηmax/h1和umax/(gh1)的结果,紫色倒三角形为相应的基线辅助预测结果。结果的考量基于与渐进波相关的最大值,排除了下游边界反射的影响。

图7显示了OpenFOAM和DNN预测的umax/(gh1)0.5的空间分布。面板布局和图6相同。结果基于与渐进波相关的最大值,同样排除了下游边界反射的影响。

如图6所示,所有DNN配置均成功再现了OpenFOAM模拟得到的ηmax/h1的整体空间分布模式。OpenFOAM结果显示,ηmax/h1在植被带前端(S2段)立即达到峰值,随后在植被带内逐渐减小,这一趋势被DNN模型有效捕捉。此外,随着Lv值的增加,ηmax/h1在水槽下游端(S9–S10)的减小趋势也被一致再现。然而,在Lv=0.6米的情况下,预测误差倾向于较大,这表示超出了训练范围。

尽管最佳输入-输出配置因流动状态和Lv值的不同而有所差异,但所有DNN模型均以相当的精度再现了OpenFOAM结果所显示的空间衰减特性。特别是,不使用基线信息的单变量模型的预测精度略高。从定量角度来看,不包含基线信息的ηmax/h1单变量预测的MAE最低(0.141,所有案例和所有测量位置平均值)和RMSE最低(0.112,所有案例和所有测量位置平均值)。

如图7所示,OpenFOAM结果显示umax/(gh1)0.5在植被带前端或后端(即S1或S2段)达到峰值,随后在植被带内逐渐减小。这一趋势被所有DNN模型较好地再现。然而,预测值与参考值之间的差异通常大于ηmax/h1的差异。特别是,OpenFOAM预测的植被带后端的相对较高速度(Lv=0.6米)在所有配置下都被DNN模型较差地再现。虽然没有一种配置在所有案例中都表现最佳,但不使用基线信息的单变量模型倾向于更接近OpenFOAM结果的预测,其MAE为0.116,RMSE为0.096,这些值均为所有案例和所有测量位置的相应DNN模型的平均值。

图8和图9通过箱线图(box-and-whisker plots)总结了DNN模型的预测精度,这些图表通过将DNN预测结果与OpenFOAM结果进行比较得出。图8展示了η/h1的结果,图9展示了u/(gh1)0.5的结果。从左到右,每个图表包含四组箱线图,代表不同的评估角度。第一组(0.6–5.0米)对应测试数据集中使用的Lv值。例如,标记为“0.6米”的箱子表示使用Lv=0.6米的数据进行测试时计算的所有评估指标(MAE、RMSE和R2),覆盖了整个20秒的模拟过程(输出间隔为0.025秒,相当于800个时间步长),涵盖了所有10个测量点(S1–S10)。由于η和u的预测使用了四种不同的DNN配置和三种流动状态,因此每个Lv=0.6米的指标都是基于四种配置在三种流动状态下的10个测量点(每个测量点800个时间步长)得出的,共96,000个数据点与OpenFOAM参考数据进行比较。第二组展示了有无基线(无植被)信息训练和测试的模型结果。第三组比较了预测单一变量(仅η/h1或u/(gh1)0.5)的模型与同时预测η/h1和u/(gh1)0.5的模型的结果。最右侧的组按流动状态(高弗劳德数、中等弗劳德数和低弗劳德数)进行分类。

图8和图9通过箱线图总结了DNN模型的预测精度,这些图表通过将DNN预测结果与OpenFOAM结果进行比较得出。图8展示了η/h1的结果,图9展示了u/(gh1)0.5的结果。每个图表包含四组箱线图,代表不同的评估视角。第一组(0.6–5.0米)对应测试数据集中使用的Lv值。例如,标记为“0.6米”的箱子表示使用Lv=0.6米的数据进行测试时计算的所有评估指标(MAE、RMSE和R2),涵盖了整个20秒的模拟过程。因为η和u的预测使用了四种不同的DNN配置和三种流动状态,所以每个Lv=0.6米的指标都是基于四种配置在三种流动状态下的10个测量点(每个测量点800个时间步长)得出的,共96,000个数据点与OpenFOAM参考数据进行比较。第二组展示了有无基线(无植被)信息训练和测试的模型结果。第三组比较了预测单一变量(仅η/h1或u/(gh1)0.5)的模型与同时预测η/h1和u/(gh1)0.5的模型的结果。最右侧的组按流动状态(高弗劳德数、中等弗劳德数和低弗劳德数)进行分类。

如图6所示,所有DNN配置均成功再现了OpenFOAM模拟得到的ηmax/h1的整体空间分布模式。OpenFOAM结果显示,ηmax/h1在植被带前沿(S2段)立即达到峰值,随后在植被带内逐渐减小,这一趋势被DNN模型有效捕捉。此外,随着Lv值的增加,ηmax/h1在水槽下游端(S9–S10)的减小趋势也被一致再现。然而,在Lv=0.6米的情况下,预测误差较大,这表示超出了训练范围。

尽管最佳输入-输出配置因流动状态和Lv值的不同而有所差异,但所有DNN模型均以相当的精度再现了OpenFOAM结果所显示的空间衰减特性。特别是,不使用基线信息的单变量模型的预测精度略高。从定量角度来看,不包含基线信息的ηmax/h1单变量预测的MAE最低(0.141,所有案例和所有测量位置平均值)和RMSE最低(0.112,所有案例和所有测量位置平均值)。

如图7所示,OpenFOAM结果显示umax/(gh1)0.5在植被带前端或后端(即S1或S2段)达到峰值,随后在植被带内逐渐减小。这一趋势被所有DNN模型较好地再现。然而,预测值与参考值之间的差异通常大于ηmax/h1的差异。特别是,OpenFOAM预测的植被带后端的相对较高速度(Lv=0.6米)在所有配置下都被DNN模型较差地再现。虽然没有一种配置在所有案例中都表现最佳,但不使用基线信息的单变量模型倾向于更接近OpenFOAM结果的预测,其MAE为0.116,RMSE为0.096,这些值均为所有案例和所有测量位置的相应DNN模型的平均值。

图8和图9通过箱线图(box-and-whisker plots)总结了DNN模型的预测精度,这些图表通过将DNN预测结果与OpenFOAM结果进行比较得出。图8展示了η/h1的结果,图9展示了u/(gh1)0.5的结果。从左到右,每个图表包含四组箱线图,代表不同的评估角度。第一组(0.6–5.0米)对应测试数据集中使用的Lv值。例如,标记为“0.6米”的箱子表示使用Lv=0.6米的数据进行测试时计算的所有评估指标。因为η和u的预测使用了四种不同的DNN配置和三种流动状态,所以每个Lv=0.6米的指标都是基于四种配置在三种流动状态下的10个测量点(每个测量点800个时间步长)得出的,共96,000个数据点与OpenFOAM参考数据进行比较。第二组展示了有无基线(无植被)信息训练和测试的模型结果。第三组比较了预测单一变量(仅η/h1或u/(gh1)0.5)的模型与同时预测η/h1和u/(gh1)0.5的模型的结果。最右侧的组按流动状态(高弗劳德数、中等弗劳德数和低弗劳德数)进行分类。

图8展示了DNN预测的(a)MAE、(b)RMSE和(c)R2与OpenFOAM模拟的η/h1值之间的差异。从左到右,四组分别代表:(i)测试数据集中使用的植被长度(Lv = 0.6米、1.6米、3.0米和5.0米),(ii)有无基线(无植被)信息训练和测试的模型,(iii)仅预测η/h1或同时预测η/h1和u/(gh1)0.5的输出配置,以及(iv)流动状态(高弗劳德数、中等弗劳德数和低弗劳德数)。每个箱子代表所有模型配置和流动状态下所有测量点和时间步长的指标分布。

图9展示了DNN预测的(a)MAE、(b)RMSE和(c)R2与OpenFOAM模拟的u/(gh1)0.5之间的差异。面板布局和图8相同。每个箱子代表所有模型配置和流动状态下所有测量点和时间步长的指标分布。均方根误差(Root Mean Square Error)与平均绝对误差(Mean Absolute Error)展示了类似的模式:在0.6米和High Fi条件下误差较大,而在Middle Fi和Low Fi条件下误差较小。R平方图(R squared chart)的范围也是从0.0到1.0,每隔0.2有一个刻度。在0.6米、5.0米和High Fi条件下,R平方值通常较高,且变化幅度较大;而在Middle Fi和Low Fi条件下,R平方值较低,变化幅度较小。所有数据均为近似值。

通过比较使用不同Level值(图8和图9中最左侧的组别)得到的结果,当Level=3.0米时,η/h1和u/(gh1)0.5的DNN与OpenFOAM结果之间的差异最小。这种情况下,四分位距(interquartile range)也最小,表明预测性能最为稳定。其次是Level=1.6米时的结果,而Level=0.6米和Level=5.0米时的预测误差较大。Level=0.6米和Level=5.0米时的MAE(Mean Absolute Error)和RMSE(Root Mean Square Error)是Level=3.0米时的两倍多,且R2值通常低0.1以上。

在比较使用w/ Base和w/o Base配置得到的结果时,当不包括基准(非植被)信息时,DNN模型的η/h1的MAE和RMSE值通常较小,R2值较高。对于u/(gh1)0.5也有类似的趋势:没有基准信息的模型的MAE和RMSE较小,R2值略高。比较使用不同输出配置得到的结果时,仅预测η/h1或u/(gh1)0.5的模型,其MAE和RMSE值以及R2值均低于同时预测两者情况的模型。

在不同流动状态下,η/h1和u/(gh1)0.5的预测值在高Fi流动状态下的MAE和RMSE值始终较大,而R2值较低。这种预测准确性的持续下降可以归因于高Fi流动的独特水动力特性以及Middle Fi和Low Fi流动的相对相似的流动模式。这种相似性使得DNN在训练过程中更频繁地接触到这些条件,从而更强地学习了它们的特征。因此,当将训练好的模型应用于高Fi流动状态(在孔径结构和波浪破碎行为方面与其他两种状态有显著不同)时,其泛化能力较差,导致η/h1和u/(gh1)的预测误差较大。

4.1 CFD模拟和DNN模型在Eco-DRR中的适用性
本研究中使用OpenFOAM和interFoam求解器进行的数值模拟准确地再现了Mahmoud和Uchida的实验观察结果(Citation2024)。特别是,模拟捕捉到了S9截面上η的时间变化,以及随着Level增加ηmax的减小。这些结果证实,结合VOF方法、k–ω–SST湍流模型和局部网格细化的模拟设置能够可靠地表示自由表面流动和植被引起的阻力。结果还强调了三维CFD模型在分析流动-植被相互作用时的有效性。之前的研究使用三维Navier–Stokes求解器(例如Dang等人,Citation2025;Maza等人,Citation2015;Yin等人,Citation2024)已经表明,这类模型能够解析深度平均方法难以捕捉的垂直速度梯度和湍流结构。与这些研究一致,本研究的模拟再现了局部流动减速和下游波能衰减,证实OpenFOAM能够准确再现植被周围的复杂水动力行为。

本研究开发的DNN模型在Level=1.6米和3.0米(在训练数据集范围内)时,对存在植被区域的流场展示了强大的预测能力。在这些条件下,模型无论输入输出配置如何或是否包括基准信息,都能准确再现η和u的时间序列。例如,当Level=1.6或3.0米时,η/h1的R2值通常超过0.80(图8),ηmax/h1的平均R2达到0.949(图6),证实了出色的预测精度。先前的研究已经展示了机器学习(ML)在预测植被流动中的水动力学的潜力:Adytia等人(Citation2024)成功使用DNN估计了红树林存在对ηmax的降低;Kumar等人(Citation2023, Citation2024)报告称,独立和混合ML模型在预测植被冲积渠道中的深度平均速度时表现优于经验方程。在这些早期工作的基础上,本研究进一步展示了ML的应用,证明了DNN在考虑的Level范围内能够准确再现η和u的完整时间演变,而不仅仅是体积参数。

尽管DNN在使用训练范围内的插值Level值进行测试时表现出高精度,但当使用训练范围之外的条件进行测试时,其性能会下降。实际上,当Level或流动状态与训练案例有显著不同时,预测误差明显增加,表明其外推能力有限。其他基于ML的水动力学研究也报告了类似的精度下降(例如Liu等人,Citation2023;Wang等人,Citation2025;Zhu等人,Citation2023),在这些研究中,针对特定流动条件训练的模型难以泛化到具有不同湍流结构或边界条件的情况。这表明,虽然DNN能够在可用训练数据的范围内有效再现详细的水动力行为,但当基于该范围之外的数据进行预测时,其预测可靠性会降低,强调了训练数据集的数据多样性和物理一致性的重要性。

从灾害减缓的角度来看,估计植被在极端水动力条件(如海啸或溃坝流)下减少ηmax的程度至关重要。通过计算基于S1(上游)和S10(下游)截面测量值的DNN预测和OpenFOAM模拟的ηmax/h1减少比率,评估了所提出的DNN框架再现此类效果的能力。所有DNN配置和流动状态的减少比率的平均MAE(Mean Absolute Error)和R2(Root Mean Square)分别为0.039和0.956,表明DNN准确再现了ηmax的衰减。Adytia等人(Citation2024)同样使用在超过40,000个Boussinesq型模拟生成的样本上训练的DNN估计了红树林对ηmax的减少;他们的模型精度更高(即MAE为0.001,R2为0.996),因为它们是在更大、更多样化的数据集上训练的。值得注意的是,尽管本研究仅用有限的ηmax样本(12种Level和流动状态组合)训练了DNN,但通过从完整时间序列的各个点构建训练数据集,这种方法有效地增强了数据量,使DNN能够准确学习流场的水动力响应。这一结果突出了基于时间序列的学习作为在流体-植被系统中应用ML的另一种实用方法的实际可行性,因为通常难以获得大型数据集。

DNN模型的能力为Eco-DRR规划提供了实际优势。决策者经常需要快速评估植被特征(如森林宽度、密度或物种组成)在不同灾害情景下对洪水风险的影响。本研究开发的DNN模型可以以远低于高保真CFD模拟的计算成本提供这些评估。对于OpenFOAM模拟,计算是在配备了AMD EPYC 7763 CPU(两个处理器,总共128个核心,256个线程,基础频率2.45 GHz,最大加速3.50 GHz)和NVIDIA T400 GPU(4 GB GDDR6内存,384个CUDA核心)的系统上进行的,使用Open MPI进行并行化,每次模拟使用24个处理器。平均每次计算的耗时约为2小时13分钟。相比之下,DNN模型是在配备了Intel Xeon W-1250 CPU(基础频率3.3 GHz,最高4.7 GHz,六个核心,12个线程)和NVIDIA Quadro P2200 GPU(5 GB GDDR5X内存,1280个CUDA核心)的工作站上训练和执行的。平均每次预测时间为1.72秒,与CFD模拟相比计算成本大幅降低。

此外,这些模型不仅能够再现最大衰减,还能再现流动变量的完整时间序列,这对于风险降低特别相关。例如,η和u的时间序列预测允许更详细地评估疏散安全边际、潜在的碎片输送和结构负荷——这些因素对于综合NbS和灰绿色基础设施设计至关重要。正如Adytia等人(Citation2024)所展示的,DNN的能力已经可以与经验模型相匹配或超越,在预测体积参数(例如ηmax的衰减)方面;本研究将这一潜力扩展到了瞬态水动力学,为实际应用提供了更坚实的基础。

4.2 研究局限性
尽管本研究展示了DNN模型作为预测植被流动条件下流场的有效替代品的潜力,但仍需承认几个局限性。首先,本研究中使用的训练数据完全来自实验室实验的数值再现。尽管这些实验(Mahmoud & Uchida,Citation2024)提供了受控且文档齐全的数据集,但它们不可避免地代表了与自然环境相比简化的条件,在自然环境中,不规则地形、异质植被分布和大规模海岸几何形状等因素起着关键作用。特别是,植被被简化为遵循实验设置的刚性突起的圆柱体,忽略了真实红树林植被在强水力荷载下的灵活性、复杂根系结构和潜在的破坏。然而,也需要认识到,在海啸淹没过程中,植被并不总是完全被破坏。虽然在严重荷载条件下报告了海岸植被的损坏或部分破坏(例如Strusińska-Correia,Citation2017;Suppasri等人,Citation2013),但海啸后的现场调查也记录了植被未完全破坏并继续与淹没流相互作用的情况(Danielsen等人,Citation2005;Tanaka,Citation2012;Yanagisawa等人,Citation2010)。因此,本研究中采用的刚性圆柱体表示应被视为一种理想化的近似,适用于有限但实际相关的海啸和淹没条件范围。因此,在这里展示的DNN模型是在简化假设下训练的初步示例,需要在进一步研究中结合植被的灵活性、破坏和破坏过程,才能将其广泛应用于现场规模场景。因此,在将这些模型应用于实际风险降低或Eco-DRR规划任务之前,扩展提出的建模方法以纳入现场观察或更大规模的实验和模拟是必不可少的。

其次,DNN预测的准确性在外推条件下降低。特别是在最短和最长植被长度(Level=0.6米和5.0米)下获得的预测与参考数据相比显示出较大的差异。这些差异反映了基于ML的水力学中的一个常见挑战:模型在插值范围内通常泛化得很好,但在训练参数空间之外难以捕捉动态。然而,本研究采用了相对简单的前馈DNN架构;通过采用能够表示空间和时间依赖性的更高级架构(如卷积神经网络、长短期记忆网络、Transformer、深度操作符网络或物理信息神经网络),可能会进一步提高性能,这些架构在最近的应用中已被证明适用于波浪和流场预测(例如Asai等人,Citation2025;Chaichitehrani等人,Citation2024;Qi等人,Citation2024;Shi等人,Citation2023;Wang等人,Citation2025;Xu等人,Citation2025)。评估这些架构增强外推稳健性的能力是未来研究的一个关键方向。

第三,DNN模型的预测性能取决于流动状态、植被带长度、测量位置和目标变量。在这项研究中,模型配置考虑了是否包括基准流场信息,以及水面高度和流速是单独预测还是同时预测。结果表明,最佳配置因变量和观察点而异,没有一种配置在所有条件下都能始终优于其他配置。这种变异性表明,某些输入组合可能会强化特定水动力量的主导相关性,而其他组合可能会引入额外的噪声。因此,这些发现突出了进一步研究模型选择策略的重要性,包括基于集成模型的预测方法或自适应配置选择,以提高在不同水流-植被场景下的鲁棒性。第四,在这项研究中,DNN模型是使用从OpenFOAM模拟中获得的数值生成数据训练的,而不是直接使用实验测量数据。这一选择主要是由可用数据集的大小所驱动的:虽然Mahmoud和Uchida(Citation2024)的基准实验室实验提供了67,744个数据点,但相应的OpenFOAM模拟产生了96,000个数据点,增加了大约29.4%。为了评估训练数据源的影响,进行了额外的比较,即使用仅包含实验数据的DNN模型进行训练。图10展示了从所有输出位置的预测和实验水面高程时间序列差异计算出的MAE、RMSE和R2的箱线图。比较结果表明,使用OpenFOAM数据训练的DNN模型比直接使用实验数据训练的模型更能准确再现实验结果,这突显了数据集大小对于实现鲁棒预测性能的重要性。图10. 使用不同数据源训练的两个DNN模型的预测准确性比较:一个使用OpenFOAM数据训练的DNN模型(标记为OF),另一个直接使用实验数据训练的DNN模型(标记为EXP)。两个模型都对应于没有基线信息的单变量水面高程(η/h1)预测,并应用于所有预测案例。对于每个模型,将所有输出位置的预测η/h1时间序列与Mahmoud和Uchida(Citation2024)的相应实验测量值进行了比较。箱线图总结了从预测和实验η/h1时间序列差异计算出的误差统计量:(a) MAE,(b) RMSE,(c) R2。结果表明,使用OpenFOAM数据训练的DNN模型相对于仅使用实验数据训练的模型,在预测准确性方面表现出更高的性能。

尽管如此,应该注意的是,OpenFOAM模拟并没有完全捕捉到实验水面高程记录中观察到的小尺度、短周期振荡(见图3)。由于DNN模型是根据这些数值生成的数据集进行训练的,它们的预测能力本质上反映了这一限制,因此DNN预测无法准确再现细微的短周期波动。因此,虽然当前方法展示了使用经过验证的数值模拟来构建替代模型的有效性,但要进一步提高预测准确性,需要更丰富的实验数据集,包括更多的案例、更密集的空间采样和更细的时间分辨率。因此,使用此类全面的实验数据集开发和验证DNN模型代表了未来研究的一个重要方向。最后,尽管本研究使用了MAE、RMSE和R2等统计指标来评估准确性,但DNN模型预测的概率置信度尚未得到探讨。结合不确定性量化框架(例如贝叶斯深度学习或集成方法)可以提高模型的可解释性,从而有助于基于风险的决策(Chaichitehrani等人,Citation2024;Pammi等人,Citation2024)。

5. 结论

本研究调查了DNN预测通过植被的水坝溃坝流场的能力,使用了通过三维OpenFOAM模拟生成的数据集,并且这些数据集已经过Mahmoud和Uchida(Citation2024)进行的实验室实验结果的验证。通过改变基线输入、输出配置、Lv值和流动状态,系统性地评估了DNN的性能。OpenFOAM模拟高保真地再现了实验观察结果,成功捕捉了由于植被作用而产生的η的时间和空间演变以及u的衰减。随后,这些数值数据集被用来训练DNN模型以预测η/h1和u/(gh1)0.5。结果表明,DNN模型在训练范围内准确地再现了流体动力学行为,特别是在中等Fi和低Fi流动状态下,η/h1的平均R2值超过0.8,ηmax/h1的R2值达到0.933。然而,在高Fi流动状态以及训练范围之外的Lv值下,预测准确性下降,这强调了简单前馈网络的外推能力有限。对不同模型配置的分析显示,没有一种DNN结构在所有场景中都表现最佳;最佳配置取决于流动状态和Lv值,这表明集成或自适应优化方法可能提供更稳健的预测。总体而言,这项研究表明,当DNN模型基于数值生成的数据集进行训练时,可以准确再现植被覆盖下的水坝溃坝流的时域分辨流体动力学行为。特别是,结果表明,当目标植被条件位于训练数据范围内时,预测准确性非常高,表明了强大的插值能力。这一发现表明,一旦在足够广泛的参数空间内进行了CFD模拟,DNN模型可以通过快速生成该空间内其他条件的水位和速度时间序列,以大大降低计算成本来有效补充CFD。因此,所提出的框架不是取代CFD模拟,而是使得大量计算上难以处理的场景的实际探索成为可能。尽管还需要进一步的改进——尤其是在外推性能和不确定性量化方面——但目前的研究为结合CFD和基于DNN的替代模型来支持高效的大规模非稳态植被流动分析奠定了明确的基础。

注释

D== 应变率张量(s^-1)
Fi== 理想化弗劳德数(–)
g== 重力加速度向量(m s^-2)
g== 重力加速度(m s^-2)
h0== 水库水深(m)
h1== 尾水深度(m)
Lv== 植被带长度(m)
p?== 拟动态压力(不包括静水压力)(Pa)
R2== 决定系数(–)
S1–S10== 测量截面(–)
t== 时间(s)
t(g/h1)0.5== 无量纲时间(–)
u== 水平速度(m s^-1)
uc== 界面压缩速度(ms^-1)
umax== 最大水平速度
ubase/(gh1)0.5== 基线无量纲水平速度(–)
u/(gh1)0.5== 无量纲水平速度(–)
umax /(gh1)0.5== 无量纲最大水平速度(–)
x, y, z== 流向、展向、垂直坐标(m)
x/h1== 无量纲流向位置(–)
α== 水相体积分数(–)
η== 从初始水位的水面位移(m)
η/h1== 无量纲水面位移(–)
ηmax== 最大水面位移(m)
ηmax/h1== 无量纲最大水面位移(–)
ηbase/h1== 基线无量纲水面位移(–)
μ== 分子(动态)粘度(Pa s)
μt== 湍流粘度(Pa s)
ρ== 流体密度(kg m^-3)

补充材料

本文的补充数据可在以下网址在线获取:https://doi.org/10.1080/00221686.2026.2642724
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