基于物理知识的神经网络模型,用于预测地下水中的反应性硝酸盐迁移过程

《Advances in Water Resources》:Physics-informed neural network surrogate for reactive nitrate transport in groundwater

【字体: 大 中 小 】 时间:2026年05月09日 来源:Advances in Water Resources 4.2

编辑推荐:

  阿里雷扎·阿拉布(Alireza Arab)| 特劳戈特·谢特(Traugott Scheytt)| 托马斯·纳格尔(Thomas Nagel)| 雷扎·塔赫尔丹库(Reza Taherdangkoo) 德国弗赖贝格矿业大学(TU Bergakademie Freiberg)

  阿里雷扎·阿拉布(Alireza Arab)| 特劳戈特·谢特(Traugott Scheytt)| 托马斯·纳格尔(Thomas Nagel)| 雷扎·塔赫尔丹库(Reza Taherdangkoo)
德国弗赖贝格矿业大学(TU Bergakademie Freiberg),水文地质学与水化学系主任,地址:Gustav-Zeuner-Str. 12,弗赖贝格,09599

**摘要**
预测地下水中硝酸盐(NO??)的衰减过程需要解决控制供体限制、非线性动力学以及电子受体竞争的平流-扩散-反应动力学问题。本研究开发了一种基于物理原理的神经网络(PINN)模型,用于模拟饱和多孔介质中的硝酸盐反应性传输过程,该模型将平流-扩散-反应方程、边界条件、非负性约束以及氧化还原顺序约束直接嵌入到损失函数中。通过PHREEQC软件构建了四个具有逐步增加地球化学复杂性的单维基准测试案例,涵盖了线性反硝化作用、双线性氧化还原竞争、双底物Monod动力学以及完全耦合的硝酸盐-Fe(III)还原反应过程。PINN模型在具有随机小批量数据的全时空场数据上进行了训练,并采用模拟分隔的方式进行训练-测试划分,以避免信息泄露。在所有测试案例中,该模型都能高精度地再现参考数据(测试均方根误差约为1×10?? mol kg?1;R2≥0.99,特别是在非线性情况下),同时将ADR残差、边界条件违反情况和非负性惩罚控制在特征浓度尺度的几个数量级以下。尤其是代表最强动力学非线性的双Monod动力学过程也被模型准确捕捉到,包括DOC限制下的现象和硝酸盐与Fe(III)之间的竞争关系。通过使用50个成员的集成模型并进行分割共形校准,得出了精确且统计上有效的预测区间,其区间宽度仅在反应前沿附近有所增加,这与模型中的非线性敏感性特征一致。这些结果表明,PINN模型可以作为预测地球化学反应性传输过程的准确且符合物理规律的替代工具,并为情景分析、不确定性传播以及将其集成到地下水管理工作中提供了一种计算效率高的方法。

**1. 引言**
地下水中的硝酸盐污染是一个普遍的环境问题,其成因包括农业施肥、化粪池废水排放以及历史性的营养物质输入(Rivett等人,2008年;Camargo和Alonso,2006年)。由于硝酸盐在氧化条件下具有稳定性,并且容易通过渗透性沉积物迁移,因此在为全球许多地区提供饮用水的未封闭浅层含水层中,硝酸盐浓度常常超过安全标准(美国环境保护署,2024年;世界卫生组织,2011年)。持续的超标现象反映了水文和生物地球化学过程的影响,如长期的停留时间、在低渗透性区域中的积累,以及即使源头污染得到控制后仍由次级储层缓慢释放的硝酸盐(Rivett等人,2008年)。可靠预测硝酸盐的迁移过程对于评估修复策略、评估土地利用影响以及管理含水层的长期脆弱性至关重要(Mahmood等人,2024年)。

反应性传输模型(RTMs)(Parkhurst等人,2013年)可以模拟控制地下水溶质演变的平流、扩散、水相物种形成以及微生物介导的氧化还原反应等耦合过程。这类模型明确考虑了反硝化作用、Fe(III)还原作用以及供体限制过程,这些都是硝酸盐衰减的关键因素(Schafer等人,2020年;Appelo和Postma,2004年)。然而,这些系统中的非线性动力学特性、刚性源项以及明显的氧化还原前沿带来了巨大的计算需求(Bu等人,2024年),这可能阻碍需要大量模型评估的工作流程,例如不确定性传播、全局敏感性分析、参数估计、优化以及可靠性或超标风险评估(Leal等人,2020年)。在这种情况下,替代模型的离线训练成本可以在随后数千到数万次模型评估中得到分摊。

机器学习(ML)替代模型可以加速反应性传输过程的分析,但往往在没有明确遵守守恒定律或边界条件的情况下开发(Darabi等人,2012年;Dadashi等人,2012年;Taherdangkoo等人,2020年;Ren等人,2023年)。尽管树状集成模型、高斯过程回归和传统神经网络在训练范围内可能表现出较高的插值精度,但在外推时可能会违反非负性约束、质量平衡或平流出口行为(Yu等人,2020年;Taherdangkoo等人,2021年;Taherdangkoo等人,2022年)。对于硝酸盐的迁移过程,Monod型动力学的强非线性特性以及DOC限制和电子受体竞争进一步增加了这些风险,使得纯数据驱动的替代模型在数据稀疏或地球化学条件发生变化时特别容易出错。此外,为了评估替代模型预测的可靠性以及识别预测信心可能下降的条件,需要进行稳健的不确定性量化(Ma等人,2026a年;Portela等人,2025年;Searcy和Boehm,2022年)。

基于物理原理的神经网络(PINNs)通过惩罚微分方程残差和边界条件违规行为以及数据不匹配来将控制物理定律纳入学习过程(Karniadakis等人,2021年;Ali等人,2024年)。这使得它们非常适合用于地下水中的反应性传输过程,因为该过程受到平流-扩散-反应(ADR)方程的支配,该方程将水动力学与生物地球化学转化过程联系起来(Ma等人,2026b年)。尽管人们对PINNs的兴趣日益增加,但其在环境氧化还原系统中的应用仍然有限,其在再现非线性动力学、供体-受体竞争以及明显反应前沿方面的能力尚未得到系统的评估。在本研究中,我们开发了一种用于饱和多孔介质中硝酸盐反应性传输的基于物理原理的神经网络替代模型。该模型将ADR方程、氧化还原顺序约束和边界条件直接嵌入到损失函数中,以确保空间和时间上的质量守恒和机制准确性。通过PHREEQC模拟,我们在四个逐步激活线性、双线性、Monod和双Monod硝酸盐动力学的基准测试系统中评估了模型的性能。一组独立训练的PINNs模型通过分割共形校准量化了预测不确定性,并评估了不确定性结构是否反映了背后的传输反应动力学。

先前已有研究将PINNs应用于地下水流动和多污染物传输(Hou等人,2025年),以及包括砷迁移(Deng等人,2025年)和工程纳米颗粒迁移(Nilabh和Grandia,2023年;Zhuang等人,2025年)在内的地球化学系统。结合参数不确定性的扩展进一步凸显了PINNs在不确定性感知环境建模中的潜力(Panahi等人,2025年)。也有研究将PINNs应用于变饱和土壤中的硝酸盐传输(Kamil等人,2025年),但这些研究通常依赖于简化的反应网络,且未集成完整的地球化学求解器。据我们所知,这是第一个与完全解析的基于PHREEQC的硝酸盐-Fe(III)系统耦合的PINN框架,实现了反应性传输物理过程的端到端控制以及校准的不确定性。

**2. 方法**
该方法的工作流程包括四个连续的步骤(图1)。首先,使用PHREEQC(pH–REdox–EQuilibrium–C)(Parkhurst等人,2013年)构建了一系列单维反应性传输基准案例,通过空间填充设计采样水动力和地球化学参数。这些模拟为训练和验证提供了高保真度的时空硝酸盐场数据。其次,通过将平流-扩散-反应方程、边界条件和辅助物理约束直接嵌入到复合损失函数中,构建了一个多层感知器(MLP)基于物理原理的神经网络,并使用AdamW优化器进行训练,随后通过L-BFGS算法进行细调。第三,使用一组独立训练的PINNs模型结合分割共形校准来量化预测不确定性,并生成无分布的、逐点预测区间。集成模型的规模是基于敏感性分析选择的,该分析显示预测准确性和经验覆盖率均达到了稳定状态。最后,利用训练和校准好的替代模型快速评估不同地球化学条件下的硝酸盐衰减情况,并进行基于风险的评估。

**下载:**
下载高分辨率图片(258KB)
下载全尺寸图片

**图1. 基于物理原理的不确定性感知替代模型工作流程**

**2.1. 地球化学反应性传输建模**
我们开发了四个一维反应性传输基准案例,以代表饱和多孔介质中控制硝酸盐迁移过程的主要机制。这些基准案例涵盖了从不含铁的异养反硝化作用到具有竞争电子受体的双底物Monod动力学的地球化学复杂性梯度。这些案例旨在:
(i)再现涉及硝酸盐、溶解有机碳(DOC)和非晶态氢氧化铁的环境相关氧化还原路径;
(ii)模拟含水层典型的实际动力学过程;
(iii)为替代模型评估提供可控的实验环境。水溶性组分Cj(x,t) [mol kg?1] 的传输过程遵循Bear和Bachmat(2012年)以及Freeze和Cherry(1979年)提出的公式:
(1) ??Cj?t + q?Cj?x = ??x?DL?Cj?x + Rj(C,M),其中x∈[0,L],t≥0。
?表示孔隙度,q [m d?1] 是达西流量。渗流(孔隙水)速率为u=q/? [m d?1],纵向扩散系数为DL=αLu [m2 d?1],扩散率为αL [m]。分子扩散被忽略。索引j表示可移动的水溶性组分C={C1,…,CNaq},M={M1,…,MNmin}表示反应性矿物或吸附相。反应项Rj(C,M)来自PHREEQC的动力学模块。所有物种形成和动力学计算均使用phreeqc.dat热力学数据库。

传输和反应过程通过算子分离方法耦合,平流-扩散传输在每个全局时间步长中单独求解,而地球化学反应在每个时间步长中同时进行。这种方法确保了水溶性组分和电荷平衡的一致性,同时保持了适合替代模型开发的计算效率。PHREEQC通过用户定义的速率定律实现动力学反应,并使用自适应的隐式方案求解由此产生的刚性常微分方程。虽然未明确模拟微生物生物量,但这些动力学公式提供了在DOC限制下反硝化和Fe(III)还原过程的机制性解释。

**数值实现**
模拟通过Python和IPhreeqcCOM接口(Parkhurst等人,2013年)执行。边界条件包括:
(i)x=0处的固定组成流入(Dirichlet边界);
(ii)x=L处的零梯度流出边界(Neumann边界),代表一个开放的对流边界。这种配置最小化了人工反射现象,前提是反应前沿保持在出口上游。空间域包含N=100个均匀单元格(Δx=1 m;L=100 m),模拟运行了100天。活性系数使用Debye–Hückel/B-dot公式计算。全局时间步长遵循模型默认设置,PHREEQC的自适应求解器根据需要内部对刚性动力学反应进行子步长处理,以满足10??的相对容忍度。

流入水中的化学成分包括硝酸盐、主要离子和碱度,代表了10°C下的碳酸盐缓冲地下水。DOC在流入水中不存在,但在域内均匀初始化为CDOC,0。在相关情况下,非晶态物质在域内均匀分布,初始库存为M0。含水层单元格中不存在初始硝酸盐或还原态氮物种。所有水溶性物种的形成,包括氧化还原产物和碳酸盐缓冲作用,均由PHREEQC内部处理。

**时间步长和稳定性**
平流的离散化使用了 first-order upwind 方法,扩散使用了 central differences 方法。稳定性通过Courant数和以达西形式表示的单元格Péclet数进行评估。其中Darcy流量为q [m d?1],渗流速率为u=q/?。单元格Péclet数和Courant数为:
(2) PeΔ = uΔxαL, Cr = qΔt?Δx。
扩散系数DL=αLu。所有基准配置均满足PeΔ≤10和Cr≤1(Celia等人,1990年;Bear,2013年;Zheng和Bennett,2002年)。时间步长的选择基于公式(3)Δt = Crmax?Δx/q,以确保对流稳定性。使用Δx=0.5m的网格细化测试显示硝酸盐浓度剖面无明显差异,证实了所选网格分辨率下的空间收敛性。尽管快速动力学可能导致计算复杂性增加,但PHREEQC的自适应隐式常微分方程求解器在每个全局传输时间步长内进行内部子步长处理,以满足规定的相对容忍度。在整个采样的动力学参数范围内(表1),反应过渡区宽度保持几个单元格宽,收敛性测试表明选定的全局时间步长大小主要由Courant约束(对流稳定性)而非反应刚性决定。

**2.2. 基准案例定义**
**基准案例1:线性硝酸盐反硝化**
基准案例1仅考虑以溶解有机碳为唯一电子供体的异养反硝化作用,并排除了铁的氧化还原过程。DOC(CH?O)在流入水中不存在,但最初存在于多孔介质的水相中,因此硝酸盐的衰减完全取决于现场供体的可用性和传输过程。反应速率遵循双分子线性动力学,硝酸盐和DOC均为一级反应(Parkhurst等人,2013年;Appelo和Postma,2004年):
(4) rNO? = kCCNO?/CDOC,其中kC [kgw mol?1 s?1] 是双分子速率常数。虽然未明确模拟微生物生物量,但kC隐含了微生物丰度和温度依赖性。异养反硝化的化学计量关系为(Stumm和Morgan,2013年;Appelo和Postma,2004年):

**基准案例2:双线性氧化还原竞争**
基准案例2通过引入微生物介导的Fe(III)还原作用作为第二条消耗DOC的途径,扩展了基准案例1。硝酸盐和非晶态Fe(III)因此竞争有限的供体池。硝酸盐的还原速率仍遵循公式(4),而Fe(III)的还原遵循线性双分子形式(Appelo和Postma,2004年;Roden,2006年):
(6) rFe = kFeMCDOC,其中M [mol kgw?1] 是Fe(III)的活性库存,kFe [kgw mol?1 s?1] 是相应的速率常数。早期的伪一级损失常数为keff,NO?=kCCDOC,0 和 keff,Fe=kFeCDOC,0。Fe(III)的还原过程如下(Stumm和Morgan,2013年):

**基准案例3:双底物Monod反硝化**
基准案例3采用双底物Monod公式进行硝酸盐还原,并省略了Fe(III)过程。反应速率为(Monod,1949年;Zarnetske等人,2012年;Gu等人,2007年):
(9) rNO? = kmaxCNO?KNO?+CDOC,其中kmax [mol kgw?1 s?1] 是最大速率常数,KNO?和KDOC是半饱和常数 [mol kgw?1]。定义饱和度参数为:
(10) SNO?=CNO?KNO?+CDOC,SDOC=CDOC+CDOC,有效的入口损失常数为keff=kmaxSNO?inSDOC,0。

**基准案例4:具有氧化还原竞争的双Monod动力学**
基准案例4结合了Monod型硝酸盐还原和Monod型Fe(III)还原,两条途径共享相同的DOC池。反应速率分别为(Lovley和Phillips,1988年;Roden和Zachara,1996年;Roden,2006年):
(11) \(rNO_3 = k_{max}CNO_3 - K_{NO_3} + CNO_3 - C_{DOC}\)
(12) \(rFe = k_{F_{max}M - K_{Fe} + M - C_{DOC}\),其中 \(k_{F_{max}\) [mol kg^{-1} s^{-1}\) 是Fe(III)的最大 Reduction速率,\(K_{Fe}\) 是活性Fe(III)的半饱和常数 [mol kg^{-1}]。使用饱和度因子:
(13) \(S_{NO_3} = K_{NO_3} - C_{NO_3}\),\(S_{DOC} = C_{DOC}\),\(S_{Fe} = M - K_{Fe}\),则流入处的硝酸盐和Fe(III)还原之间的初始竞争关系为:
(14) \(\chi_{Monod} = k_{max}\frac{S_{NO_3}}{k_{F_{max}S_{Fe}_0}\)。化学计量关系遵循方程式(5)、(7)。这个基准模型引入了一个完全耦合的非线性氧化还原系统,该系统具有共享的供体限制和竞争性的受体途径。

**实验设计**
所有基准模型都使用了物理上合理的参数范围,以覆盖实际的水文地球化学条件,同时保持数值稳定性。这些范围是根据现场测量数据和先前的反应-传输研究确定的(表1)。参数向量是使用拉丁超立方抽样(LHS)(McKay等人,1979年)生成的,这种方法能够对多维域进行分层、空间填充的覆盖,并提高替代模型学习水动力和地球化学控制因素之间非线性相互作用的能力。每个抽样的参数集定义了一个独特的PHREEQC实现,产生了涵盖线性、Monod和竞争动力学范围内的平衡模拟集合。

**水动力参数**(渗透速率、扩散率和孔隙度)的采样值代表了典型的浅层含水层条件。化学参数包括进水硝酸盐、初始DOC和初始Fe(III)含量,涵盖了寡营养到富供体系统的情况,并涵盖了冲积沙、冰川沉积物和碳酸盐含水层中預期存在的浓度。动力学速率常数和半饱和参数在文献一致的范围内变化,以捕捉广泛的反硝化和Fe(III)还原强度,而不会过度指定特定地点的校准。这种设计确保了基准模型能够在多样化的氧化还原环境和传输反应机制下评估替代模型的鲁棒性。

**表1. 使用拉丁超立方抽样为基准模型1-4采集的水动力和地球化学参数。范围是根据文献报告选定的,以代表不同含水层设置下的典型现场条件。**
| 参数 | 抽样范围 | 文献依据 |
|-------------|-----------------------------------------|-------------------------------------------|
| 渗透速率(u,m d^{-1}) | 0.05至0.5 | 适用于浅层含水层,并与现场尺度平流模型一致(Freeze和Cherry,1979年;Domenico和Schwartz,1990年) |
| 扩散率(αL,m) | 0.1至5.0 | 适用于局部到中等羽流尺度(Gelhar等人,1992年;Zheng和Bennett,2002年) |
| 孔隙度(?,–) | 0.05至0.25 | 适用于未固结沙和碳酸盐含水层(Freeze和Cherry,1979年;Domenico和Schwartz,1990年) |
| 进水硝酸盐(CNO_3_{in},mol kg^{-1}) | 4×10^{-4}至8×10^{-4} | 覆盖了WHO/EPA规定的监管阈值(世界卫生组织,2011年;美国环境保护署,2024年) |
| 初始DOC(CDOC_0,mol kg^{-1}) | 2×10^{-5}至1×10^{-3} | 适用于寡营养到富供体地下水;上限范围用于Fe(III)竞争场景(Thurman,2012年;McDonough等人,2020年;Tesoriero和Puckett,2011年) |
| Fe(III)氧化物库(C_{Fe},mol kg^{-1}) | 5×10^{-5}至1×10^{-3} | 生物可利用的Fe(III)浓度(Roden,2006年;Lovley和Phillips,1988年;Postma等人,1991年;Rivett等人,2008年) |
| 线性反硝化速率(k_C,kgw^{-1} s^{-1}) | 1×10^{-8}至1×10^{-6} | 与含水层反硝化数据一致(Korom,1992年;Tesoriero和Puckett,2011年) |
| 线性Fe(III)还原速率(k_Fe,kgw^{-1} s^{-1}) | 1×10^{-9}至1×10^{-6} | 比硝酸盐还原速率慢,与现场和实验室结果一致(Rivett等人,2008年;Roden,2006年) |
| Monod最大速率(k_{max},mol kg^{-1} s^{-1}) | 1×10^{-8}至1×10^{-6} | 与现场校准的反硝化模型一致(Gu等人,2007年;Zarnetske等人,2012年) |
| 半饱和常数(K_{NO_3},mol kg^{-1}) | 1×10^{-5}至5×10^{-4} | 报告用于沉积物和反应传输模型校准(Gu等人,2007年;Clement,1997年;Clement等人,1998年) |
| DOC半饱和常数(K_{DOC},mol kg^{-1}) | 1×10^{-5}至2×10^{-4} | 适用于含水层和潜流层反硝化(Zarnetske等人,2012年;Barnes等人,2019年) |
| Monod最大速率(k_{F_{max},mol kg^{-1} s^{-1}) | 1×10^{-9}至1×10^{-6} | 与DOC限制下的微生物Fe(III)还原一致(Roden,2006年;Lovley和Phillips,1988年) |
| Fe(III)半饱和常数(K_{Fe},mol kg^{-1}) | 1×10^{-5}至5×10^{-4} | 适用于Monod型氧化物还原模型中的生物可利用Fe(III)(Roden,2006年;Lovley和Phillips,1988年) |

**2.3. 基于物理的神经网络建模**
来自四个基准模型的反应传输数据集被用来训练能够根据水动力和地球化学输入预测整个时空域内CNO_3(x,t)的物理感知神经网络(PINN)模型。PINN公式将控制平流-扩散-反应方程、相关的氧化还原反应项以及所有相关边界条件直接嵌入到损失函数中,从而在整个输入空间内强制实现物理上一致的预测(Karniadakis等人,2021年;Hou等人,2025年;Deng等人,2025年)。

**架构和损失函数**
PINN表示一个非线性映射(Dua,2011年):
\(f_\theta:(x,t,p) \rightarrow C^\hat\),其中x和t分别表示空间坐标和时间,p表示水文地球化学输入参数向量,包括孔隙度、达西通量、DOC浓度,以及对于特定基准模型而言,还包括动力学参数\(k_C\)、\(k_Fe\)、\(C_{Fe}^{3+}\)和\(K_{Fe}\)。\(C^\hat\)是PINN预测的标准化硝酸盐浓度。该网络是一个全连接的多层感知器,包含5个隐藏层,宽度分别为128、128、64、64、32,所有隐藏层都使用双曲正切激活函数,以及一个表示标准化硝酸盐浓度的线性输出神经元(Grohs等人,2022年)。PDE残差、氧化还原(基准模型2和4)和边界条件所需的所有导数都是通过对标准化输入向量自动求导获得的,而物理导数则是通过使用存储的特征标准差进行链式规则缩放得到的(Kast和Hesthaven,2024年;Lucor等人,2022年)。

损失函数结合了数据不匹配(ADR)、边界条件(LADR)、氧化还原和非负性(Deng等人,2025年;Raissi等人,2019年)的残差:
\(L = L_{data} + \lambda_{phys}L_{ADR} + \lambda_{BC}L_{BC} + \lambda_{redox}L_{redox} + \lambda_{nn}L_{nonneg}\),
其中系数分别设置为\(\lambda_{phys}=1\)、\(\lambda_{BC}=1\)、\(\lambda_{redox}=0.2\)和\(\lambda_{nn}=0.1\)。这些值是通过初步敏感性测试选定的,以平衡数据保真度、ADR一致性和四个基准模型中的其他物理约束。基于物理的项主要作为正则化因子,以提高与传输动力学和边界条件的一致性,而监督损失则复现了参考模拟器的响应。PINN替代模型的结构如图2所示。

**监督损失Ldata**定义为网络预测值与PHREEQC浓度的均方误差,通过对从训练实现中抽取的标记时空样本的随机小批量进行评估。ADR残差遵循控制传输方程(方程(1)并通过以下方式在物理单位中强制实现:
\(R(x,t) = \phi \frac{\partial C^\hat}{\partial t} + \phi v \frac{\partial C^\hat}{\partial x} - \phi D_L \frac{\partial^2 C^\hat}{\partial x^2} - R(s)\),
其中\(\phi\)是孔隙度,\(v\)是孔隙水速度,\(D_L\)是纵向扩散系数(\(D_L = \alpha_L v\),\(\alpha_L\)是纵向扩散率)。这里,\(R(s)\)表示以PHREEQC的物理单位mol kg^{-1} s^{-1}表示的反应速率。PDE损失\(L_{ADR}\)定义为在域内选定的配置点上评估的R的均绝对值(Raissi等人,2019年)。

**图2. PINN替代模型的示意图。**输入\(x,t,p\)由多层感知器映射到硝酸盐预测值C。所需的空间和时间导数通过自动求导获得,并用于构建ADR残差、边界条件、氧化还原和非负性损失组成部分。最终损失通过两阶段优化策略(AdamW followed by L-BFGS)最小化。

**反应源项R(C^\hat)\)使用第2.2节中定义的特定于基准模型的线性或双底物Monod动力学表达式。**进入方程(17)的总速率为:
\(R(C^\hat) = rNO_3 + rFe\),其中Fe(III)项\(rFe\)仅在基准模型2和4中生效。

**边界损失LBC**在流入处是Dirichlet条件,在流出处是零梯度(平流开放)条件(Zheng和Bennett,2002年;Bear,2013年;Raissi等人,2019年)。在入口处,预测值未缩放到物理单位,并根据模拟特定的入口浓度\(C_{in}(t)\)通过均方误差项进行惩罚,以实现(19):
\(C(0,t) = C_{in}(t)\)。在出口处,通过对标准化空间坐标自动求导计算空间梯度,并将其缩放到物理单位(Zhang等人,2025年),相应的损失项驱动(20):
\(\frac{\partial C}{\partial x}x = L = 0\),这 suppresses人工在下游边界产生的反射。氧化还原项\(L_{redox}\)是一种启发式惩罚,用于阻止物理上不合理的氧化还原反应顺序。该惩罚使用预测的硝酸盐浓度和输入向量中提供的Fe(III)含量参数进行评估。它抑制了在硝酸盐仍然丰富的条件下过高的Fe(III)还原速率,从而促进了与地下氧化还原系统中预期的电子-受体层次结构的一致性(优先硝酸盐还原)。氧化还原惩罚在autograd图之外评估,通过分离的预测值重新引入损失函数中,作为标量正则化项,允许其指导训练,而不会施加严格的机制约束。非负性项\(L_{nonneg}\)是对预测的负浓度施加的二次惩罚,并在批次上平均,以确保整个域内硝酸盐浓度的非负性。

**2.4. 模型开发**
数据集按数值实现划分为160个训练案例和40个测试案例,确保给定模拟的任何时空样本不会同时出现在两组中(Zhu等人,2023年)。所有输入特征都使用仅在训练模拟上计算的平均值和标准差进行了标准化,相同的转换也应用于测试集(Zhu等人,2024年)。硝酸盐浓度目标的缩放类似,以稳定优化并改善梯度条件。

总共,每个基准模型使用拉丁超立方抽样生成了200个独立的PHREEQC实现。每个实现包括在结构化的时空网格上定义的硝酸盐浓度场,其中\(Nx=100\)个空间单元和\(Nt=100\)个时间步长,每个实现产生10,000个时空点。因此,整个数据集每个基准模型大约包含2.0×10^6个标记浓度点。在按模拟划分的情况下,160个实现(大约1.6×10^6个点)用于训练,40个实现(大约4.0×10^5个点)用于测试。在训练过程中,采用了随机小批量技术,以便在每次梯度更新时只处理一部分标记样本和配置点,避免了过大的内存需求,并保持了尽管数据集总量很大但仍然可行的随机优化。

训练分两个优化阶段进行。在第一阶段,网络使用AdamW进行了2000个周期的优化,学习率为10^-3,权重衰减为10^-4,每个随机梯度更新的监督小批量大小为65,536个时空样本(Theodoris等人,2023年)。这个值指的是在一个优化步骤中处理的样本数量,而不是整个训练集的大小。如上所述,整个训练集每个基准模型大约包含1.6×10^6个标记样本。在每个梯度更新时,从相同的训练输入域中额外抽取了2Nb个未标记的配置点来评估ADR残差。配置残差的贡献相对于监督残差减少了0.5的权重,以平衡标记位置和未标记位置之间的物理正则化。

对物理损失项进行了线性热身,其中\(\lambda_{phys}\从0增加到1,\(\lambda_{redox}\从0增加到0.2,前400个周期内,而非负性惩罚保持为\(\lambda_{nn}=0.1\)不变。损失权重是基于初步敏感性实验选择的,其中\(\lambda_{phys}\、\(\lambda_{BC}\、\(\lambda_{redox}\和\(\lambda_{nn}\在采用的配置周围变化了一个数量级。在这些测试中,没有观察到测试集准确性的系统性下降,表明训练程序对损失权重的适度变化相对不敏感。增加\(\lambda_{phys\)的主要效果是在AdamW下更严格地执行ADR残差,尽管早期的收敛速度较慢;而\(\lambda_{BC}\和\(\lambda_{nn}\的变化在相应的约束满足数值容忍度后影响有限。

边界条件在每个周期内的单独更新步骤中强制执行。入口和出口位置分别通过最小和最大空间坐标确定,相应的标准化特征向量用于计算具有相等权重\(*\lambda_{BC}=1\)的Dirichlet和Neumann边界损失。出口输入被视为可微变量,通过自动求导计算空间梯度并一致地执行通量边界条件。

在第二阶段,使用有限记忆BFGS(LBFGS)优化器对参数进行了微调,历史大小为50,并使用强Wolfe线搜索(Aggarwal等人,2018年)。LBFGS闭合在每次评估时最多采样65536个监督训练点和8192个入口和出口边界点,以控制GPU上的内存使用。ADR残差和边界损失保持有效,\(\lambda_{phys\)保持在其最大值,而非负性和氧化还原惩罚设置为零,以减少准牛顿细化过程中的计算开销。对于每次闭合调用,所有相对于标准化输入的所需导数都被重新计算并通过网络反向传播。

训练完成后,通过对标准化的测试输入应用训练好的PINN获得40个保留模拟的预测结果,并将输出缩放到物理单位。性能使用均方根误差、平均绝对误差、模拟和预测硝酸盐浓度之间的决定系数,以及测试集上评估的平均绝对ADR残差、非负性惩罚和氧化还原惩罚来量化。这些诊断结果确认,该替代模型能够在保持对ADR物理规律和边界条件的遵守的同时,以较低的预测误差再现高保真的反应传输模拟结果,即使是在一组未见过的参数组合中也是如此。2.5. 不确定性量化鉴于硝酸盐衰减的非线性和竞争控制特性,评估预测不确定性对于识别替代模型何时具有信心以及反应前沿的敏感性如何限制预测可靠性至关重要。为此使用了50个独立训练的PINN组成的集合,并结合了分割共形校准方法。所有集合成员具有相同的网络架构、损失公式和优化计划,但在随机初始化方面有所不同。训练模拟中的固定比例(10%)被保留出来形成校准集,该集合不参与参数更新(Ma等人,2026a;Gibbs和Candès,2024;Moya等人,2025)。校准集包括来自这些保留实现的所有时空评估点,因此共形得分是在未用于参数更新的模拟中的(x,t,p)样本上逐点计算的。对于每个校准样本,将集合平均预测C?cal与相应的模拟硝酸盐浓度Ccal进行比较。使用绝对残差(Shafer和Vovk,2008) (21)|C?cal?Ccal|来计算共形调整。共形半径qα是使用标准分割共形有限样本校正方法定义的。设(22)k=(ncal+1)(1?α),其中ncal是校准点的数量。然后qα定义为|C?cal?Ccal|的kth最小值,对应于上经验顺序统计量(Lei等人,2018)。对于代表时空域中一个点的新测试样本(x,t,p)及其相关的水文地球化学参数,集合会生成一组预测值,其样本平均值为C?,认知标准差为σepi(即独立训练的PINN成员之间的集合标准差)。使用逐点半宽度(23)h=qα2+(Zepiσepi)2w构建名义水平1?α(α=0.10时为90%)的预测区间,其中Zepi是一个可调系数,用于控制集合扩散对区间大小的影响,w是从参考PINN的标准化ADR残差中得出的加宽因子(Karniadakis等人,2021)。在实现中,w=1+βr?,其中r?∈[0,1]是一个重新缩放的PDE残差,β≥0是一个可调系数。在这里报告的基线结果中,β=0,因此w≡1。所得到的预测区间为(24)[C?lo,C?hi]=C??h,C?+h。在假设校准和测试残差可交换的前提下,当Zepi=0且w≡1(即h=qα)时获得的基于分割共形的区间具有有限样本的边际覆盖保证(Shafer和Vovk,2008;Moya等人,2025;Lei等人,2018)。额外的认知项Zepiσepi和可选的基于物理的加宽因子w≥1在实际中会扩大区间,但形式上的共形覆盖保证严格适用于基础区间。2.6. 参数空间泛化分析通过根据水文地球化学参数向量得出的实现级分布外(OOD)分数对完整的PHREEQC实现进行分层,来评估在显式参数空间变换下的鲁棒性。对于每个具有参数向量ps=(ps,1,…,ps,J)的模拟s,OOD分数定义为(25)?OODs=maxj|ps,j?mediantrain(pj)MADtrain(pj)+?|,这对应于仅相对于训练实现的参数的最大鲁棒(中位数–MAD)偏差。中位数和中位数绝对偏差(MAD)仅从训练集中计算以避免泄漏。常数??>0是一个小的数值保护措施,用于防止在MADtrain(pj)可以忽略时发生除以零的情况。OOD分数前10%的实现被归类为OOD,其余90%被归类为分布内(ID)。然后使用RMSE评估每个实现的预测性能,该RMSE是50个成员PINN集合的集合平均预测与所有时空评估点上相应的PHREEQC硝酸盐浓度之间的差异。3. 结果与讨论3.1. 基准测试1:线性硝酸盐反硝化对于基准测试1,训练分为两个阶段进行。在AdamW阶段,观测数据损失减少了几个数量级,而与平流–扩散–反应残差、边界条件一致性和非负性约束相关的基于物理的损失稳定在较小的物理值上(图3)。PDE残差项保持在10?7的数量级,边界条件惩罚在10?11到10?10之间,非负性惩罚降至10?11以下。物理权重λphys按计划从0增加到1,确保优化在保持对PHREEQC水文化学模拟的保真度的同时进行严格的物理规整。经过后续的LBFGS微调后,最终测试集的物理损失收敛到PDE残差为2.95×10?7,边界条件惩罚低于10?10,且没有非负性违规。这些值表明替代模型与主导的ADR方程高度一致,并保持了浓度的局部质量平衡。PINN在逐个模拟的训练–测试划分下实现了高预测精度。测试误差为RMSE=1.1×10?5 mol kgw-1和MAE=6.9×10?6 mol kgw-1,R2=0.9962,显示出与整个时空域内的机制性地下水反应传输模型的极好一致性。在多个时间点提取的空间浓度剖面证实,替代模型再现了沿流动方向的指数型硝酸盐衰减(图4,左)。残差保持在±1×10?5 mol kgw-1以内,没有随着下游或时间的推移而累积,所有时间片段的平均绝对误差为2.65×10?6 mol kgw-1(图4,右)。下载:下载高分辨率图像(313KB)下载:下载全尺寸图像图3. 基准测试1(线性反硝化)的PINN训练收敛情况。左图:AdamW优化期间总损失和数据损失的演变。右图:基于物理的损失项,包括PDE残差、边界条件惩罚和非负性。时空场证实,PINN再现了地下水硝酸盐羽流的平流迁移、由线性反硝化动力学引起的单调下游衰减以及由扩散和衰减引起的曲率(图5)。残差在反应前沿附近保持较小且局部结构化,没有系统的空间或时间偏差,表明关键的水文地质和水文化学趋势得到了良好的捕捉。这些结果表明,PINN提供了一个鲁棒、物理上一致的机器学习替代模型,用于线性硝酸盐衰减,并在训练完成后能够快速进行推理。下载:下载高分辨率图像(488KB)下载:下载全尺寸图像图4. 基准测试1(线性反硝化)。左侧面板显示了随时间变化的硝酸盐沿流动方向的空间浓度剖面。右侧面板显示了替代模型的建模残差。下载:下载高分辨率图像(416KB)下载:下载全尺寸图像图5. 基准测试1(线性反硝化)。比较了PHREEQC和PINN替代模型模拟的时空硝酸盐浓度场。显示了建模残差。3.2. 基准测试2:双重线性氧化还原竞争基准测试2引入了同时发生的硝酸盐和非晶态还原,两者都通过双重线性速率定律消耗DOC。在AdamW优化期间,数据损失减少了几个数量级,而与ADR残差、边界条件和非负性相关的基于物理的损失稳定在10?7(对于PDE项)、10?11(对于边界惩罚)和10?13(对于非负性约束)(图6)。氧化还原排序惩罚抑制了Fe(III)的还原,同时优先进行硝酸盐的还原,其范围保持在4×10?4–7×10?4之间,并未趋于零,反映出在两种受体竞争DOC的区域中该约束是活跃的。经过LBFGS微调后,测试集的物理损失收敛到PDE残差为1.45×10?7,边界条件惩罚低于10?10,非负性惩罚可以忽略不计,同时氧化还原惩罚为6.23×10?4,表明替代模型满足了ADR平衡和非负性约束,同时保持了受控的氧化还原排序规整。双重线性PINN的测试误差为RMSE=2.7?10?5 molkgw?1和MAE=1.2?10?5 molkgw?1,R2=0.979,覆盖了整个时空域。空间浓度剖面显示PINN和PHREEQC地下水反应传输模拟之间有很好的一致性(图7,左)。替代模型再现了陡峭的领先梯度和从氧化状态到还原状态的突变过渡,即使硝酸盐和Fe(III)之间的竞争逐渐改变了有效反应速率。残差剖面显示在反应前沿后方有轻微的低估,在其前方有轻微的高估,这与使用平滑的神经近似表示一个尖锐的、受竞争控制的反应界面的难度一致(图7,右)。尽管如此,残差仍保持在±1?10?4 molkgw?1以内,所示模拟的平均绝对误差为6.62×106 molkgw?1。下载:下载高分辨率图像(357KB)下载:下载全尺寸图像图6. 基准测试2(双重线性硝酸盐–Fe(III)动力学)的PINN训练收敛情况。左图:AdamW优化期间总损失和数据损失的演变。右图:基于物理的损失项,包括PDE残差、边界条件惩罚和非负性。下载:下载高分辨率图像(582KB)下载:下载全尺寸图像图7. 基准测试2(双重线性硝酸盐–Fe(III)动力学)。左侧面板显示了随时间变化的硝酸盐沿流动方向的空间浓度剖面。右侧面板显示了替代模型的建模残差。PINN准确再现了地下水硝酸盐羽流的快速下游迁移以及由双重线性DOC消耗引起的衰减前沿的加剧(图8)。残差在移动的反应前沿附近保持较小且局部化,没有系统性的上游或下游偏移,表明替代模型捕捉到了平流传输和双重线性动力学引起的DOC分配行为。PINN提供了一个鲁棒、物理上一致的机器学习替代模型,用于DOC限制的双重线性氧化还原竞争,并在训练完成后能够快速进行推理。下载:下载高分辨率图像(382KB)下载:下载全尺寸图像图8. 基准测试2(双重线性硝酸盐–Fe(III)动力学)。比较了PHREEQC和PINN替代模型模拟的时空硝酸盐浓度场。显示了建模残差。下载:下载高分辨率图像(328KB)下载:下载全尺寸图像图9. 基准测试3(双重底物Monod反硝化)的PINN训练收敛情况。左图:AdamW优化期间总损失和数据损失的演变。右图:基于物理的损失项,包括PDE残差、边界条件惩罚和非负性。3.3. 基准测试3:双重底物Monod反硝化基准测试3应用了非线性的双重底物Monod动力学,其中硝酸盐的还原同时依赖于DOC浓度。使用AdamW进行训练时,物理权重λphys按计划从0增加到1。总损失从第0期的4.34×10?1平滑减少到第1999期的2.13×10?5,与数据损失从2.35×10?1减少到1.35×10?5的情况非常相似。监督和配置PDE残差稳定在(3.8–4.1)×10?7范围内,而边界条件惩罚在整个训练期间保持在10?12到10?10之间。非负性项保持在10?13–10?12范围内(图9),表明替代模型在非线性反应动力学下继续强制执行非负性和边界一致性。训练后的模型在测试集上的RMSE为1.6×10?5 molkgw?1,MAE为7×10?6 molkgw?1,R2为0.992。最终的PDE残差平均值为3.68×10?7,边界条件惩罚低于10?10,非负性惩罚可以忽略不计,证实尽管存在非线性Monod饱和,替代模型仍保持了强大的物理保真度。空间浓度剖面显示,PINN准确再现了随着反应速率从一级变为饱和限制行为时浓度梯度的逐渐平坦化(图10,左)。所有时间片段的平均绝对误差为2.2?10?6 molkgw?1。残差主要集中在零附近,仅在出口附近有轻微的振荡,幅度在±1×10?5 molkgw?1以内(图10,右)。时空场显示,PINN捕捉到了硝酸盐羽流的平流传播、Monod饱和引起的曲率以及硝酸盐富集区和硝酸盐贫乏区之间的平滑过渡(图11)。残差在反应前沿附近保持较小且局部化,没有系统性的上游或下游偏差。基准测试3表明,相同的PINN架构可以成功应用于非线性水文化学场景,并在瞬态场和全局误差指标中准确捕捉Monod类型的反硝化动态。下载:下载高分辨率图像(491KB)下载:下载全尺寸图像图10. 基准测试3(双重底物Monod反硝化)。左侧面板显示了随时间变化的硝酸盐沿流动方向的空间浓度剖面。右侧面板显示了替代模型的建模残差。下载:下载高分辨率图像(420KB)下载:下载全尺寸图像图11. 基准测试3(双重底物Monod反硝化)。比较了PHREEQC和PINN替代模型模拟的时空硝酸盐浓度场。显示了建模残差。3.4. 基准测试4:具有氧化还原竞争的双重Monod动力学基准测试4代表了最非线性且强耦合的动力学场景,结合了双重底物Monod硝酸盐还原和Monod类型的Fe(III)还原。这种配置激活了同时发生的电子受体竞争、DOC控制的饱和以及促进硝酸盐优先还原的氧化还原排序约束。在AdamW优化期间,总损失从4.05×10?1减少到3.98×10?5,与数据损失从2.29×10?1减少到1.36×10?5的情况非常接近。监督和配置PDE残差保持在(1.0–1.9)×10?6范围内,而边界条件惩罚保持在10?12到10?10之间,非负性项接近10?13。氧化还原排序惩罚从1.6×10?4适度减少到4.8×10?5,表明在硝酸盐和Fe(III)还原同时发生的区域中,这一启发式排序约束是活跃的(图12)。训练后的替代模型在测试集上的RMSE为1.0?10?5 molkgw?1,MAE为6.0?10?6 molkgw?1,R2为0.997。最终偏微分方程(PDE)的残差为9.87×10^-7,非负性惩罚可以忽略不计,氧化还原排序惩罚为1.44×10^-4,这证实了模型在多受体、强非线性反应传输机制下的泛化能力稳健。空间浓度剖面显示PINN模拟结果与PHREEQC模拟结果(图13,左侧)非常吻合。该替代模型再现了与Monod饱和度相关的特征曲线、受DOC限制的尾部现象,以及由硝酸盐-Fe(III)竞争引起的更陡峭的衰减前沿。残差值基本保持在零附近,仅在出口附近有轻微的振荡行为,其幅度在±1×10^-5范围内,这与非线性传输机制相符(图13,右侧)。因此,当前框架未能充分体现反应-传输公式中的结构不确定性、水力和地球化学性质的空间异质性、优先流以及横向和垂直混合现象。将模型扩展到异质性的二维和三维域在概念上是直接的,但会引入数值和优化方面的挑战。自动微分的成本大幅增加,因为二阶自动微分残差需要针对多个空间坐标进行评估,在各向异性介质中还可能涉及混合导数。为了确保残差的稳定性,还需要更先进的配置策略,因为均匀采样不太可能解决反应前沿、岩石层界面或优先流路径附近的局部梯度问题。在这种情况下,可能需要采用自适应或基于残差的采样方法。由于异质性导致损失函数中的多尺度行为和空间局部梯度,训练复杂性也预计会增加,这可能会减缓一阶优化的速度并降低准牛顿法细化的效果。此外,随着维数的增加,稳定训练所需的配置点数量迅速增多,从而增加了内存需求和计算成本。因此,将模型扩展到考虑时间变化边界条件和多输出PINNs(同时模拟硝酸盐、DOC、铁及其衍生风险指标)是自然而然的下一步,但这需要仔细处理采样、损失平衡和计算缩放问题。

数据同化和物理信息学习为异质地下系统提供了互补的视角。数据同化主要通过将观测数据与机制模型结合在贝叶斯框架内进行集成,从而估计空间分布的参数,从而直接应对异质场中的不确定性。相比之下,PINNs将控制方程直接嵌入学习目标中,以约束数据驱动的系统状态近似。结合这两种范式的混合公式可能为异质地下水系统中参数和状态的联合约束提供了一种系统方法(Cao等人,2026年)。贝叶斯或变分物理信息替代模型(Zheng等人,2024年)也可能为不确定性量化提供一种替代的单一模型形式,尽管它们的校准、计算成本以及对强非线性反应-传输系统的鲁棒性仍有待系统评估。在这些限制下,当前结果表明,物理信息替代模型在情景分析、超出风险评估以及集成到硝酸盐影响含水层的优化或数据同化工作流程中具有前景。

4. 结论

本研究开发了一种用于饱和多孔介质中反应性硝酸盐传输的物理信息神经网络替代模型,并在逐渐复杂的地球化学基准测试中评估了其性能。主要结论如下:
- 在严格的训练-测试分离条件下,PINN能够准确地再现高保真的PHREEQC模拟结果,测试误差约为RMSE~10?5 mol kgw?1,R2≥0.97,适用于线性、Monod和竞争性氧化还原环境。
- 将平流-扩散-反应方程、边界条件、非负性和氧化还原排序约束嵌入模型中,确保了预测的物理一致性,残差较小,且在时空域内的边界条件违反情况可以忽略不计。
- 最具非线性的基准测试(结合了双底物Monod动力学和硝酸盐-Fe(III)竞争)也被稳健地捕获,残差误差局限于迁移反应前沿附近的狭窄区域,而没有出现系统性的传输或反应行为偏差。
- 一个包含50个成员的集成模型结合了分裂共形校准,提供了校准后的不确定性估计,在动态敏感区域预测区间有所扩大,但总体上仍接近理想值。
- 一旦训练完成,该替代模型能够快速预测完整的时空硝酸盐场。在GPU上,单次预测耗时不到一秒,而PHREEQC模拟则大约需要70秒,这使得该方法非常适合需要大量评估的工作流程,如不确定性传播、敏感性分析或情景探索。

CRediT作者贡献声明:
Alireza Arab:撰写——原始草稿、可视化、验证、方法论、调查、数据管理、概念化。
Traugott Scheytt:撰写——审阅与编辑、方法论。
Thomas Nagel:撰写——审阅与编辑、资金获取。
Reza Taherdangkoo:撰写——审阅与编辑、方法论、调查、资金获取、概念化。
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