基于物理信息神经算子网络的二维浅水方程学习

《Water Resources Research》：Learning 2D Shallow Water Equations With Physics-Informed Neural Operator Networks

　　

本研究探讨了物理信息神经算子（PINOs）在洪水模拟背景下求解二维浅水方程（2D SWE）的应用。与物理信息神经网络（PINNs）不同，后者需要针对每个新的初始或边界条件（BC）重新训练，PINOs学习解算子本身，从而能够在各种条件下快速推理而无需重新训练。此外，PINNs已被证明在处理复杂河床地形时存在困难，原因在于难以满足良态性质（Tian等，2025，https://doi.org/10.1029/2025wr040052；Dazzi，2024，https://doi.org/10.1029/2023wr036589），而PINOs通过将数据与物理损失相结合可以部分缓解这一局限性。研究人员在物理复杂度逐渐增加的实验上评估了该方法：径向溃坝、带和不带摩擦的恒定边界条件、时变边界条件以及一个实际测试案例。结果表明，PINOs能够捕捉关键的洪水动力学特征，特别是水深，同时与数值求解器相比，推理时间减少了多达两个数量级。水深的相对测试误差范围从径向溃坝的0.3%到含底部地形的10.9%、含摩擦的7.3%以及时变边界条件下的9.0%。对于实际案例，额外的数据损失项产生了25.8%的水深误差。速度分量始终观察到较大的误差。这些发现确立了PINOs作为传统数值求解器的一种有前景的补充，在计算效率和求解精度之间提供了平衡。未来工作将侧重于提高精度并将该框架扩展到实际洪水预报应用中。

**论文解读：基于物理信息神经算子网络的二维浅水方程学习**

**一、研究背景与问题**

洪水对全球人类社会构成重大风险，随着极端降水事件频率和强度的增加，气候变化进一步加剧了洪水威胁。可靠的快速洪水预报对于灾害准备和风险缓解至关重要。传统上，高保真水动力学模型通过有限体积或有限元等数值方法求解二维浅水方程（2D SWE），但尽管高性能计算和并行化取得了显著进展，这些方法仍面临高计算需求，难以用于实时预测或大规模应用。此外，模型参数的反演校准和不确定性量化因模型复杂性和计算成本而极具挑战性，阻碍了稳健可靠的洪水预报。近年来，物理信息神经网络（PINNs）作为求解偏微分方程（PDE）的替代方法出现，其通过将控制方程、初始和边界条件直接嵌入损失函数，实现无监督学习，并能融合观测数据进行正则化。然而，PINNs存在关键局限：每个网络仅针对特定初始条件和边界条件训练，条件变化时需完全重新训练；同时，PINNs在复杂地形上难以满足良态性质，且训练时间长、精度低于数值方法。针对这些问题，研究人员探索了物理信息神经算子（PINOs），其目标是直接学习解算子，即输入函数（如初始和边界条件）到解函数的映射，从而在训练后无需重新训练即可快速推理新场景。

**二、研究内容与主要方法**

本研究系统测试了PINOs在洪水模拟中求解2D SWE的性能，通过五个复杂度递增的实验进行评估：径向溃坝基准、合成河道地形加恒定边界条件、增加摩擦源项、时变Dirichlet边界条件（作为附加输入函数），以及复杂真实世界地形的洪水案例。研究严格依赖PDE约束，合成实验不包含数据损失，并扩展了现有PINO架构以处理多输入函数（时变边界条件）。数值解通过PyClaw（径向溃坝）和ANUGA（其余实验）生成，作为训练和测试基准。研究采用NOMAD（Nonlinear Manifold Decoders for Operator Learning）架构，并扩展为物理信息框架，将PDE残差损失纳入训练。关键方法包括：自动微分（AD）计算PDE残差，避免数值微分误差；非均匀采样配置点；针对不同实验调整网络结构、激活函数（GELU和稳定化SS-Mish）及损失权重；对实验三进行超参数敏感性分析（随机网格搜索30组实验，随机森林回归评估特征重要性）；对实验五采用自适应损失平衡策略（基于指数移动平均）。真实世界案例使用了法国地中海地区山洪基准数据集中的498 m × 342 m河段地形和上游水文过程线，并生成合成时变边界条件，按峰值流量分布划分训练（1000个）和测试（300个）集。

**三、主要结果**

**3.1 径向溃坝**：水深相对L2测试误差为0.3%，速度分量u和v误差分别为16.5%和19.9%。初始时刻的尖锐不连续被平滑化，但随波传播和趋近平衡，预测精度提高。

**3.2 地形**：引入倾斜底部地形后，水深误差升至10.9%，速度分量误差分别达61.0%和35.2%。模型在波前边缘处速度分量预测过于平滑，且波前传播速度略慢于数值解，但整体动态和范围与数值解一致。

**3.3 地形+摩擦**：加入Manning摩擦项后，所有分量误差显著改善：水深误差降至7.3%，速度分量误差分别降至28.0%和15.9%。模型预测波前传播略快，随时间推移精度逐渐下降。训练损失收敛，但残差损失相对高于初始和边界条件损失。

**3.4 地形+摩擦+时变边界条件**：水深误差为9.0%，速度分量误差分别为31.6%和15.6%。波前传播至域中部时出现明显差异，接近边界时预测更好。通过改变训练样本数量（1、100、500、1000）测试，发现随着训练样本增加，测试误差几乎全部改善，表明模型泛化能力提升。

**3.5 真实世界实验**：在300个外推测试样本上，水深误差为25.8%，速度分量误差分别为86.3%和81.1%。仅使用数据损失时，水深误差为31.2%，速度分量误差分别为83.7%和86.5%，表明包含PDE损失显著改善了对分布外样本的外推能力。模型倾向于高估洪水波传播速度，但后期洪水范围与参考解吻合良好。

**3.6 敏感性分析**：潜变量维度n和初始/边界条件损失权重λ_IC、λ_BC是所有三个损失指标中最具影响力的超参数（重要性约0.36-0.39），配置点数量和网络深度影响中等，神经元数量影响最小。时间初始化敏感性分析表明，不同起始时间t0（80s、90s、100s）下水深误差在8.5%-12.6%之间，模型对t0选择仅轻度敏感，无明显趋势。

**3.7 计算成本**：PINO训练时间从3600秒（60分钟）到12060秒（201分钟）不等，推理时间仅0.02-0.5秒，相比数值求解器实现了1-2个数量级的加速，尤其在复杂时变边界条件场景下优势明显。

**四、讨论与结论**

讨论部分指出，PINN和PINO的超参数选择缺乏明确标准，依赖试错或网格搜索，不同实验最优设置高度特定。摩擦项的引入通过阻尼抑制高频模式，降低了系统刚度，从而显著提升速度分量的近似精度，这与先前研究一致。敏感性分析表明，性能主要受潜变量维度和初始/边界条件权重控制，网络深度和宽度在测试范围内已足够。训练中初始/边界条件损失下降快于物理残差损失，表明优化偏向数据约束，需采用自适应损失平衡策略。对于真实世界案例，数据损失项因复杂地形而必要，与Dazzi（2024）的发现一致。PINOs相比PINNs的优势在于学习解算子而非单个解，可泛化至未见的初始和边界条件，推理速度快，适合实时应用。此外，PINOs具有近似分辨率不变性，可从小规模训练迁移至细网格高分辨率预测，为大规模集合洪水预报提供潜力。未来工作包括增加训练函数多样性、扩展至更复杂真实地形和真实河流流量边界条件、整合观测数据（如卫星洪水范围）以提升预测精度。

研究结论：研究人员使用PINOs求解2D SWE进行洪水模拟，在径向溃坝、恒定边界条件（含/不含摩擦）、时变边界条件和真实世界案例中评估性能。方法在捕捉水深动态方面表现可靠，复杂地形和摩擦配置下仍有良好精度。水深相对测试误差从0.3%（径向溃坝）到10.9%（含地形）、7.3%（含摩擦）、9.0%（时变边界条件），真实世界案例（含数据损失）为25.8%。速度分量误差在所有实验中均大于水深。相比数值求解器，推理加速达1-2个数量级，突出了PINO在时间关键型洪水预报中的优势。与标准PINNs不同，PINOs学习解算子，初始或边界条件变化时无需重新训练，适合跨场景快速推理。一次性训练要求使PINOs成为PINNs和传统数值求解器的有前景替代方案，尤其适用于时间敏感的洪水预报。尽管当前研究限于理想化测试案例，但结果为扩展至更复杂真实应用奠定了基础。未来工作将聚焦于增加训练函数多样性和数量、扩展至真实应用以及整合观测数据以提高预测精度。