水力信息增强的ANN代理框架用于非线性明渠水流分析

《Water》：A Hydraulically Informed ANN Surrogate Framework for Nonlinear Open-Channel Flow Analysis

　　

明渠水力学分析通常需要反复求解隐式非线性方程以及对渐变流(GVF)进行数值积分，这在反演、优化和敏感性分析应用中可能产生较高的计算需求。本研究开发了一个水力信息增强的人工神经网络(ANN)代理框架，包含十个独立训练的模型，分别用于正常水深与临界水深、交替水深与共轭水深、与GVF相关的水面线行为以及基于剖面信息的流量推断。水力信息通过具有物理意义且在适当情况下无量纲化的变量以及由既有控制方程或数值水力学模型生成的参考解引入，而ANN优化过程仍保持数据驱动。由方程生成的测试集对代理模型保真度进行了量化，而HEC-RAS对比则被视为数值水力学交叉验证而非独立的物理验证。正向代理模型在表征域内以高精度再现了其参考映射关系。针对模型1、5和7，与随机森林、支持向量回归和高斯过程回归的基准对比显示不存在普遍适用的算法优越性；然而，ANN在精度、相对误差稳健性、模型紧凑性和重复推断效率之间提供了较为有利的权衡。对于模型7，ANN推断速度约为传统GVF计算的249倍，开发成本约在1.03×10⁵次评估后回收。模型9在基于剖面信息的测试中推断流量的误差为4.75%。基于观测的评估使用了密苏里河16个历史水位—流量事件，结果表明直接HEC-RAS反演的平均绝对百分比误差(MAPE)为44.71%，而纯观测ANN和HEC-RAS-ANN混合偏差校正方法分别将MAPE降低至10.25%和9.83%。因此，该框架可作为既有水力学方程和数值模型的计算补充，但更广泛的现场验证和明确的的不确定性处理仍是大规模部署所必需的。

**论文解读：水力信息增强的ANN代理框架用于非线性明渠水流分析**

**1. 研究背景与问题**

明渠水流分析是河流、灌溉排水系统、涵洞、溢洪道及水工控制建筑物规划设计运行的基础。典型的水力学分析需要确定一系列相互关联的变量，包括正常水深、临界水深、交替水深、共轭水深以及渐变流(GVF)水面线。这些物理量分别代表不同的水力学机制：正常水深反映重力驱动力与边界阻力之间的平衡；临界水深定义亚临界与超临界水流之间的惯性—重力过渡；交替水深满足比能相等条件；共轭水深受动量守恒控制；而GVF描述恒定非均匀流条件下自由水面的纵向调整过程。对于非矩形断面，多个相应的控制方程相对于水深是非线性和隐式的，需要迭代数值求解。GVF计算还需要沿渠道纵向对控制微分方程进行空间积分，进一步增加了计算负担。尽管传统数值方法成熟可靠，但在参数研究、优化、敏感性分析、重复设计计算和反演水力学问题中，反复执行这些计算可能产生较高的计算需求。

**2. 研究目标与框架构建**

该研究旨在开发一个水力信息增强的人工神经网络(ANN)代理框架，以协调多个基本非线性明渠水流计算于统一的计算工作流中。研究创新之处不在于底层水力学关系本身（这些关系已被充分确立），也不在于将ANN回归孤立地应用于个别水力学变量，而在于框架层面：将已确立的水力学过程构建为兼容的代理映射关系，涵盖正常流与临界流、能量与动量控制的过渡水深、渐变流(GVF)、空间水面线预测以及反向流量估计。该框架包含十个ANN模型：模型1和2分别估算梯形和圆形断面的正常水深；模型3和4估算这两种断面的临界水深；模型5和6预测梯形渠道的交替水深和共轭水深；模型7和8分别表示缓坡和陡坡闸控河段的GVF相关水深比；模型9将框架从正向水力学预测扩展到基于剖面信息的流量反演；模型10将框架进一步扩展到特定场地的天然河流应用。水力信息通过物理意义明确且在适当情况下无量纲化的变量、水力学适用范围域以及由控制方程或数值水力学模型生成的参考解引入，而ANN优化本身仍保持数据驱动。

**3. 主要关键技术方法**

研究人员采用的主要关键技术方法包括：（1）基于隐式非线性水力学方程（Manning方程、临界流条件、比能方程、比力方程）的合成数据生成方法，通过均匀采样参数范围并求解相应控制方程获得训练目标；（2）GVF控制微分方程的数值积分方法，使用MATLAB(v2024)对缓坡和陡坡闸控河段的参考水面线数据集进行数值求解，其中陡坡工况还需通过比力关系确定水跃后的共轭水深作为亚临界S1曲线的上游边界条件；（3）采用Levenberg–Marquardt算法的前馈ANN训练方法，隐含层采用双曲正切S型传递函数，所有变量标准化为零均值单位标准差，数据集按60%训练、20%验证、20%测试划分；（4）基于HEC-RAS的数值交叉验证方法；（5）基于留一交叉验证(LOOCV)和穷举留二交叉验证(L2O-CV)的观测数据评估方法。其中模型10使用了Chow(1959)报告的密苏里河堪萨斯城河段5个断面信息及16个历史水位—流量观测事件。

**4. 研究结果**

**4.1 ANN模型预测性能**

对于正常水深模型，模型1（梯形断面相对正常水深）达到R=1.00000、RMSE=0.010067、MAPE=0.757485%；模型2（圆形断面正常水深角）达到R=0.99999、RMSE=0.189882°、MAPE=2.573390%。对于临界水深模型，模型3（梯形断面相对临界水深）达到R=1.00000、RMSE=0.000951、MAPE=0.297326%；模型4（圆形断面临界角）达到R=0.99999、RMSE=0.271466°、MAPE=4.122576%，该模型是八个模型中MAPE最大的，反映了圆形断面临界流的强几何非线性。对于局部过渡模型，模型5（交替水深比）达到R=0.99997、RMSE=0.333521、MAPE=1.627434%，其RMSE最大但主要反映目标变量较宽的数值范围；模型6（共轭水深比）达到R=0.99999、RMSE=0.003980、MAPE=0.087178%，误差水平低于模型5具有物理意义，因为共轭水深比的数值范围较窄。对于GVF模型，模型7（缓坡闸控）达到R=1.00000、RMSE=1.4×10^?5、MAPE=0.000532%；模型8（陡坡闸控）达到R=1.00000、RMSE=0.000400、MAPE=0.003939%，在所有模型中误差最小。

**4.2 计算效率评估**

以10,000次重复评估为基准，模型5的ANN推断比传统迭代程序快32.5倍，模型6快42.3倍，模型7快249.4倍，模型8快8.26倍。盈亏平衡分析表明，模型5约需2.83×10⁴次评估即可回收开发成本，而模型6、7、8分别约需8.24×10⁴、1.03×10⁵和1.71×10⁵次评估。模型7虽然开发成本最大，但约249倍的推断加速在约1.03×10⁵次评估后补偿了初始投资。

**4.3 HEC-RAS数值交叉验证**

缓坡M1剖面验证中，ANN预测剖面与HEC-RAS剖面在50 km全程高度吻合，最大百分比误差约0.47%。陡坡S1剖面验证中，最大百分比误差发生在上游端约5.0%，随后迅速降至1%以下，该趋势在水力学上是合理的，因为上游水深较小，即使很小的绝对差异也可能产生较大的相对误差。

**4.4 基于剖面的反向流量估计**

模型9通过MSE最小化识别出流量约381 m³/s，与参考值400 m³/s相比误差约4.75%。该误差水平与传统明渠流量现场测量中报告的标准误差（约3%–6%）处于同一数量级。

**4.5 基于观测的天然河流评估**

密苏里河16个历史事件的评估中，直接HEC-RAS反演得到R²=0.765、RMSE=1000.2 m³/s、MAPE=44.71%；纯观测ANN（LOOCV）得到R²=0.981、RMSE=286.3 m³/s、MAPE=10.25%；混合HEC-RAS-ANN偏差校正方法得到R²=0.984、RMSE=264.0 m³/s、MAPE=9.83%。穷举L2O-CV测试的240个预测中MAPE约10.82%、RMSE约304.6 m³/s。

**4.6 集成应用示例**

缓坡闸控渠道示例中，ANN预测的正常水深、临界水深、闸前水深和下游共轭水深均与传统控制方程解高度一致。陡坡水跃与下游闸控示例中，ANN预测的闸前水深为3.298 m，与HEC-RAS的3.302 m相差约0.12%，200 m范围内S1剖面的逐点百分比差异约为0%至2%。

**5. 讨论与结论**

研究讨论部分指出，与随机森林、支持向量回归和高斯过程回归的基准对比显示不存在普遍适用的算法优越性。ANN在精度、相对误差稳健性、模型紧凑性和重复推断效率之间提供了较为有利的权衡。研究结论部分指出，该框架的贡献在于将已确立的水力学关系组织为一系列计算高效的代理算子，支持正向和反向明渠水流分析。ANN模型在表征域内以高精度再现了相应的确定性水力学解，M1和S1剖面与HEC-RAS的对比显示了密切的纵向水面变化一致性。计算评估表明，代理模型的效率优势主要体现在高通量应用中，如敏感性分析、不确定性传播、优化、反演估计、蒙特卡洛模拟和重复运行评估。模型9的4.75%反演误差与传统现场流量测量不确定性处于同一数量级。模型10表明观测信息可用于修正数值水力基线的系统性场地特定偏差。然而，大多数正向代理模型基于方程或数值生成数据集开发，其高测试精度主要建立在对表征域内确定性水力学映射的保真度上，超出这些域的外推可靠性尚未确立；当前框架也未全面表征任意不规则或复合几何形状、空间变化糙率、植被、泥沙输移、强湍流局部现象或非恒定流；此外，各ANN模块独立训练，完全级联ANN到ANN实现中的累积误差传播尚未量化。