《Remote Sensing》:A Generative Augmentation and Physics-Informed Network for Interpretable Prediction of Mining-Induced Deformation from InSAR Data
Yuchen Han,
Jiajia Yuan,
Mingzhi Sun and
Lu Liu
编辑推荐:
摘要:针对传统地表变形预测模型难以刻画非线性动态演化过程且易受噪声干扰产生非物理振荡或异常隆起的问题,研究人员提出了一种融合开采沉陷动力学先验的物理信息Kolmogorov-Arnold网络(Physics-Informed Kolmogorov-Arnold
摘要:针对传统地表变形预测模型难以刻画非线性动态演化过程且易受噪声干扰产生非物理振荡或异常隆起的问题,研究人员提出了一种融合开采沉陷动力学先验的物理信息Kolmogorov-Arnold网络(Physics-Informed Kolmogorov-Arnold Network, PI-KAN)时序预测模型。该模型以KAN(Kolmogorov-Arnold Network)为基础架构,将各边上的激活函数替换为可学习的单变量B样条(B-spline)函数,以增强对边际效应的拟合能力;同时在损失函数中引入单调性约束(Monotonicity Constraint, Lm)和平滑性约束(Smoothness Constraint, Ls),分别惩罚预测变形的正向增量及二阶差分波动,使预测结果符合开采沉陷物理规律。以某矿InSAR(InSAR, Interferometric Synthetic Aperture Radar)时序形变监测数据为实验对象,采用PI-KAN与MLP-BP、标准KAN及PINN模型进行对比验证。结果表明,PI-KAN在均方根误差(RMSE)、平均绝对误差(MAE)及决定系数(R2)上均优于对比模型,能有效抑制高频振荡与局部伪隆起现象,预测曲线与实测沉陷趋势高度吻合,验证了所提物理正则化策略在矿山地表变形时序建模中的有效性。
论文解读:基于物理信息Kolmogorov-Arnold网络(PI-KAN)的矿区开采沉陷地表变形时序预测研究
一、研究背景与开展此项研究的意义
开采沉陷(Mining-Induced Subsidence)是地下矿产资源开采引发的典型地表变形现象,其演化具明确物理属性——采后地表以单调下沉为主,伴随连续平滑的空间梯度变化。现有经验模型(如概率积分法)依赖大量地质参数且对复杂开采条件适应性差;传统数据驱动模型(BP神经网络、MLP等)虽具非线性拟合能力,但未嵌入物理约束,预测结果易出现高频振荡或非物理局部隆起(Anomalous Local Uplift),与开采沉陷力学机理相悖。Kolmogorov-Arnold网络(KAN, Kolmogorov-Arnold Network)作为新型神经网络架构,以可学习单变量样条函数替代固定激活函数,较MLP具更强可解释性与低参数量优势,但尚未见其在矿山变形预测中与物理约束结合的应用。为此,研究人员开展将开采沉陷物理先验嵌入KAN损失函数的研究,构建物理信息KAN(PI-KAN, Physics-Informed KAN)模型,发表于《Remote Sensing》。
二、主要关键技术方法
研究人员采用某矿区InSAR时序监测地表变形数据集为样本来源。核心方法包括:(1) KAN网络构建:按Kolmogorov表示定理设计网络,层间边函数?i,j(l)(xi(l))参数化为三次B样条(B-spline, order=3)基函数线性组合——?i,j(l)(x)=Σm=1Mci,j,m(l)·Bm,k(x),B样条基由节点序列递归定义;(2) 物理信息正则化:总体损失LPIKAN=Ldata+μ1Lm+μ2Ls,其中数据损失Ldata=(1/T)Σt=1T(?t?ut)2,单调性损失Lm=(1/(T?1))Σt=1T?1[max(0, Δ?t?ε)]2(Δ?t=?t+1??t,ε为允许微小浮点容差),平滑性损失Ls基于预测序列二阶差分惩罚高频波动,加权系数经验证集调优取μ1=0.5、μ2=0.1;(3) 对比实验设置:同数据集训练标准多层感知机(MLP-BP)、原始KAN及引入物理约束的普通PINN(Physics-Informed Neural Network),以RMSE、MAE、R2为评价指标。
三、研究结果
2.3.2. Kolmogorov–Arnold Networks (KANs) and B-Spline Parameterization(KAN架构与B样条参数化)
研究人员阐述KAN依据Kolmogorov表示定理将高维映射分解为若干单变量边函数叠加,各边函数用三次B样条基展开,样条系数ci,j,m(l)为可学习参数。相比MLP固定激活函数,该参数化使单变量非线性变换可可视化且具更高逼近效率,为后续嵌入物理约束提供连续可微基础。
2.3.3. Construction of the Physics-Informed KAN Model(物理信息KAN模型构建)
研究人员在标准KAN基础上设计PI-KAN双分支结构:主路径为KAN预测输出?t,正则分支分别施加沉陷一致性(Monotonic Subsidence Consistency)与平滑性约束。Lm惩罚预测变形随时间的正向增量(即异常回弹/隆起),Ls惩罚二阶差分过大值以抑制噪声引起的高频振荡。通过μ1、μ2平衡数据拟合与物理保真度,验证集确定μ1=0.5、μ2=0.1时兼顾精度与物理合理性。
四、讨论与结论
研究表明:标准KAN较MLP拟合能力更优但仍会产生非单调伪隆起;普通PINN虽加物理约束但MLP内部映射不可解释且对时序边缘效应捕捉不足。PI-KAN融合了KAN的边函数可解释性与开采沉陷单调下沉、平滑演化的物理先验——B样条参数化增强了对变形非线性边际效应的学习,物理正则项有效抑制了非物理振荡与局部隆起。实验证实PI-KAN预测RMSE与MAE最低、R2最接近1,时序曲线与实测沉陷趋势一致,证明将领域物理定律以软约束形式嵌入KAN损失函数是提升矿山地表变形时序预测精度的有效途径,也为KAN在地球物理时序建模中的应用提供了范式。该物理信息KAN框架可扩展至其他具明确物理单调/守恒性质的岩土或水文时序预测问题中。