利用多物理信息驱动的神经网络,对水热耦合条件下分层土壤水流进行反向建模

《Advances in Water Resources》:Inverse modeling of layered soil water flow under hydrothermal coupling using a multi-physics informed Neural Network

【字体: 大 中 小 】 时间:2026年03月28日 来源:Advances in Water Resources 4.2

编辑推荐:

  土壤水分与温度耦合传输建模中,针对异质分层介质参数反演精度不足的问题,提出分层多物理信息神经网络(LMPINN)。通过耦合Richards方程与热传导方程,构建多物理数据融合反演框架;采用分层域分解策略与显式界面连续条件,解决梯度不连续问题;结合双支网络架构与自适应优化算法,提升非线性区域(如近饱和状态)参数反演精度达78%-88%。

  
高玉琴|徐龙生|吴明|袁晨宇|冯坤鹏
河海大学水利水电工程学院,中国江苏省南京市鼓楼区西康路1号,210024

摘要

土壤湿度与温度之间的强耦合,加上土壤层间水力性质的剧烈不连续性,给准确建模和反演地下水文过程带来了重大挑战。现有的基于物理信息的神经网络(PINNs)往往难以处理这种异质的多物理系统,无法处理梯度不连续性或解决单物理数据反演中的病态问题。为了克服这些限制,本研究提出了分层多物理信息神经网络(LMPINN)。我们的框架通过耦合Richards方程和热传递方程,建立了水热联合反演方案,有效利用温度数据来约束水力参数的反演难题。为了捕捉性质的急剧变化,我们采用了具有显式界面连续性条件的域分解策略,确保各层之间的物理一致性。该框架集成在一个由梯度驱动的自适应优化框架控制的强大双分支网络架构中,动态平衡了物理定律、数据和界面约束之间的复杂相互作用。在合成数据集上的系统验证表明,LMPINN将重建土壤湿度和温度场的相对误差降低到了10?3-10??的数量级。与标准方法相比,它将水力传导函数反演的准确性提高了多达78%,将水通量密度估计的准确性提高了88%,特别是在高度非线性的接近饱和状态下。这项工作为复杂分层系统中的反演建模提供了一种有效且物理一致的范式,突显了多物理数据融合的强大作用。

引言

近地表土壤湿度对于理解陆气相互作用至关重要,并显著影响水文建模、农业水资源管理和自然灾害预测(Robinson等人,2008;Vereecken等人,2008;Babaeian等人,2019)。在土壤传输过程中,土壤湿度与温度之间存在强耦合。温度不仅调节微生物活动和有机物质动态(Pries等人,2017),还影响土壤湿度传输参数、基质势和水相状态(Saito等人,2007)。此外,温度梯度是驱动土壤水分运动的关键机制(Philip和De Vries,1957)。由于水热耦合的复杂性和非线性,准确建模土壤传输过程仍然具有挑战性。因此,精确模拟土壤水热传输对于优化灌溉、评估污染物迁移风险和预测地质灾害(如滑坡)至关重要(Aubert和Baubron,1988;Leese等人,2001;Njoku等人,2003)。
为了解决土壤水热传输的复杂性,传统的基于物理的数值模型(如HYDRUS)被广泛用于通过数值求解Richards方程和热传导-对流方程来模拟变饱和多孔介质中的传输过程(?im?nek等人,2013;Zhang和Wang,2017)。这些模型的可靠性在很大程度上取决于对土壤水力和热力学参数空间分布的准确描述。然而,Richards方程的显著非线性及其与土壤性质的相互作用大大增加了分析和数值求解的复杂性(Assouline和Or,2013)。此外,土壤热导率对含水量的强烈依赖性进一步增加了水热耦合的复杂性,从而限制了传统框架内的计算效率和解决方案的稳定性(Sophocleous,1979;Shiozawa和Campbell,1990;Paniconi和Putti,2015;Farthing和Ogden,2017)。
在分层土壤中,各层之间的水力性质差异常常导致优先水流和复杂的热传递,从而在层间界面处产生梯度场的不连续性(Nielsen等人,1973;Wang等人,2023;Oikawa K和Saito H,2024)。此外,现场监测技术(如钻孔采样和TDR传感器网络)由于数据稀疏性和测量误差,往往难以在剖面尺度上提供全面可靠的参数分布(Zeleke和Si,2005;Sheng等人,2017;Babaeian等人,2019;Inoue等人,2023)。这些技术挑战激发了对基于物理信息的神经网络(PINNs)的兴趣,这些网络将物理定律嵌入损失函数中,并允许在数据和控制方程的约束下进行协同优化。这种新兴方法为解决传统建模方法的固有局限性提供了有希望的途径(Raissi等人,2019;Karniadakis等人,2021;Bhasme等人,2022)。
相比之下,多物理信息神经网络(MPINNs)在均匀土壤中水热耦合的建模中展示了显著的优势,为解决上述挑战提供了重要见解。He等人(2020)提出的MPINN框架通过将多个耦合的物理过程嵌入统一的神经网络中,实现了更准确的建模结果。在此基础上,Wang等人(2023)开发了一个专门的土壤水热耦合系统建模框架。通过耦合Richards方程和热传导-对流方程,他们构建了一个水热联合反演框架。他们的研究表明,土壤水力参数对温度场的不同敏感度模式可以有效提高参数估计的唯一性和稳定性,结合温度数据可以显著减少与土壤水力参数相关的估计误差。这些研究彻底验证了多物理数据融合对参数反演的增强效果。然而,这些技术突破尚未扩展到分层系统。具体来说,当前的MPINN架构难以处理由层间参数跳跃引起的梯度不连续性。此外,传统配置方法在层界面处的低采样密度加剧了物理约束的满足度不足(Karniadakis等人,2021)。此外,Depina等人(2022)报告称,与传统的反演方法相比,PINNs在强非线性参数区域(如接近饱和状态的水力传导率)的重建精度仍然明显较低。Zeleke和Si(2005)强调的土壤参数的显著空间异质性和获取其分布数据的挑战可能会由于参数相互作用而在水热耦合的分层系统中加剧这些问题。
为应对这些挑战,本研究引入了分层多物理信息神经网络(LMPINN),这是一个旨在解决异质土壤中耦合水热传输反演问题的整体框架。我们的方法做出了三个协同贡献。首先,为了解决仅从湿度数据反演的病态性和非唯一性问题,我们开发了一个多物理联合反演方案。通过耦合Richards方程和热传递方程,我们利用温度场的互补信息来稳健地约束水力参数,特别是在传统方法失效的接近饱和区域。其次,为了解决层界面处梯度不连续性的关键问题,我们提出了一种带有显式界面连续性约束的域分解方法。这使得模型能够真实地表示土壤性质的突然变化,这是单体网络架构无法实现的。第三,我们将这些物理和结构创新整合到一个系统且强大的深度学习框架中。这包括双分支网络设计和梯度驱动的自适应优化策略,用于管理训练过程中的内在复杂性并平衡多个竞争目标。通过这种综合方法,本研究旨在为复杂分层系统中的水文过程建模建立一个新的范式,该范式兼具高物理保真度和计算效率。

部分摘录

模型框架

所提出的LMPINN的整体框架如图1所示,包括三个主要组成部分:输入条件模块、核心LMPINN架构和多类型输出结果。输入条件模块指定了土壤质地分类(沙壤土、壤土和粉壤土)、降雨情景(S1和S2)、多源观测数据(体积含水量和温度的时空序列)以及物理约束条件(Richards方程和土壤

问题设置

本研究旨在开发一个基于神经网络的多物理反演框架,该框架整合了土壤湿度和温度观测数据,以实现分层土壤水力参数和土壤水通量的高精度反演。针对假设土壤均匀性的传统反演方法的局限性,本研究扩展到了分层土壤的反演建模。它专注于从多深度

LMPINN神经网络的优点和缺点

为水热耦合开发的多物理信息神经网络LMPINN,在分层土壤中水流动的反演建模中展示了显著的优势。其主要创新在于解决了传统单物理模型的局限性。通过结合Richards方程和热传导-对流方程,LMPINN形成了一个联合反演框架,利用了土壤水力参数对温度变化的不同敏感性。

结论与未来展望

本研究成功开发了一个基于水热耦合的分层多物理信息神经网络框架,在分层土壤水流动的反演建模中取得了重大突破。通过在不同降水情景下对三种典型分层土壤组合(粉壤土-壤土、壤土-沙壤土、沙壤土-粉壤土)进行系统验证,LMPINN展示了出色的预测性能:重建土壤湿度的相对误差

CRediT作者贡献声明

高玉琴:撰写 – 审稿与编辑、调查、资金获取。徐龙生:撰写 – 原始草稿、监督、项目管理、方法论、数据管理、概念化。吴明:方法论、调查、正式分析。袁晨宇:方法论、调查、正式分析。冯坤鹏:方法论、调查、正式分析。
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