利用机器学习时空参数增强两相流模型中的泥石流流动性和灾害预报

《Geomatics, Natural Hazards and Risk》:Enhancing debris-flow mobility and hazard forecasting using machine-learned spatial–temporal parameters in a two-phase flow model

【字体: 大 中 小 】 时间:2026年08月27日 来源:Geomatics, Natural Hazards and Risk 4.5

编辑推荐:

  泥石流是由土壤、水和岩石组成的破坏性多相事件,其特征是颗粒固体与间隙流体之间的复杂相互作用。虽然两相流模型(Two-Phase Flow Model)为这些事件提供了物理基础,但其预测精度通常受到固定参数的制约,这些参数未能考虑显著的时空变化。本研究通过开发一

  
泥石流是由土壤、水和岩石组成的破坏性多相事件,其特征是颗粒固体与间隙流体之间的复杂相互作用。虽然两相流模型(Two-Phase Flow Model)为这些事件提供了物理基础,但其预测精度通常受到固定参数的制约,这些参数未能考虑显著的时空变化。本研究通过开发一种新颖的物理–人工智能(Physics–AI)混合框架来弥合这一关键差距,该框架用动态的、机器学习学习的参数场取代静态假设。研究人员整合了卷积神经网络(CNN)以从地形数据中提取地貌模式,同时利用门控循环单元(GRU)从降雨强迫和振动信号中捕获时间动态。该集成系统的一个主要亮点是其卓越的预测精度;在秀姑峦溪流域的72个事件验证表明,该方法将平均绝对误差(MAE)降低了约84%(从0.225–0.338米降至0.031–0.059米)。该框架通过使用神经网络优化内部参数场而非逼近最终输出,保持了严格的物理可解释性。尽管在两个特定的区域子流域内进行了测试,这一自适应框架通过阐明动态参数如何在空间和时间上演变,推进了泥石流预测。
泥石流作为多相地球物理流动,其预测精度受限于固定参数无法反映时空变化。本研究基于此,提出一种物理–人工智能(Physics–AI)混合框架,结合卷积神经网络(CNN)和门控循环单元(GRU)预测动态参数场,从而增强两相流模型(Two-Phase Flow Model)的适应性。该框架在台湾秀姑峦溪流域(Xiuguluan River Basin)的72个降雨诱发事件中,通过6折交叉验证进行训练与测试,样本来源为2001年至2023年间记录的26个位置的历史数据。主要技术方法包括:CNN提取空间特征(如数字高程模型、坡度、土壤类型等),GRU捕获时间特征(如降雨序列、振动信号),融合后解码为固体摩擦系数(μs)、孔隙度(φ)、固体体积分数(αs)、流体黏度(μf)、超孔隙压力(pexcess)和相间拖曳系数(CD)等参数,直接输入两相流质量与动量守恒方程。数值求解采用高分辨率总变差递减有限体积法(TVD-FVM),空间网格5 m×5 m。研究结果:该混合框架在预测深度精度上显著优于传统固定参数模型,平均绝对误差(MAE)从0.225–0.338米降至0.031–0.059米,纳什效率系数(NSE)从0.44–0.55提升至0.78–0.91,皮尔逊相关系数(PC)从0.81–0.89提升至0.96–0.98,表明在幅度精度和时序一致性上均有大幅改进。研究贡献:展示了将深度学习与物理模型结合以动态推断参数场的有效性,为实时泥石流灾害预报提供了更准确、可解释的途径。

**研究背景与问题**:泥石流是土壤、水和岩石组成的破坏性多相事件,其动力学由颗粒固体与间隙流体间的复杂相互作用控制。两相流模型(Two-Phase Flow Model)为预测提供了物理基础,但传统方法依赖固定参数,无法反映显著的时空变异性,导致预测精度受限。现有数值方法(如浅水模型、离散元方法)或缺乏物理可解释性,或计算成本过高,而机器学习应用多集中于分类或阈值估计,未深入集成到物理模型内部。因此,亟需开发一种能动态推断时空参数场的混合框架,以提升泥石流灾害预报的可靠性。

**研究内容与方法**:本研究提出一种物理–人工智能(Physics–AI)混合框架,耦合Pudasaini两相流模型与卷积神经网络(CNN)–门控循环单元(GRU)混合架构。CNN从地形数据(如数字高程模型、坡度、土壤类型、初始孔隙度等)中提取空间特征;GRU从降雨时间序列、累积降水量、降雨强度梯度及地振动信号中捕获时间动态。融合后的特征通过解码模块生成六类时空参数场:固体摩擦系数(μs)、孔隙度(φ)、固体体积分数(αs)、流体黏度(μf)、超孔隙压力(pexcess)和相间拖曳系数(CD),这些参数直接输入两相流质量与动量守恒方程。数值求解采用高分辨率总变差递减有限体积法(TVD-FVM),空间网格5 m×5 m,时间步长由CFL条件动态调整。研究区域为台湾秀姑峦溪流域,选取拉库拉库溪(Lakulaku Creek,35.17 km2)和红叶溪(Hongye Creek,50.47 km2)两个子流域,利用2001–2023年间72个历史事件数据进行6折交叉验证,其中60个事件用于训练与验证,12个事件为测试集。

**研究结果**:
**5.1 泥石流深度水文学验证**:在拉库拉库溪(位置PA)和红叶溪(位置PB)的监测点,对比观测深度时间序列,传统模型(固定参数)显著高估峰值深度且衰退阶段偏差大;所提模型(CNN-GRU增强)能准确跟踪峰值与衰退过程,纳什效率系数(NSE)均值达0.86,平均绝对误差(MAE)降低超80%。
**5.2 点对点深度验证**:散点图显示,传统模型在中等至高深度区间存在系统性高估,且呈现滞后环状分布;所提模型更紧密聚集于1:1线,偏差和离散度均减小,但极端峰值处略有低估,表明需进一步改进捕捉快速超孔隙压力瞬变。
**5.3 空间淹没演变**:在T1(2小时)和T2(10小时)时刻,所提模型产生更分化的深度分布,沿优先输送通道集中,而非传统模型的光滑连续模式,反映出动态参数(如摩擦、孔隙压力、相耦合)对空间异质性的响应。
**5.4 参数演变与精度提升**:在所提模型中,六个关键参数(μs、φ、αs、μf、pexcess、CD)在T2时刻的分布显著重塑,从单一常数变为异质场,解释了为何精度提升显著。定量评估显示,MAE从0.225–0.338米降至0.031–0.059米(平均降幅84%),NSE从0.44–0.55提升至0.78–0.91,PC从0.81–0.89提升至0.96–0.98。

**讨论与结论**:本研究通过将机器学习与物理模型结合,实现从静态参数到动态、事件自适应参数场的转变,有效减少了参数不确定性,同时保持了物理可解释性。在秀姑峦溪流域的验证表明,混合框架在泥石流深度预测的幅度精度和时序一致性上均取得显著提升,为下一阶段泥石流灾害预报提供了更准确、可迁移的实用路径。论文发表在《Geomatics, Natural Hazards and Risk》。

**研究结论翻译**:本研究开发了一种物理–人工智能混合泥石流模拟框架,该框架将Pudasaini两相流模型与CNN–GRU架构耦合,以推断随空间和时间变化的、物理可解释的参数场——包括固体摩擦、孔隙度、固体体积分数、流体黏度、超孔隙压力和相间拖曳。该工作的方法论创新在于从预设静态、约束较差的常数转向推断动态、事件自适应的参数场,这些参数场响应于不断变化的环境强迫。在秀姑峦溪流域的模型验证表明,传统固定参数模型虽能再现定性行为,但存在系统性偏差和较低的连贯性,尤其是在高能涌浪阶段。相比之下,所提出的CNN–GRU增强模型显著改进了泥石流深度预测,模拟与记录的一致性更紧密,滞后特征显著减少。这种改进的机制基础由随时间变化的参数分布所支持,表明混合框架并非简单地“调整”常数,而是产生空间异质的阻力和相耦合场。定量上,混合框架在多个站点和事件中实现了持续的性能提升,将MAE从0.225–0.338米(传统模型)降至0.031–0.059米(所提模型),将NSE从0.44–0.55提升至0.78–0.91,并将PC从0.81–0.89提升至0.96–0.98——展示了在幅度精度和时序一致性上的稳健改进。总体而言,该工作表明,在基于物理的两相流模型内学习动态参数场是减少参数不确定性同时保持可解释性的有效策略,从而显著提升泥石流深度预测性能。所提出的框架为下一代泥石流灾害建模提供了实践路径,使其更准确、自适应和可迁移,尤其适用于数据丰富的山区,在此类区域可将降雨及相关代理观测整合到运行预报系统中。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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