【模型工具】基于物理知情神经网络从局部观测中重建管网中的瞬态压力
原文信息题目：Reconstructing transient pressures in pipe networks from local observations by using physics-informed neural networks
作者：Jiawei Ye, Wei Zeng, Nhu Cuong Do, Martin Lambert
作者单位：School of Architecture and Civil Engineering, University of Adelaide, SA 5005, Australia期刊：Water Research
时间：2024
原文链接：https://doi.org/10.1016/j.watres.2024.121648
文章亮点
1. 基于PINN的管网暂态分析新方法
2. 采用弹性水柱模型简化网络建模
3. 将水力瞬态物理与测量数据集成在一起
4. 可以估计管网中无监控位置的压力
背景与目的
给水管网的瞬态水力分析对管网的正常运行具有总要的意义，管网建模由于其复杂的拓扑结构和各种边界具有较大的挑战性。当无法获得高精度且校准良好的水力模型时，例如，系统的物理边界条件或系统参数通常是未知的，瞬态分析的另一种方法是使用现场测量值和管网中这些物理量之间的相互关联关系来重建瞬态（例如，瞬态节点压力）。物理知情神经网络 （PINN）是一种潜在的有效工具，可以利用观察到的数据集中隐藏的物理信息来支持求解非线性偏微分方程或常微分方程。
研究方法
研究采用弹性水柱（EWC）模型用于给水管网水力瞬态仿真。其次对于物理边界条件未知（例如，水库节点的水位或内部节点的需求）的管网系统，将管道中所有流量和节点的所有水压作为系统的状态变量。然后采用基于PINN的方法，用于求解管网中的瞬态流动。该方法通过集成 EWC 模型，通过仅预测离散节点上的瞬态来缩小解域，并将多个边界条件无缝地合并到常微分方程中。通过数值实验与液压物理实验进行验证。
研究结果
预测结果显示了两个实验案例两个监测数据未知的压力迹线。压力预测的误差分别为0.53%和0.44%。很明显，在这两种情况下，未观察到的压力轨迹都得到了成功的重建，证明了所提出的基于PINN的方法在捕获未观察到位置的压力行为方面的鲁棒性和可靠性。
编者点评
本文基于PINN实现了对给水管网的水力瞬态压力重构，融合了弹性水柱模型的知识机理与监测节点压力数据，实现了重构效率的提升。具有较强的借鉴意义。
关键图表
图1 管网中水力瞬态流动的物理知情神经网络示意图
图2 （a）案例1中测试点的实验和预测压力迹线；（b）案例2
城市水系统领域
最新研究动态
UrbanWaterGroup
长按二维码关注
点击“阅读原文”查看文献
页:
[1]