【模型工具】使用基于边的图神经网络的给水系统可迁移元模型研究

yiying

原文信息

题目：Towards transferable metamodels for water distribution systems with edge-based graph neural networks

作者：Bulat Kerimov a, Riccardo Taormina b, Franz Tscheikner-Gratl a

作者单位：a 挪威科技大学土木与环境工程系；b 荷兰代尔夫特理工大学土木工程与地球科学学院水管理系

期刊：Water Research

时间：2024

原文链接：https://www.sciencedirect.com/science/article/pii/S0043135424008340

文章亮点

1. 提出了一种新型使用基于边的图神经网络（EGNN）的元模型方法。

2. 这种基于边的方法利用了质量守恒的归纳偏差。

3. EGNN的总体准确率高于图神经网络。

4. EGNN可以很准确地泛化到不可见的拓扑情况。

背景与目的

给水系统的数字孪生工作中使用的高效代理模型称为元模型，图神经网络（GNN）相比传统神经网络可以使用上拓扑关系，但是一般将边作为次要元素，而管道性质和水力损失等通常是在管道空间定义的，所以对物理规律表达欠缺，本文提出EGNN以解决此局限性。

研究方法

EGNN不是在节点上输出压力，而是首先通过摄取和处理边缘特征预测流量。利用海森威廉关系，将流量转化为水头损失。最后，节点压力由水头损失得出。输入已知节点的水头、流量以及管网性质，使用MLP编码器、使用移位算子的处理器、MLP解码器。最后评估模型的准确度和效率，以及用于训练过程中未涉及的拓扑情况的可迁移性。

研究结果

EGNN相比GNN的准确度改进在较大的给水系统中尤为明显，此外当节点需求和训练集中的节点相似时，EGNN对于未知拓扑情况下流量和水压的模拟的R方大于0.8。相比EPANET，EGNN和迭代平滑能提速最高350倍。

编者点评

本文使用基于边的图神经网络更好地表达了管网的物理过程，同时生成多种管网来测试其可迁移性，具有借鉴意义。

关键图表

图1 图结构概化



图2 EGNN和GNN效果对比



图3 可迁移性案例研究



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