AAAIMar, 2024

物理信息图神经网络在水配供系统中的应用

PDF
TL;DR提出一种基于物理学知识的深度学习机器学习模型，应用于水力状态估计，通过少量图卷积神经网络层和基于消息传递的创新算法，模拟流行的水力模拟器 EPANET，具有较快的运行速度和高准确性。
water distribution systemsmachine learning emulatorhydraulic state estimationphysics-informed deep learninggraph convolutional neural network
发现论文，激发创造
  • 水力平衡预测中的图神经网络

    将基于物理的建模和图神经网络（GNN）进行结合，提出一种新的数据生成方法和训练策略，以解决压力估计问题，并在荷兰的大规模供水管网中获得显著的性能提升。

    Nov, 2023

  • 水配水网络人工智能研究支持工具箱

    饮用水是人类的重要资源，水配送网络是现代社会中被视为关键基础设施的一部分。该研究介绍了一个 Python 工具箱，用于复杂情景建模和生成，以便 AI 研究者可以轻松获取饮用水领域的具有挑战性的问题。该工具箱不仅提供了高级界面，用于便捷生成水力和水质情景数据，还提供了流行的事件检测基准和开发控制算法的环境。

    Jun, 2024

  • 基于图神经网络的城市排水网络实时水力预测的代理模型

    基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题，并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中，相较于基于神经网络的模型和基于物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。

    Apr, 2024

  • 利用物理信息机器学习来估计非规则的用水需求以帮助泄漏检测

    该研究论文介绍了一种利用物理知识驱动的机器学习算法，通过分析压力数据来估计未知的水需求，最终利用伯努利方程并线性化泄漏检测问题。该算法在 L-Town 基准网络的数据上进行了测试，结果显示其在估计大多数不规则需求方面具有较好的能力，R2 大于 0.8；与不考虑不规则需求的结果相比，对于突发泄漏和潜在泄漏情况下的泄漏识别结果分别提高了 5.3 倍和 3.0 倍。

    Sep, 2023

  • 物理引导机器学习方法在水文学中的应用

    本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

    Dec, 2020

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 2023

  • 利用图网络学习模拟复杂物理现象

    本研究提出了一种基于图神经网络的模拟器框架，通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象，模型从单一粒子预测到测试时的数千个粒子，并且能够处理不同的初始条件和数万个时间步骤，具有较强的可靠性与预测能力。

    Feb, 2020

  • 南佛罗里达州水位预测的深度学习模型

    本文介绍了针对水平面的模拟和预测的物理模型计算复杂，提出机器学习模型作为替代，并在南佛罗里达的 Miami River 做了案例分析，并证明了输出结果与物理模型的差距不大。

    Jun, 2023

  • 基于图神经网络学习的三维颗粒流动模拟

    使用图神经网络开发了基于 GNN 的 granular flows 模拟器（GNS），成功复现了各种纵横比的柱体崩塌的整体行为，并且计算速度比高保真数值模拟器快 300 倍。

    Nov, 2023

  • 基于物理信息的扩散反应系统局部学习

    本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

    May, 2023