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

通过使用降水量和天气数据来逆向建模河流流量和恢复地理特征，我们的模型比现有模型更准确和可解释，能够提供不确定性量化结果，从而改进河流流量的预测。

Oct, 2023

提出一种基于物理约束深度学习的建模和不确定性量化方法，避免深度学习在小样本问题上的跨度不足，可以用于偏微分方程系统的解决和预测推断，并提供一些解释和量化手段。

Jan, 2019

本文介绍了一种新型的框架，将物理学的科学知识与递归神经网络相结合，来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法，并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质，通过使用科学知识指导构建和学习数据驱动模型，我们证明该方法可以实现更好的预测精度以及结果的科学一致性。

Oct, 2018

本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。

Jun, 2019

本文提出了一种基于深度强化学习（DRL）的一般控制策略框架，用于地下流动环境中的闭环决策制定。针对数据同化 / 历史匹配和鲁棒优化步骤中的挑战，将闭环油藏管理（CLRM）问题表示为一个部分可观察的马尔科夫决策过程，并使用近端策略优化算法来解决相关的优化问题。数据集由多个地质模型场景合集构成，训练结果表明相对于既有地质模型的鲁棒优化以及传统的 CLRM 方法，基于 DRL 的方法在油水注入生产中的净现值（NPV）获得了 15% 和 33% 的提升，并且相对于传统 CLRM 平均提升了 4% NPV，并且在多种地质模型场景中均能发挥较好的效果。

Mar, 2022

本文提出了一种基于物理启发式神经网络的深度学习框架，用于量化和传播受非线性微分方程支配的系统中的不确定性。通过建立概率表示，对系统状态进行训练以满足给定的物理定律表达式，并提供了一种有效训练深度生成模型作为物理系统的代理的规范化机制，在这些系统中，数据采集成本高，训练数据集通常较小。该框架提供了一种灵活的方式，用于因输入随机性或观测噪声而导致的物理系统输出不确定性的表征，完全绕过了重复采样昂贵的实验或数值模拟器的需求。作者通过一系列例子证明了方法的有效性，这些例子涉及非线性守恒定律中的不确定性传播以及直接从嘈杂的数据中发现流体通过多孔介质的本构规律。

Nov, 2018

预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战，使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息，并提出了几个开放问题，包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。

Aug, 2023

本文介绍了一种新颖的数据驱动框架，使用不变的贝叶斯深度神经网络以及蒙特卡罗方法对流体量，比如速度和压力提供概率边界，并且在两个测试用例中进行结果呈现。该框架不仅可以提高 RANS 计算预测结果的准确性，而且还允许在没有高保真度观察或先验知识的流中，对模型置信度和不确定性进行定量测量。

Jul, 2018

本文提出了一种可解决环境应用和流域特征多变等问题，基于知识引导的自监督学习 KGSSL 框架，并对基于流域属性和气象数据的 CAMELS 水文基准数据集进行流量建模，并表明在从驱动器和响应数据提取系统特征时，KGSSL 可以更加鲁棒.

Sep, 2021