用于洪水动力过程中波浪传播长期预测的CAE-LSTM模型

预测洪水动态过程对防灾减灾至关重要。物理信息神经网络(PINN)最近被应用于洪水动态预测，在预测波浪传播方面表现良好。然而，训练PINN需要大量的定位点来校准误差，还需要大量的迭代来优化模型参数。因此，训练一个精确的 PINN 模型需要较高的计算成本。我们首次将卷积自动编码器(CAE)和长短期记忆神经网络(LSTM)的优势结合，解决了 PINN 在预测波传播时的固有局限性。CAE-LSTM 模型受求解浅水方程(SWE)的有限差分法启发，从空间和时间角度捕捉和预测水流特征。CAE 利用卷积神经网络提取空间特征，生成紧凑的潜在表征，从而降低物理系统的复杂性。LSTM 学习潜在特征空间中的时间依赖性，并根据时间序列数据预测动态过程。该模型的有效性通过三个经典的二维溃坝案例进行了验证。在 60秒滚动预测案例中，CAE-LSTM预测的每个流动特征参数的 RMSE 平均为 0.3，而PINN预测的RMSE平均为 1.CAE-LSTM的准确率提高了 60%左右，并且其计算效率提高了约 100 倍。上述结果表明，CAE-LSTM 可以捕捉流体的复杂动态特征，并以较高的鲁棒性有效预测洪水动态过程。