滑坡跑程模拟不再逐步解方程:物理约束神经网络单步约10毫秒,110秒全程提速约50倍
核心概要
滑坡跑程预测通常依赖求解深度平均流动方程的数值模拟,参数扫描时反复计算代价很高。一个受物理约束的神经网络被训练成按固定时间间隔推进的单步替代器,输入当前厚度与速度场,直接给出下一时刻的场。在测试集上,单步厚度与速度的均方根误差约为0.06米和0.11米每秒;自回归推进110步后约为0.21米和0.09米每秒,全程耗时约1.1秒,而数值求解器约需16.7秒。
深度剖析
滑坡跑程预测从逐步求解偏微分方程改为由一个神经网络按固定时间间隔推进,单步直接给出下一时刻的厚度场和速度场。 此前的神经网络替代模型把滑坡演化直接映射到最终堆积形态,跳过了中间状态,而风险评估中的影响范围估计需要时间演化信息。 在覆盖全球19个山区、共12214幅数字高程模型上生成的228662个相邻时刻样本对中,受物理约束的模型在测试集上取得厚度交并比0.989、速度交并比0.904,厚度与速度的皮尔逊相关系数分别为0.999和0.993。
模型以当前时刻的厚度与速度加上地形特征作为输入,一次推理同时输出下一时刻的两个物理场,反复把输出喂回输入即可复现整段跑程。 所替代的是深度平均流动模型的单次数值迭代,该模型把滑坡体当作具有均匀黏塑性属性的连续体,用 staggered 有限体积法在256×256、间距30米的网格上求解。 在阿拉斯加一处未参与训练的地形上,模型自回归推进110步直到物质停止运动,边界交并比在30秒后稳定在约0.94,厚度误差从首步约0.08米升至60秒后的0.20米并趋于平台。
训练损失中加入质量守恒与动能损失两项物理约束,使预测在总量层面保持物理一致,而不只是逐点误差小。 不加物理约束的模型在单步预测中偏差很小,但这些偏差在自回归中累积,最终堆积体积降到初始值的三分之一左右,总动能比参考解提前约20秒归零。 加入约束后,单步预测的总体积偏移从-2130立方米降到36立方米,最大速度偏移从-0.043米每秒降到-0.025米每秒;单步耗时约10毫秒,110步全程约1.1秒,数值求解器为每步500毫秒、全程16.7秒。
启示与展望
演示范围限于二维深度平均流动模型、单一材料参数配置与统一的高斯型初始厚度分布,地形来自19个山区共12214幅30米分辨率高程切片;模型在未参与训练的阿拉斯加地形上完成了110步自回归跑程。
训练数据只涵盖一种流动迁移性区间,地形相关的摩擦效应没有被显式表示,因此该替代模型尚不足以直接用于真实场景;作者提出可通过加入材料属性、初始源区特征和空间变化的地形摩擦等输入来扩展。
