利用物理信息神经网络和域分解进行非饱和土壤中具有不连续水力导率的水流的正演和反演建模
摘要：基于物理的神经网络（PINNs）方法在逼近Richardson-Richards方程（RRE）的解的同时，通过匹配可用的土壤湿度数据来描述土壤水力学。虽然之前已经证明PINNs能够解决包括RRE在内的偏微分方程，但其潜在的应用和限制尚不完全明确。本研究对PINNs进行了全面的分析，并通过将其解与解析解和传统数值解进行比较来仔细测试解的准确性。结果表明，具有自适应激活函数的PINNs的解与传统方法的解相当。我们展示了使用领域分解的PINNs正确模拟了具有不连续水力导率的分层土壤中的土壤湿度动态。我们证明了从稀疏土壤湿度测量中可以估计出未说明的上边界条件。然而，仍然存在需要进一步发展的挑战。主要的挑战是PINNs对神经网络的初始化非常敏感，并且比传统数值方法要慢得多。
作者：Toshiyuki Bandai and Teamrat A. Ghezzehei
论文ID：2202.11274
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2022-02-24