基于物理信息融合驱动的船舶尾气扩散场重构方法及系统

本发明涉及大气污染物扩散监测与重构，具体涉及一种基于物理信息融合驱动的船舶尾气扩散场重构方法及系统。

背景技术：

1、船舶尾气排放扩散监测是全球环境治理领域的共性难题，船舶排放精准监测的科学前提，在于能够快速准确地刻画大气污染物在真实环境中的扩散时空演化规律。与开阔海域不同，内河航道受桥梁墩柱、岸线建筑群等大量实体结构约束，这些固体障碍物对尾气羽流形成机械阻挡与绕流效应，使近岸航道微气象场呈现显著非稳态特征，导致船舶尾气扩散过程具有强非线性与高度不确定性。从扩散理论的角度审视，当前广泛应用的高斯扩散模型及其衍生模式，其核心假设建立在气象场均匀、湍流各向同性且边界无限的理想化前提之上。而在内河航道等复杂边界场景中，上述假设均难以成立。

2、综上所述，内河航道场景下的船舶尾气扩散，本质上是一个同时受强拓扑边界约束与非稳态微气象场扰动共同主导的多尺度物理过程，其动力学特征与港口或开阔水域存在显著差异。这种差异导致：（1）在机理层面，传统基于均匀假设的扩散模型难以表征边界诱导的非平衡湍流对污染物扩散的非线性调制机制；（2）在方法层面，传统数值扩散模型的计算效率无法满足监测所需的多情景、不确定条件下扩散浓度场的快速反演需求。

3、现有方法在解决上述问题时存在以下主要技术缺陷：

4、（1）机理驱动方法（高斯模型、aermod、calpuff及wrf-chem等）：其核心假设建立在气象场均匀、湍流各向同性且边界无限的理想化前提之上。然而，内河航道中桥梁墩柱、岸线建筑群（诱导峡谷风与地形回流区）等实体结构对尾气羽流的机械阻挡与绕流效应，根本性地违反了上述理想假设，导致传统高斯模型在桥区等复杂场景下预测误差可达数倍以上。此外，高精度计算流体动力学/大涡模拟虽可刻画复杂边界，但单个情景模拟耗时数小时至数天，无法在岸基监测系统上实时运行，工程实用性极为有限。

5、（2）纯数据驱动方法（支持向量机、人工神经网络等）：该类方法高度依赖训练数据分布，在遭遇训练集之外的气象工况时泛化能力不足；更关键的是，缺乏物理约束导致模型在桥墩、建筑物等实体障碍物附近易出现非物理预测（即浓度分布不符合物理守恒定律），严重影响结果可信度，无法用于指导实际监管决策。

6、（3）近年来，物理-数据融合方法逐渐成为研究热点，其中物理信息神经网络（physics-informed neural networks，pinns）通过在学习过程中引入物理约束，为解决复杂的大气扩散预测问题提供了新思路。pinns在保持物理一致性的同时提升了计算效率，已在流体力学和反应-扩散系统中显示出潜力。然而，其在复杂边界、多尺度非稳态大气扩散问题中的稳定性、边界处理能力及优化收敛特性仍有待深入研究。

7、综上，亟需一种能在搭载处理器的岸基边缘计算设备上实时运行的、兼具实体边界物理一致性与计算效率的船舶尾气扩散场快速重构方法，并能与岸基物联网监测系统及船舶监管决策系统形成工程闭环。

技术实现思路

1、本发明的目的是提供一种基于物理信息融合驱动的船舶尾气扩散场重构方法及系统，能够实现复杂受限水域船舶尾气扩散场的稳定、快速重构，尤其适用于含桥梁、岸线建筑等复杂边界约束的内河受限水域环境。

2、本发明所采用的技术方案是：

3、一种基于物理信息融合驱动的船舶尾气扩散场重构方法，包括以下步骤：

4、通过岸基物联网系统获取目标内河航道区域的多源输入数据；所述多源输入数据包括：三维气象场数据、船舶排放源数据、以及岸基传感器检测到的实测污染物浓度数据；

5、基于三维对流-扩散-反应方程构建物理残差，利用自动微分技术将所述物理残差嵌入深度神经网络训练框架；

6、在神经网络训练过程中显式引入实体障碍物边界的物理约束和下垫面沉降边界的物理约束，构建分块混合边界约束机制；

7、基于稀疏观测数据拟合损失与物理残差损失、混合边界约束损失，引入神经正切核自适应加权策略，构建多任务联合损失函数，训练所述神经网络模型；

8、训练好的物理信息神经网络根据实时输入的三维气象场数据及船舶排放源数据执行前向推理，快速重构船舶尾气扩散浓度场，并根据所述浓度场生成监管指令。

9、优选地，所述基于三维对流-扩散-反应方程构建的物理残差为：

10、

11、其中，为基于ais重构的动态船舶源项，x为船舶位置向量，t为时间；为神经网络预测的污染物浓度场，是指神经网络预测的污染物浓度场的梯度；为三维风场矢量；为湍流扩散系数，表征大气湍流对污染物的混合能力；为考虑雨/雾影响的综合沉降系数。

12、优选地，实体障碍物边界的物理约束为：针对内河航道中的实体障碍物表面施加无通量约束，下垫面沉降边界的物理约束为：针对水面和/或地表施加沉降约束；

13、所述实体障碍物包括桥梁墩柱和/或岸线建筑群，针对内河航道中的实体障碍物表面，施加neumann型无通量约束；用于体现污染物流线发生绕流与阻挡，避免模型产生穿透建筑物的非物理扩散结果，nobs为实体障碍物边界表面的单位外法向量；

14、针对水面与陆地表面，施加robin型混合边界条件，其中为干/湿沉降速度参数，用于刻画污染物被水体或地表吸附清除的通量，有效缓解近地层浓度系统性高估问题；d为湍流扩散系数, ndep为下垫面沉降边界表面的单位外法向量，为神经网络预测的污染物浓度场，是指神经网络预测的污染物浓度场的梯度。

15、优选地，所述多任务联合损失函数为：

16、

17、其中，表示稀疏观测数据的拟合损失；数据来源于高保真模拟场的定点采样或实际实测值；rpde为物理残差；为稀疏观测数据拟合项的权重系数；为物理残差项的权重系数；nobs为实体障碍物边界表面的单位外法向量；ndep为下垫面沉降边界表面的单位外法向量；λb1是指实体障碍物边界自适应权重系数；λb2是指下垫面沉降边界自适应权重系数；

d为湍流扩散系数；为神经网络预测的污染物浓度场；是指神经网络预测的污染物浓度场的梯度；为干/湿沉降速度参数；表示实体障碍物边界；表示下垫面沉降边界。

18、优选地，在训练迭代过程中，基于神经正切核实时计算各损失分量对应的梯度谱特征值，根据所述梯度谱特征值动态调整所述权重系数λb1和/或λb2。

19、优选地，所述基于神经正切核实时计算各损失分量对应的梯度谱特征值，根据所述梯度谱特征值动态调整所述权重系数，各损失分量是指对应上述的数据拟合损失、物理残差损失和混合边界约束损失；

20、根据所述梯度谱特征值动态调整所述权重系数中具体调整步骤为：当检测到混合边界约束损失分量的梯度谱特征值低于预设阈值时，自适应提高对应的混合边界约束权重系数；

21、具体为：设第 t次训练迭代中边界约束项的梯度谱特征值为，预设阈值为，当时，按照如下方式更新边界约束权重系数：

22、

23、其中，η为权重更新步长，ε为稳定项，λmax为边界约束权重上限，λbound为边界约束权重系数。通过该方式，使边界约束项在训练过程中的优化优先级随其梯度谱特征值变化而自适应调整，从而提高模型对障碍物边界和沉积边界等物理约束的满足程度。

24、优选地，所述三维气象场数据的获取包括以下步骤：采用多尺度嵌套数值模拟方法，将区域尺度背景风场与局地微尺度流场进行嵌套，其中针对桥梁墩柱和/或岸线建筑群形成的非凸几何边界，采用浸入边界法进行等效表达；

25、所述多尺度嵌套数值模拟方法，包括采用中尺度气象模式与计算流体动力学模式的单向耦合策略，获取公里级分辨率的背景风场与热力结构，作为微尺度模拟的边界驱动条件；

26、在航道尺度，采用百米级分辨率的湍流部分解析模拟方法，获取内河航道近地层的主导流型及湍流统计特征；

27、在桥区与建筑密集区域设置局地加密嵌套域，并针对由建筑群与桥梁结构形成的非凸几何边界，采用浸入边界法，通过在动量方程中引入体积力源项替代对实体结构的贴体求解；

28、所述船舶排放源数据获取的具体过程为：通过船舶自动识别系统（ais）采集船舶轨迹与工况数据，反演船舶瞬时排放强度，采用拉格朗日-欧拉混合描述方法，引入高斯核函数将离散移动点源映射为连续欧拉网格三维动态排放源项场。

29、优选地，所述神经网络模型为全连接深度神经网络、傅里叶特征网络、深度算子网络中任意一种，所述神经网络模型的输入包括船舶排放源数据以及气象环境数据；其中，所述船舶排放源数据包括船舶排放源时空坐标、船舶源项，所述气象环境数据包括由三维气象场数据提取或插值得到的风速、风向、大气稳定度、降雨强度和/或湍流扩散参数；

30、所述神经网络模型输出为污染物浓度，通过对被测航段三维空间网格中各预测点进行计算，获得重构船舶尾气扩散浓度场。

31、优选地，所述的基于物理信息融合驱动的船舶尾气扩散场重构方法还包括以下步骤：将重构的浓度场结果传输至监管终端进行可视化展示。

32、一种基于物理信息融合驱动的船舶尾气扩散场快速重构系统，包括：岸基物联网系统、监管终端、处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据以上所述的基于物理信息融合驱动的船舶尾气扩散场重构方法，岸基物联网系统与处理器连接，用于采集多源输入数据并传输至处理器，监管终端与处理器连接，用于显示处理器实现基于物理信息融合驱动的船舶尾气扩散场重构方法的输出结果。

33、本发明的有益效果是：

34、本发明能够在复杂微气象条件下实现船舶尾气排放扩散浓度场的高精度、高效率重构，可广泛应用于内河船舶大气污染精准监管与绿色航运管理中，通过“物理机理深度嵌入—分块混合边界约束—神经正切核梯度自适应调控”三层机制，解决现有方法在内河复杂实体边界环境下物理一致性差、训练不稳定、实时性不足等核心技术问题，实现复杂受限水域船舶尾气扩散场的稳定、快速重构，尤其适用于含桥梁、岸线建筑等复杂边界约束的内河受限水域环境。