基于物理信息神经网络的水下流场多参数反演方法及系统与流程

本发明涉及水下流场多参数反演，具体为一种基于物理信息神经网络的水下流场多参数反演方法及系统。

背景技术：

1、河流通量（流量、流速、物质输运通量等）是水资源管理、防洪减灾、生态环境保护的核心监测指标。传统的河流监测方法，如adcp走航测流、时差法超声测流等，存在部署复杂、无法覆盖全断面、难以实时获取三维流场结构等局限。

2、河流声层析技术起源于海洋声层析，通过在河流断面两岸部署多组声基站，利用声波在水体中的传播信息反演断面内的流场与环境参数，能够实现全断面、非接触、实时在线监测，近年来在水文监测领域得到了广泛应用。

3、目前，河流声层析的主流反演方法主要基于射线走时层析技术，其中，传统走时反演方法通过提取声波的传播时间，基于射线理论，利用tikhonov正则化等方法反演断面内的流速分布。这类方法仅利用了声波传播的时间信息，忽略了接收信号的全波形（冲激响应）信息，数据利用率低，反演分辨率受限。

4、现有技术通常假设水体声速为均匀常数，忽略了河流中温度、泥沙浓度、盐度等参数的空间异质性导致的声速场变化，这会引入显著的流速反演误差，尤其在感潮河段、入海口等环境参数变化剧烈的区域，误差可达10%以上。

5、传统线性反演方法需要手动选择正则化参数来稳定解，参数选择依赖经验，且对复杂非均匀流场的适应性差，难以同时反演声速场与流速场两个高维未知场。

6、近年来，物理信息神经网络（physics-informedneuralnetworks,pinn）作为一种新型的深度学习框架，通过将物理控制方程作为正则约束融入神经网络训练，能够有效解决高维反演问题，在流场重构、波场反演等领域展现出巨大潜力。但目前pinn技术在河流声层析领域的应用仍存在空白。

7、本发明旨在利用物理信息神经网络基于多组实测冲激响应，联合反演河流剖面三维声速场与矢量流速场的方法，以解决上述技术问题。

技术实现思路

1、本发明提供了一种基于物理信息神经网络的水下流场多参数反演方法及系统，利用物理信息神经网络基于多组实测冲激响应，联合反演河流剖面三维声速场与矢量流速场的方法，以解决上述背景技术中的技术问题。

2、本发明提供如下技术方案：一种基于物理信息神经网络的水下流场多参数反演方法，包括：s1、数据获取与预处理：根据河流声学层析预设基站，获取实测冲激响应数据，实测冲激响应数据包括任意一对收发基站的冲激响应时间；s2、构建神经网络：构建物理信息神经网络模型，模型的输入包括河流断面内任一点的空间坐标、频率及声源位置编码，输出包括流场的声速场以及流速场；s3、频率响应预测：采用步骤s2得到的声速场和流速场计算频率响应，将频率响应进行变换得到预测冲激响应；s4、响应比对：将预测冲激响应与实测冲激响应比对后，基于比对结果调整调整声速场和流速场，输出最终的声速场和流速场；其中，基于约束代价函数进行预测冲激响应与实测冲激响应比对，约束代价函数为包含数据拟合项、物理约束项以及边界约束的联合代价函数；利用约束代价函数计算神经网络任一参数梯度进行网络参数更新，直至函数收敛，输出最终的声速场和流速场，完成反演。

3、本基于物理信息神经网络的水下流场多参数反演方法将多组实测脉冲响应的全波形信息用于河流声层析反演，相比传统走时层析，数据利用率提升一个数量级，反演分辨率显著提高；采用河流断面声速场与矢量流速场的联合反演，消除了传统方法假设声速均匀带来的系统误差，在环境参数变化剧烈的河段，反演精度可提升15%以上；采用频域建模，彻底消除了传统时域pinn对初始条件的依赖，适配大尺度河流的长传播时间场景，训练稳定性与效率大幅提升；利用pinn将物理控制方程作为天然正则项，无需手动调整正则化参数，对复杂流场的适应性更强；采用边界约束融入反演过程，更贴合实际河流的地形特征，大幅提升了复杂地形河段的反演准确性；无需对计算区域进行网格划分，能够灵活适应任意复杂的河床地形，部署与计算效率更高。

4、作为本发明所述基于物理信息神经网络的水下流场多参数反演方法的一种可选方案，其中：数据拟合项约束预测结果与实测数据的匹配程度，以实测冲激响应与预测冲激响应的均方误差构建。数据拟合项约束包括：，其中，为第i组收发对的实测冲激响应，为预测冲激响应，m为收发对的总数，t为时间采样点数。物理约束项包括频域运动介质波动方程约束和流体连续性方程约束，频域运动介质波动方程约束基于运动流体在频域下的声学helmholtz方程，将神经网络输出的声速场、流速场以及预测冲激响应代入helmholtz方程，计算方程的残差约束损失；流体连续性方程约束为约束流速场满足不可压缩流体的连续性方程。helmholtz方程包括：，其中，为角频率，为换能器对构成的单位方向矢量，频域运动介质波动方程约束无需初始条件，仅需空间约束；将神经网络输出的声速场、流速场以及预测冲激响应代入helmholtz方程，计算方程的残差约束损失包括：，其中，分别为预测频率响应、声速场以及流速场，为河流断面内的空间坐标。连续性方程包括：，对应的损失项为：，物理约束项为频域运动介质波动方程约束和流体连续性方程约束的加和。边界约束基于测绘得到的河床三维地形模型，施加固壁边界条件，包括河床边界处的法向流速满足无渗透边界条件以及河床边界处的声压满足固液界面的反射边界条件。河床边界处的法向流速满足无渗透边界条件为：，其中，为河床边界法向单位向量，为流速场；河床边界处的声压满足固液界面的反射边界条件为：，表示频率响应沿着法线方向的变化率为零；损失项定义为：，其中，表示河床边界区域。

5、作为本发明所述基于物理信息神经网络的水下流场多参数反演方法的一种可选方案，其中：反演与网络参数更新包括：

6、1、初始化：初始化神经网络参数；

7、2、采样：在断面内随机采样空间点(x,y,z)，在工作频带内随机采样频点f，遍历所有声源索引s，构建训练批次；

8、3、前向预测：将采样信号输入网络，得到预测的声速场c(x,y,z)、流速场v（x,y,z）以及预测频率响应p(x,y,z,f,s)；

9、4、损失计算：对每个声源s，提取接收点的预测频率响应，进行逆傅里叶变换得到预测冲激响应，计算数据拟合损失；自动微分计算频域波动方程与流体连续性方程的残差，得到物理约束损失；对河床边界的采样点，计算边界约束损失；并汇总得到总代价函数；

10、5、参数更新：通过反向传播算法，计算总代价函数对网络所有参数的梯度，更新网络参数；当总损失的变化小于阈值，或者迭代次数达到预设值时，停止训练；

11、6、结果输出：训练完成则通过网络输出得到整个断面的三维声速场与矢量流速场，完成反演。

12、应用上述基于物理信息神经网络的水下流场多参数反演方法的系统，包括：

13、数据获取与预处理模块：用于根据河流声学层析预设基站，获取实测冲激响应数据；

14、神经网络模块：用于预测声速场以及流速场，模型的输入包括河流断面内任一点的空间坐标、频率及声源位置编码，输出包括流场的声速场以及流速场；

15、频率响应预测模块：采用神经网络模块得到的声速场和流速场计算频率响应，将频率响应进行变换得到预测冲激响应；

16、响应比对模块：将预测冲激响应与实测冲激响应比对后，基于比对结果调整调整声速场和流速场，输出最终的声速场和流速场；

17、其中，基于约束代价函数进行预测冲激响应与实测冲激响应比对，约束代价函数为包含数据拟合项、物理约束项以及边界约束的联合代价函数；

18、利用约束代价函数计算神经网络任一参数梯度进行网络参数更新，直至函数收敛，输出最终的声速场和流速场，完成反演。

19、本发明具备以下有益效果：

20、1、本基于物理信息神经网络的水下流场多参数反演方法将多组实测脉冲响应的全波形信息用于河流声层析反演，相比传统走时层析，数据利用率提升一个数量级，反演分辨率显著提高；采用河流断面声速场与矢量流速场的联合反演，消除了传统方法假设声速均匀带来的系统误差，在环境参数变化剧烈的河段，反演精度可提升15%以上；采用频域建模，彻底消除了传统时域pinn对初始条件的依赖，适配大尺度河流的长传播时间场景，训练稳定性与效率大幅提升；利用pinn将物理控制方程作为天然正则项，无需手动调整正则化参数，对复杂流场的适应性更强；采用边界约束融入反演过程，更贴合实际河流的地形特征，大幅提升了复杂地形河段的反演准确性；无需对计算区域进行网格划分，能够灵活适应任意复杂的河床地形，部署与计算效率更高。

21、2、本基于物理信息神经网络的水下流场多参数反演方法的边界约束，利用测绘得到的河床三维模型作为硬边界约束融入反演过程，通过实际的地形特征作为约束条件，适用于所有复杂河段，真实性和适应性更强。