一种解参数化土壤水方程的深度替代模型构建方法及系统
本发明属于土壤水运动方程求解,具体是涉及一种解参数化土壤水方程的深度替代模型构建方法及系统。
背景技术:
1、作为陆地水资源重要组成部分,土壤水分通过调控根系吸水过程对作物生长产生直接影响。研究土壤水分在空间和时间上的变化,有助于深入理解作物根系结构与生长模式。此外,深入掌握水分在土壤中的运动机制有助于制定更有效的灌溉策略并提升水资源管理能力,特别是在水资源匮乏地区。
2、richards方程是描述非饱和土壤水分流动的控制方程,由于该方程具有高度非线性特征,获得解析解尤为困难。因此数值解因其灵活性和适应性而被广泛采用,包括有限差分法、有限元法和有限体积法。这些方法均能有效求解richards方程且展现出了较高的可靠性和良好的精度。尽管数值方法的有效性已得到验证,但在特定的边界或初始条件下进行土壤水分流动模拟时,若变化条件后每次都需要调用数值求解器执行新的模拟,这意味着需要反复求解参数化richards方程,从而导致对数值求解器的大量调用,并带来显著的计算成本。因而需要构建替代模型,用其取代数值模拟器中偏微分方程的求解过程。
3、传统的替代模型,比如降阶模型,从高维的全阶模型中提取近似特征,显著降低了计算成本,同时保留了关键的动态特征和预测精度。但是当降阶模型为黑箱模型或不支持修改时,实施模型降阶将面临严重的建模方面的困难。此外,这类数据驱动的模型仍受限于耗时的数据收集过程,并且在物理可解释性方面表现不佳。
4、目前有关用神经网络求解参数化richards方程这类非稳态且高度非线性的偏微分方程的的应用案例寥寥无几。传统数值计算模型用于参数化方程求解时,主要瓶颈在于反复迭代求解的计算耗时过长。而依赖数据驱动的替代模型,在标签数据稀缺或分布稀疏的情况下其优势难以发挥。此外,若模型输出出现异常值,往往无法借助物理规律进行合理解释与归因分析。
技术实现思路
1、本发明的目的是将卷积神经网络(cnn)与有限差分法相结合,构建了一个用于求解参数化richards方程的深度学习替代模型。该模型旨在捕捉参数化空间(如边界条件和初始条件)与土壤基质势变化在空间和时间上的映射关系。模型训练完成后,无需运行数值模拟即可预测在不同的边界或初始条件下土壤水基质势的时空变化。损失函数是基于richards方程的有限差分格式构建的,并将边界条件作为硬约束强加于神经网络中。此外,本发明提出了一种新的回顾性训练策略以缓解神经网络的灾难性遗忘问题。这里设置了三个分别将第一类边界条件、第二类边界条件和初始条件作为参数的案例,将替代模型的预测结果与hydrus-1d的结果进行比较来测试替代模型的性能与效率。
2、为解决上述技术问题,本发明提供如下技术方案:
3、一种解参数化土壤水方程的深度替代模型构建方法,包括:
4、步骤一:构建卷积神经网络替代模型,包括:将初始条件和边界条件作为输入,以土壤水基质势为输出;利用非饱和土壤水运动方程的有限差分格式构造物理信息损失函数,并采用硬约束方式将边界条件直接嵌入卷积神经网络的输出层;设计回顾性训练策略,使卷积神经网络替代模型在逐时间步迭代过程中保持对先前时间步动力学过程的记忆;
5、步骤二:对所述卷积神经网络替代模型进行训练,通过优化算法迭代更新网络参数,使得所述物理信息损失函数逼近最小值;
6、步骤三:利用训练好的替代模型,根据不同的初始条件和边界条件输入,预测非饱和土壤中对应时刻的土壤水基质势。
7、进一步地,所述初始条件为:
8、
9、其中 ,为初始时刻土壤剖面各深度处的基质势分布,z 为纵向坐标,为空间域内土壤水基质势的初始值,
l是土壤剖面的深度。
10、进一步地,所述边界条件包括第一类边界条件和第二类边界条件,第一类边界条件和第二类边界条件分别为:
11、
12、
13、其中,
ψn(
t)和
q(
t)分别是第一类边界条件和第二类边界条件的值,为边界上各个时刻的基质势,为水力传导度,为土壤水基质势。
14、进一步地,所述非饱和土壤水运动方程为richards方程,其形式为:
15、
16、其中,
θ是土壤体积含水率;
t是时间项;
z是纵向坐标;是水力传导度;
ψ是土壤水基质势,坐标轴向上为正。
17、进一步地,所述物理信息损失函数基于有限差分格式下的代数方程组残差构建:将土壤剖面离散为有限差分网格,采用隐式差分格式对richards方程进行离散,得到形如[a][ψ]n+1=[h]的三对角方程组,其中[a]为系数矩阵,[h]为常数项矩阵,[ψ]n+1为待求解的下一时刻各节点基质势向量;
18、所述物理信息损失函数为:
19、,
20、其中,为物理信息损失函数,为均方误差。
21、进一步地,所述硬约束方式包括:对于第一类边界条件,将对应边界节点的预测值固定为给定的边界值;对于第二类边界条件,通过反射填充生成虚拟节点,并利用有限差分近似将边界通量条件转化为虚拟节点基质势的表达式,使卷积神经网络输出自动满足边界通量要求。
22、进一步地,第二类边界条件下虚拟节点基质势的表达式为:
23、
24、其中,上标
n表示时间步长的索引;下标
n指向上边界网格节点;
n-1为接近上边界网格的第一个内部节点,
n+1指向上方填充节点;为时间步长上边界处的水力传导率;为时间步中
n+1个节点处的基质势、为
n+1个节点处的坐标、为
n-1个节点处的坐标、为上边界的入渗通量即第二类边界条件值、为
n-1时间步中
n+1个节点处的基质势。
25、进一步地,所述回顾性训练策略为:在每个训练周期内,对于每一个批次数据,从初始时刻开始依次训练各个时间步,并且在训练后续时间步时,重新回溯训练先前所有时间步,以保持对土壤水运动全过程动力学特征的持续学习。
26、进一步地,采用自适应矩估计算法作为优化器对网络参数进行迭代更新,每个时间步内进行预设次数的迭代以适应方程的非线性特性;所述训练经过预设轮次,每次训练使用的样本数量为预设个数,学习率采用预设初始值并按照预设衰减率逐步降低。
27、另一方面,本发明提供一种解参数化土壤水方程的深度替代模型构建系统,包括:
28、替代模型构建与约束模块,其用于构建卷积神经网络替代模型,包括:将初始条件和边界条件作为输入,以土壤水基质势为输出;利用非饱和土壤水运动方程的有限差分格式构造物理信息损失函数,并采用硬约束方式将边界条件直接嵌入卷积神经网络的输出层;设计回顾性训练策略,使卷积神经网络替代模型在逐时间步迭代过程中保持对先前时间步动力学过程的记忆;
29、模型训练优化模块,其用于对所述卷积神经网络替代模型进行训练,通过优化算法迭代更新网络参数,使得所述物理信息损失函数逼近最小值;
30、预测执行模块,其用于利用训练好的替代模型,根据不同的初始条件和边界条件输入,预测非饱和土壤中对应时刻的土壤水基质势。
31、与现有技术相比,本发明具有如下有益效果:
32、本发明针对现有数值计算模型在求解非线性较强的参数化richards方程计算耗时过长且步骤繁琐,以及基于数据驱动的替代模型在标签数据稀缺时性能受限、出现预测异常值难以用现实物理规律解释等问题,将物理先验知识作为约束条件融入建模过程。通过引入基于边界条件的硬约束,将有限差分格式下的richards方程的残差视为损失函数,该发明显著提升了替代模型在没有标签数据情况下的预测准确性和物理可靠性。由于神经网络的输入可以包括不同的初始条件和边界条件,因此替代模型能直接预测不同情景下土壤水运动,而不需要重新训练模型。此外,在替代模型进行训练过程中,本发明引入回顾性训练策略来应对richards方程极强的非线性水力参数以及灾难性遗忘等问题。相比于传统数据驱动模型,本方案借由物理约束的强制引导,使求解过程始终遵循物理规律,进而大幅降低了不可解释的异常输出,并强化了模型对输入扰动的鲁棒性。这种改进策略巧妙地将计算负担与预测保真度置于可控平衡之下,最终形成一套高效且稳健的求解框架。此外,该框架显著提升了替代模型应对土壤水运动模拟中复杂工况的能力,为后续工程应用与科学研究提供了更具扩展性的技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com