Physics-Informed Neural Networks for Hydraulic Monitoring in Water Diversion Projects with Limited Cross-Section Data
Notice bibliographique
Résumé
Long-distance open-channel water diversion projects, such as China’s South-to-North Water Diversion Project, have significantly mitigated regional water supply-demand imbalances. However, the hydraulic behavior of open channels during water conveyance is highly complex, particularly under abnormal conditions like extreme weather or equipment failures, which can cause abrupt hydraulic changes, rapid water level rises, and even local overtopping or other safety hazards. Therefore, global, real-time, and accurate monitoring of open-channel hydraulics is essential to ensure the project's safe and efficient operation. Hydraulic characteristics of open channels are typically obtained through hydrological monitoring systems and numerical simulations. The reasonable placement and number of monitoring sections in a hydrological system are crucial for balancing monitoring accuracy and construction costs across the entire open channel. Numerical simulation accuracy and reliability depend on clear boundary conditions, precise Manning roughness coefficients, and other key parameters. However, these parameters can vary over time and are often difficult to determine in practical applications. Physics-Informed Neural Networks (PINNs) provide an effective solution to these challenges. This study develops a PINN model to predict the hydraulic characteristics of unsteady flow in open channels by integrating sparse hydrological data with physical laws. The study also examines how the number and placement of monitoring sections affect the accuracy of hydraulic predictions for the entire channel. Results demonstrate that PINNs can achieve high-precision hydraulic predictions along the channel using data from only three optimally placed monitoring sections, with average relative L2 errors below 0.5%. PINNs exhibit strong generalization across diverse boundary conditions, accurately predicting complex flow scenarios and demonstrating significantly higher noise resistance compared to traditional methods. Even with Gaussian noise levels of 10%, PINN predictions maintain relative L2 errors within 3%. Furthermore, PINNs show substantial potential for inverting key parameters such as the Manning roughness coefficient. PINNs offer an efficient and rapid approach to hydraulic predictions for long-distance water conveyance projects, aiding in the design and optimization of monitoring systems while minimizing the number of sensors, equipment, and costs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».