Graph neural network-based surrogate modelling for real-time hydraulic prediction of urban drainage networks

要約

物理ベースのモデルは計算に時間がかかり、都市排水ネットワークのリアルタイム シナリオには実行不可能であり、オンライン予測モデリングを高速化するには代理モデルが必要です。
完全に接続されたニューラル ネットワーク (NN) は代替モデルになる可能性がありますが、複雑なターゲットをフィッティングする際の解釈性と効率が低いという問題がある可能性があります。
グラフ ニューラル ネットワーク (GNN) の最先端のモデリング能力と、グラフ構造における都市排水ネットワークとの一致により、この研究では、水理予測問題に対する流路ルーティング モデルの GNN ベースの代用モデルを提案しています。
排水ネットワークは、最近の水理状態を初期条件と見なし、将来の流出と制御ポリシーを境界条件と見なします。
水力学的制約と物理的関係を排水モデリングに組み込むために、代用モデルの上に物理ガイド付きメカニズムが設計され、流れのバランスと洪水発生の制約によって予測変数が制限されます。
雨水ネットワークの事例結果によると、GNN ベースのモデルは、同等のトレーニング エポックの後では、NN ベースのモデルよりも水理予測精度が高く、コスト効率が高く、設計されたメカニズムにより、解釈可能なドメイン知識により予測誤差がさらに制限されます。
モデル構造は都市排水ネットワークにおける流路経路メカニズムと水力制約に準拠しているため、データ駆動型のサロゲート モデリングに解釈可能で効果的なソリューションが提供されます。
同時に、サロゲート モデルは、物理ベースのモデルと比較して、リアルタイムで使用できる都市排水ネットワークの予測モデリングを加速します。

要約(オリジナル)

Physics-based models are computationally time-consuming and infeasible for real-time scenarios of urban drainage networks, and a surrogate model is needed to accelerate the online predictive modelling. Fully-connected neural networks (NNs) are potential surrogate models, but may suffer from low interpretability and efficiency in fitting complex targets. Owing to the state-of-the-art modelling power of graph neural networks (GNNs) and their match with urban drainage networks in the graph structure, this work proposes a GNN-based surrogate of the flow routing model for the hydraulic prediction problem of drainage networks, which regards recent hydraulic states as initial conditions, and future runoff and control policy as boundary conditions. To incorporate hydraulic constraints and physical relationships into drainage modelling, physics-guided mechanisms are designed on top of the surrogate model to restrict the prediction variables with flow balance and flooding occurrence constraints. According to case results in a stormwater network, the GNN-based model is more cost-effective with better hydraulic prediction accuracy than the NN-based model after equal training epochs, and the designed mechanisms further limit prediction errors with interpretable domain knowledge. As the model structure adheres to the flow routing mechanisms and hydraulic constraints in urban drainage networks, it provides an interpretable and effective solution for data-driven surrogate modelling. Simultaneously, the surrogate model accelerates the predictive modelling of urban drainage networks for real-time use compared with the physics-based model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google