Physics-informed neural networks for parameter learning of wildfire spreading

要約

原野火災は恐ろしい自然災害をもたらし、山火事の予防、監視、介入、対応のためにデータ駆動型で物理学に基づいたデジタルツインを開発する緊急の必要性を浮き彫りにしています。
研究のこの方向において、この研究では、解釈可能な山火事拡大モデルの未知のパラメータを学習するように設計された物理情報に基づくニューラル ネットワーク (PiNN) を導入します。
考慮されたモデリング アプローチは、山火事の複雑な挙動を捉えるために不可欠な主要なモデル パラメーターによって明確化された基本的な物理法則を統合します。
提案された機械学習フレームワークは、質量とエネルギー保存の第一原理を含む山火事のダイナミクスを支配する物理的制約を備えた人工ニューラル ネットワークの理論を活用しています。
物理学に基づいたパラメータ同定のための PiNN のトレーニングは、高忠実度シミュレーターから導出された 1 次元および 2 次元の火災フロントの時空間進化に関する合成データと、トロイからの経験的データ (地表熱画像) を使用して実現されます。
2002 年 6 月 19 日にカリフォルニアで発生した火災。
パラメーター学習の結果は、トロイ火災だけでなく、1 次元および 2 次元の延焼シナリオにおける山火事モデルの未知の係数を明らかにする際の、提案された PiNN の予測能力を示しています。
さらに、この方法は、ノイズの多いデータが存在する場合でも同じパラメータを識別することにより堅牢性を示します。
この PiNN アプローチを包括的なフレームワークに統合することで、想定される物理学に基づいたデジタル ツインは、インテリジェントな山火事管理とリスク評価を強化し、予防的および事後的な戦略のための強力なツールを提供します。

要約(オリジナル)

Wildland fires pose a terrifying natural hazard, underscoring the urgent need to develop data-driven and physics-informed digital twins for wildfire prevention, monitoring, intervention, and response. In this direction of research, this work introduces a physics-informed neural network (PiNN) designed to learn the unknown parameters of an interpretable wildfire spreading model. The considered modeling approach integrates fundamental physical laws articulated by key model parameters essential for capturing the complex behavior of wildfires. The proposed machine learning framework leverages the theory of artificial neural networks with the physical constraints governing wildfire dynamics, including the first principles of mass and energy conservation. Training of the PiNN for physics-informed parameter identification is realized using synthetic data on the spatiotemporal evolution of one- and two-dimensional firefronts, derived from a high-fidelity simulator, as well as empirical data (ground surface thermal images) from the Troy Fire that occurred on June 19, 2002, in California. The parameter learning results demonstrate the predictive ability of the proposed PiNN in uncovering the unknown coefficients of the wildfire model in one- and two-dimensional fire spreading scenarios as well as the Troy Fire. Additionally, this methodology exhibits robustness by identifying the same parameters even in the presence of noisy data. By integrating this PiNN approach into a comprehensive framework, the envisioned physics-informed digital twin will enhance intelligent wildfire management and risk assessment, providing a powerful tool for proactive and reactive strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google