报告题目：基于物理驱动神经网络的泥沙输运模型参数优化研究

报  告 人：刘肖廷  高级工程师

邀  请 人：曹志先  教授

时      间：2025年3月31日（星期一）上午10:30

地      点：水资源国重大楼A区202会议室

报告人简介：

刘肖廷，中国长江三峡集团科学技术研究院新能源科技创新中心专业师，高级工程师。主持科研项目3项，参与项目12项，其中，国家重点研发计划2项。发表论文12篇，授权发明专利23项，登记软件著作5项。获中国长江三峡集团科学技术研究院2022年度科技英才团队-水沙团队（2022）和风电机组团队（2023）。

报告简介：

现阶段三峡水库新的水沙条件给水库泥沙调度提出了新的要求。目前，三峡泥沙输移模型大多基于非饱和输沙理论建立，模拟过程中需要判断两个重要参数—沿程阻力参数“糙率”和泥沙冲淤速率参数“恢复饱和系数”，分别决定了水动力和泥沙输移的模拟精度。受来水来沙过程影响，这些参数具有时变特性，应用中存在调节范围较大，率定和优选对调试者个人经验依赖度高的问题，限制了该模型的进一步发展和应用，难以满足现阶段集团智慧水电的发展需求。

物理驱动的神经网络PINNs(Physics informed neural networks)是一种新的方程参数反演方法，是将物理建模与深度学习相结合的创新方法，其通过损失函数构建融合先验物理知识的神经网络，并通过最小化损失函数进行训练。PINNs通过先验物理知识进行训练，可视为一种无监督学习，相比纯数据驱动的方法需要更少的数据，降低了测量数据的成本，减少了对数据量的依赖，在难以测量收集数据的问题中具有更大的优势。同时，该PINNs由于嵌入了物理信息方程，对于噪声数据处理表现了很好的鲁棒性。PINNs的上述特性，使得它在物理模型参数反演中有很大的潜力和应用空间。因此，为了满足集团公司数字孪生三峡的发展需求，以已有的非饱和输沙模型的重要参数“糙率”和“恢复饱和系数”寻优为目标，建立对应的物理驱动神经网络，通过对实际发生的水沙过程的复演，建设模型参数库，为进一步提升泥沙调度工作效率和精度提供有力工具。

欢迎相关专业教师和研究生的光临！