Finite Volume-Informed Neural Network Framework for 2D Shallow Water Equations: Rugged Loss Landscapes and the Importance of Data Guidance

Riepilogo Tecnico: FVM-PINN Guidato dai Dati per le Equazioni di Saint-Venant 2D

Enunciato del Problema
Le Reti Neurali Informate dalla Fisica (PINN) offrono un paradigma promettente per la modellazione surrogata delle equazioni differenziali alle derivate parziali (PDE), tuttavia la loro formulazione standard del residuo nella forma forte è inadatta alle Equazioni di Saint-Venant (SWE) 2D. Le PINN standard faticano con la natura iperbolica delle SWE, fallendo nell'imporre la conservazione locale di massa e quantità di moto, nel gestire le discontinuità (shock) o nel sfruttare le mesh non strutturate conformi al contorno utilizzate nell'idrologia operativa. Inoltre, il documento identifica una modalità di fallimento critica nell'addestramento "solo fisica" per le SWE: l'ottimizzatore collassa spesso in uno stato di quantità di moto banale, vicino allo zero, che soddisfa quasi il residuo del volume finito ma non ha alcuna somiglianza con il flusso reale. Ciò avviene perché il paesaggio della funzione di perdita contiene un bacino poco profondo a quantità di moto zero dal quale è difficile per gli ottimizzatori standard uscire senza una guida esterna.

Metodologia
Gli autori propongono FVM-PINN Guidato dai Dati, un framework che sostituisce il residuo standard della PDE nella forma forte con una perdita del Metodo dei Volumi Finiti (FVM) differenziabile e ben bilanciata, valutata su mesh non strutturate.

• Equazioni Governative e Discretizzazione: Il framework utilizza la forma perturbata delle SWE 2D ($Q = [\xi, uh, vh]$), dove $\xi$ è la perturbazione della superficie libera. Questa formulazione garantisce che la proprietà di bilanciamento (preservazione degli stati di lago a riposo) sia un'identità algebrica. La perdita FVM è costruita utilizzando un risolutore di Riemann approssimato di Roe differenziabile (Rogers et al., 2003; Liu & Song, 2025) su mesh non strutturate, imponendo leggi di conservazione integrali piuttosto che residui puntuali.
• Funzione di Perdita: La perdita totale combina quattro termini:
  1. Perdita FVM-PINN ($L_{fvm-pinn}$): Il residuo cella-per-cella del sistema FVM semi-discreto, che impone conservazione e upwinding tramite il flusso di Roe.
  2. Perdite per Condizioni al Contorno/Iniziali ($L_{BC}, L_{IC}$): Penalità morbide per i valori al contorno e gli stati iniziali.
  3. Perdita Dati ($L_{data}$): Un errore quadratico medio ponderato tra le previsioni della rete e i dati osservativi o di riferimento (ad esempio, misurazioni di velocità sparse o snapshot densi da un solver calibrato come SRH-2D).
• Scalabilità: Per gestire simulazioni a lungo termine, il framework impiega una decomposizione sequenziale delle finestre temporali. L'intervallo di simulazione è suddiviso in sottointervalli dove lo stato terminale di una finestra funge da condizione iniziale per la successiva, convertendo un problema a lungo orizzonte in una catena di problemi a breve orizzonte ben condizionati.
• Addestramento: La rete viene addestrata utilizzando un protocollo a due fasi (Adam seguito da L-BFGS) per minimizzare la perdita combinata.

Contributi Chiave

1. Perdita FVM Differenziabile su Mesh Non Strutturate: Il lavoro introduce una perdita basata sul risolutore di Riemann di Roe differenziabile e ben bilanciata che opera nativamente su mesh non strutturate, colmando un vuoto lasciato dai precedenti metodi FVM-PINN, che erano limitati a griglie strutturate o sistemi 1D.
2. Diagnosi del Fallimento Solo-Fisica: Il documento diagnostica quantitativamente una modalità di fallimento strutturale in cui l'addestramento solo-fisica converge a uno stato banale a bassa quantità di moto. Una diagnostica del paesaggio della perdita rivela che la perdita FVM a quantità di moto zero è solo $\sim7\times$ più alta rispetto alla soluzione reale, creando un bacino poco profondo. Al contrario, l'aggiunta di una guida dati crea una separazione di $\sim310\times$, rompendo efficacemente la degenerazione.
3. Guida Dati come Necessità: Lo studio dimostra che la guida dati non è meramente opzionale ma essenziale per la convergenza su problemi 2D realistici. Anche misurazioni sparse (ad esempio, 200 punti di velocità casuali) sono sufficienti per guidare l'ottimizzatore fuori dal bacino banale e raggiungere soluzioni accurate.
4. Decomposizione del Contributo: Attraverso studi di ablazione, gli autori isolano il contributo della perdita FVM-PINN. Essi rilevano che essa agisce come un regolarizzatore cruciale nei regimi a dati sparsi (riducendo l'errore di velocità di $\sim23\%$), ma diventa essenzialmente neutrale quando sono disponibili dati di riferimento densi, poiché la perdita dati fornisce già i segnali gradiente necessari.

Risultati

• Benchmark 1D Rottura di Digama & 2D Ostruzione: Il framework cattura con successo ventagli di rarefazione, onde di contatto e salti idraulici nei benchmark 1D e 2D, superando l'addestramento solo-fisica che fallisce nel convergere allo stato stazionario corretto nel caso 2D con ostruzione.
• Ablazione Blocco nel Canale (Caso 3):
  • Fallimento Solo-Fisica: Senza dati, la rete produce una profondità uniforme e velocità vicina allo zero ($L_2(|u|) \approx 0.166$).
  • Successo con Dati Sparsi: Aggiungendo solo 200 misurazioni casuali di velocità, l'errore di velocità si riduce di 22$\times$ ($L_2(|u|) \approx 7.67 \times 10^{-3}$). Anche 50 misurazioni producono una riduzione di 7$\times$.
  • Contributo FVM: Nel regime a dati sparsi, la perdita FVM migliora significativamente l'accuratezza; nei regimi densi, il suo contributo marginale svanisce.
  • Robustezza al Rumore: Il framework rimane robusto a un rumore gaussiano del 5% nei dati sparsi, sebbene l'errore aumenti di $\sim50\%$.
• Applicazione al Fiume Savannah (Caso 4):
  • Applicato a un tratto fluviale di 1 km con 1.306 celle non strutturate e batimetria complessa.
  • Finestramento Temporale: L'uso di 10 finestre temporali ha ridotto l'errore di profondità dell'acqua ($L_2(h)$) in modo monotono da 0,075 (rete singola) a 0,045, guidato dal passaggio progressivo delle condizioni iniziali.
  • Insegnante FVM: Un solver FVM in-loop utilizzato come "insegnante" per generare snapshot di addestramento si è rivelato fattibile e comparabile all'uso di dati di riferimento esterni SRH-2D, offrendo un'alternativa autonoma per impostazioni operative.
  • Limitazione Dati Sparsi: Sul fiume reale, i soli dati sparsi (200 punti al tempo finale) sono stati insufficienti a vincolare il percorso transitorio da un avvio a freddo, evidenziando la necessità di dati multi-snapshot densi per simulazioni reali a lunga durata.

Significato e Affermazioni
Il documento afferma di riscrivere la narrazione dell'apprendimento informato dalla fisica per le SWE: la perdita FVM-PINN non è una soluzione autonoma ma un prior strutturale complementare che è più prezioso nel regime a dati sparsi. La scoperta principale è che per problemi SWE 2D realistici su mesh non strutturate, la guida dati è essenziale per rompere la degenerazione del paesaggio della perdita e prevenire il collasso verso soluzioni banali. Il framework dimostra che una perdita differenziabile che impone la conservazione, combinata con dati sparsi o densi, può costruire surrogati neurali accurati per problemi idrodinamici complessi, abilitando inferenze rapide, analisi di sensibilità e problemi inversi dove i solver tradizionali sono troppo lenti o mancano di differenziabilità. Gli autori posizionano questo lavoro come un passo verso componenti differenziabili dei sistemi terrestri capaci di assimilazione di dati d'insieme e quantificazione dell'incertezza.