Collocation-based Robust Physics Informed Neural Networks for time-dependent simulations of pollution propagation under thermal inversion conditions on Spitsbergen

Technische Samenvatting: Collocation-based Robust Physics Informed Neural Networks voor de simulatie van vervuilingsverspreiding onder thermische inversie op Spitsbergen

1. Probleemstelling

Het onderzoek richt zich op de verspreiding van luchtvervuiling (met name fijnstof en stikstofdioxide) veroorzaakt door bewegende bronnen, zoals sneeuwscooters, in de vallei van Longyearbyen op Spitsbergen. Een cruciaal meteorologisch fenomeen in dit gebied is thermische inversie: een situatie waarbij warme lucht boven koude lucht ligt, waardoor de verticale menging wordt geblokkeerd. Dit zorgt ervoor dat vervuilende stoffen dicht bij de grond gevangen blijven, wat de lokale luchtkwaliteit drastisch verslechtert en gezondheidsrisico's voor de bewoners vergroot. Het modelleren van dit proces vereist het oplossen van complexe, tijdafhankelijke advectie-diffusievergelijkingen.

2. Methodologie

De auteurs introduceren een nieuw computationeel raamwerk genaamd CRVPINN (Collocation-based Robust Variational Physics Informed Neural Network). De methodologie is opgebouwd uit drie belangrijke stappen:

• Van PINN naar VPINN: Traditionele Physics-Informed Neural Networks (PINN's) minimaliseren de residuen van de sterke vorm van een differentiaalvergelijking. De auteurs transformeren dit naar een variationale (zwakke) formulering (VPINN). Dit omvat een verschuiving (shift) van de initiële randvoorwaarden om een stabieler wiskundig probleem te creëren.
• Robuustheid via de Riesz-representant: Een groot probleem bij standaard VPINN's is dat de verliesfunctie (loss function) niet direct gerelateerd is aan de werkelijke fout van de oplossing. De auteurs implementeren een robuuste verliesfunctie die gebruikmaakt van de inverse van de Gram-matrix ($G^{-1}$). Hierdoor wordt bewezen dat de minimalisatie van de verliesfunctie wiskundig equivalent is aan het minimaliseren van de werkelijke fout in de $H^1$-norm.
• Collocatie-strategie: Om de computationele kosten van zware driedimensionale integraties te vermijden, introduceren ze een collocatie-methode. Hierbij wordt de continue ruimte vervangen door een discreet rooster van punten, waarbij eindige-verschillen-operatoren worden gebruikt om de zwakke vorm te benaderen. Dit versnelt het trainingsproces van het neurale netwerk aanzienlijk.

3. Belangrijkste Bijdragen

• Nieuw Algoritme: De ontwikkeling van de CRVPINN-methode, de eerste toepassing van een robuuste variatieve PINN op niet-stationaire (tijdafhankelijke) problemen.
• Wiskundige Onderbouwing: Het leveren van bewijzen voor de begrensdheid en de inf-sup stabiliteit van de discrete zwakke formulering, wat garandeert dat de simulatie betrouwbaar is.
• Integratie van Veldmetingen: De koppeling van geavanceerde numerieke simulaties met real-time data verzameld via mobiele Airly-sensoren op sneeuwscooters.

4. Resultaten

• Simulatie-accuratesse: De CRVPINN-methode vertoonde superieure convergentie. Terwijl de standaard PINN-loss een lage waarde bereikte zonder directe garantie op nauwkeurigheid, bood de CRVPINN-loss een directe schatting van de numerieke fout (een foutmarge van $\approx 0,07$ in de $H^1$-norm).
• Bevestiging van het Inversie-effect: De simulaties bevestigden dat vervuiling door sneeuwscooters door de thermische inversie niet kan wegstromen, maar zich ophoopt in de vallei.
• Validatie door Metingen: De in-situ metingen bevestigden de simulaties. Tijdens acceleratie van sneeuwscooters werden extreme pieken in $NO_2$ (tot $40 \mu g/m^3$) en fijnstof ($PM_{2.5}$ en $PM_{10}$ tot $250 \mu g/m^3$) gemeten. Ook stationaire metingen in Longyearbyen lieten waarden zien die de EU-normen en doelstellingen overschreden.

5. Betekenis en Implicaties

Dit werk is van groot belang voor zowel de computationele wetenschap als de milieukunde. Voor de wetenschap biedt het een robuust, efficiënt en wiskundig gegarandeerd raamwerk voor het oplossen van complexe natuurkundige problemen met neurale netwerken. Voor de milieubeheer en volksgezondheid biedt het een krachtig instrument om de impact van toerisme (sneeuwscooterverkeer) en meteorologische omstandigheden op de luchtkwaliteit in kwetsbare arctische gebieden te voorspellen en te monitoren.