用于耦合替代模型形态动力学建模的 Adaptive-Horizon Graph Neural Operator

arXiv:2610.22432v1 公告类型：交叉 摘要：形态动力学模拟需要在水动力求解器、泥沙输运模块和河床更新之间反复进行耦合。对于大规模非结构网格上的长时段、多情景模拟，这种耦合在计算上要求很高。本研究提出了 Adaptive-Horizon Graph Neural Operator（AH-GNO），将河床演化表述为图算子学习问题：基于近期的水动力状态和地形状态，预测未来的河床高程增量。该模型直接在原生非结构网格上运行。该方法融合了面积加权图学习、历史状态选择和预测时间范围估计，使有效历史长度（K）和更新间隔（B）能够随流场与河床状态的演化而变化。以 Telemac2D/GAIA 的解作为有监督数值参考，在官方 Bump 和 Yen bend 基准以及一个野外尺度应用案例（新西兰 Waiho River）上对该框架进行了评估。结果表明，AH-GNO 能够再现河床形态迁移、弯道尺度的冲刷与淤积，以及局部河床调整的主要模式。在三个案例中，经过测试的 CPU-GPU 部署将河床更新流程的训练后耗时从使用 GAIA 时的 12~1204 秒降低至使用 AH-GNO 时的 0.08~3.34 秒。相较于采用 4 核 GAIA CPU 配置，这一改进对应于约 150~360 倍的部署特定加速；相较于 20 核 CPU 配置，加速倍数为 105~186 倍。这些结果表明，在保留 TELEMAC-2D 水动力反馈的同时，用于河床更新的学习算子可以为形态动力学情景分析和快速耦合模拟提供高效的加速组件。