本技术公开了基于稀疏注意力和物理嵌入的SWMM仿真模型逼近方法,属于仿真建模技术领域,通过稀疏注意力机制有效处理高维时序输入,并嵌入物理约束以确保模型逼近的物理一致性,确保输出结果符合流量守恒与污染物守恒定律,精准逼近SWMM行为;本发明方法中将SWMM的复杂仿真行为替代为高效的深度学习预测模型,显著提升计算效率并确保预测结果的可信性,适用于区域排水优化的实时仿真场景,为区域水文管理提供实时仿真支持。
背景技术
SWMM(Storm Water Management Model)是一个动态仿真工具,用于建模雨水径流、地下排水网络、河流流域及污染物迁移。其输入为区域地形与管网属性、降雨数据等,输出为时间序列的径流量、管道负载和污染物浓度。传统的SWMM基于物理方程进行求解,复杂区域计算效率低;利用深度学习模型进行仿真时,SWMM仿真模型的输入输出的时间序列和空间特征维度高,普通机器学习模型难以有效捕获关键特征,难以保证输出结果与水动力学规律一致。传统深度学习模型复杂度高,训练和预测时间长,难以满足实时仿真需求。
实现思路