Estimación basada en gradientes del coeficiente de fricción de Manning de datos

ruidosos

La aproximación de onda difusiva (DSW) de las ecuaciones de aguas someras (SWE) se

usa a menudo para modelar los flujos terrestres. como inundaciones, roturas de presas
y flujos a través de áreas con vegetación [1–3]. El resultado de SWE del sistema
completo Navier-Stokes con el supuesto de que las escalas de momento vertical son
pequeñas en relación con las del momento horizontal. Esta El supuesto reduce la
ecuación del momento vertical a una relación de presión hidrostática, que se integra en
la vertical Dirección para llegar a un sistema bidimensional conocido como SWE. El
DSW simplifica aún más el SWE asumiendo que El impulso horizontal se puede vincular
a la altura del agua mediante una fórmula empírica, como la fórmula de Manning
(también conocida como la fórmula de Gauckler-Manning [4]) [5,6]. El DSW es una
ecuación parabólica escalar que se asemeja a la difusión no lineal. El DSW da lugar al
siguiente problema de valor inicial / límite para la altura del agua u

donde Ω es un dominio delimitado abierto en Rd (d = 1, 2), y ΓN y ΓD son subconjuntos

separados del límite Γ = ∂Ω tal que Γ = ΓN ∪ ΓD. La función de forzamiento (por ejemplo,
la lluvia que actúa como fuente o la infiltración que actúa como sumidero) f: Ω × (0, T] →
R,

la condición inicial u0: Ω → R, y las condiciones de los límites de Neumann y Dirichlet h:

ΓN × (0, T] → R y g: ΓD × (0, T] → R se dan. El coeficiente de difusión k (u, ∇u) viene
dado por

donde z: Ω: → R + es una función independiente de tiempo no negativa que representa

las medidas batimétricas o topográficas Disponible para la región bajo análisis. Los
parámetros γ y α satisfacen 0 <γ ≤ 1 y 1 <α <2. Siguiendo La fórmula de Manning [7],
establecemos estos parámetros en γ = 1 2 y α = 53 . La función cf (o
equivalentemente df = 1 cf ) representaEl coeficiente de rugosidad de Manning,
también conocido como coeficiente de fricción. Los valores típicos están disponibles en
la literatura [8,9]. Nos referimos a [10,7] para análisis matemáticos recientes y a [7,11]
para algoritmos numéricos eficientes. En la práctica, el coeficiente de Manning cf es un
coeficiente derivado empíricamente, e históricamente se esperaba que fuera constante
y una función de la rugosidad solamente. Ahora se acepta ampliamente que los valores
de los coeficientes cf son solo constantes dentro de cierto rango de caudales, y
depende en gran medida de muchos factores, como la rugosidad de la superficie, la
sinuosidad y el alcance del flujo. losLa presencia de múltiples factores de influencia
hace que la medición directa de los valores del coeficiente sea menos confiable y el
uso. Un coeficiente de un solo valor también limita en gran medida la utilidad práctica
del modelo DSW para capturar con fidelidad información importante. Características
físicas de flujos de canales abiertos reales, para los cuales es necesario un coeficiente
que varía espacialmente debido a distintas características físicas. Características de las
diferentes regiones. En este estudio, proponemos estimar el coeficiente de dotación
distribuido directamente de las mediciones de la altura del agua usando técnicas de
inversión, es decir, que formulan un problema inverso para identificar el coeficiente de
fricción cf a partir de mediciones de La altura del agua adquirida por sensores e
imágenes infrarrojas. En comparación con la medición directa, el enfoque propuesto no
requiere un conocimiento de las propiedades físicas del medio ambiente terrestre, lo
que puede ser difícil directamente Incorporar, y además, puede manejar naturalmente
coeficientes que varían espacialmente. Por lo tanto, una estimación confiable y
eficiente de se espera que este coeficiente amplíe enormemente el alcance del modelo
DSW y facilite la simulación en tiempo real del flujo,
que es de gran importancia en varias aplicaciones, por ejemplo, predicción de
inundaciones y evaluación de riesgos de inundaciones. El objetivo del presente estudio
es proponer un algoritmo de inversión y demostrar su viabilidad en los datos de
simulación para Modelos unidimensionales.
Comentamos brevemente sobre estudios relevantes sobre el problema inverso. Debido
a su significado práctico concebido, ha recibido Alguna atención en la literatura
[12,13]. Por ejemplo, Ding et al. [12] estimó el coeficiente de Manning en el SWE
dentro de la marco variacional utilizando el método de memoria limitada cuasi-Newton,
y comparó su rendimiento con varios otros Algoritmos de optimización. Sin embargo,
estos trabajos han considerado solo la situación de recuperar algunos parámetros (con
un máximo tres), en lugar de estimar un coeficiente de Manning distribuido como aquí.
Si el número de incógnitas es pequeño, el
La mala naturaleza del problema no evidencia directamente. Por lo tanto, el presente
trabajo representa un paso no trivial hacia La importante tarea de estimar los
coeficientes de rugosidad distribuidos de Manning.

2. Linealización del mapa delantero.

En esta sección describimos la linealización del mapa hacia adelante F: df → u (df),

donde u (df) denota la solución parasistema (1). La linealización es necesaria para
resolver el problema directo (con un método de predictor-corrector) y el inverso
problema (problemas adjuntos y de sensibilidad, ver Sección 3). Por lo tanto, su
derivación es de interés independiente. En orden para hacer que la presentación sea
accesible, elegimos derivar el operador derivado informalmente. Una derivación
rigurosa puede ser encontrado en el Apéndice A.
La forma bilineal de problema (1) es

La débil formulación del problema dice: Para casi todos t (0, T], encuentre u con la condición de
límite de Dirichlet dada y datos iniciales u (0) = u0 tal que

donde V es un espacio de función apropiado [7]. Buscaremos el derivado de Gâteaux de la forma

bilineal B en u, es decir, d dϵ B (u + ϵv, w) | ϵ = 0. Nuestro objetivo es derivar un explícito. Fórmula
para facilitar nuevos desarrollos. Procedemos de la siguiente manera. De la regla del producto para
la diferenciación se desprende que

donde los términos I y II están respectivamente dados por

Aquí la segunda línea sigue de la relación | ∇u | = √ ∇u · ∇u = (∇u · ∇u) 1 2 que implica

En consecuencia, al combinar todas estas identidades, llegamos a la siguiente fórmula

donde I es el operador de identidad y el campo vectorial ˜η = ∇u | ∇u | Es el campo de

vector gradiente normalizado. El valor de la matriz. la función ˜η ⊗ ˜η representa un
operador de proyección en la dirección del gradiente ˜η. De ahí, la estructura del
segundo término. indica que, para el problema linealizado, la difusión a lo largo de la
dirección del gradiente se atenúa en 1 - γ, mientras que El componente tangencial no
se ve afectado. Para simplificar la notación denotamos este tensor de difusión
atenuado como

Mientras tanto, el problema linealizado tiene un término de convección (el tercer término), como
consecuencia del término no lineal que implica u Estos términos estructurales se relacionan con la
física subyacente del modelo. Se sigue directamente de la definición del derivado de Gâteaux, es
decir, que se denota por v = u ′ (df) d ∈ V y caracteriza la perturbación de u (df) causada por una
pequeña perturbación del coeficiente df en la dirección d en que (en débil formulación) satisface

y la condición inicial es v (0) = 0, ya que los datos iniciales no se ven afectados por una
perturbación del coeficiente de fricción.

3. Algoritmo de inversión

Ahora pasamos al problema inverso de reconstruir el coeficiente df a partir de las mediciones de

alturas de agua. Como un Como regla general, el problema inverso está mal planteado en el
sentido de que pequeñas perturbaciones en los datos pueden llevar a grandes cambios en la
solución. Por lo tanto, adoptamos una estrategia de regularización incorporando un término de
penalización en el costo funcional, siguiendo la idea pionera de Tikhonov y Arsenin [14]. Más
precisamente, consideramos funcional la siguiente inadaptación penalizada.

donde el escalar δ es el parámetro de regularización, y g denota las medidas ruidosas

de la altura del agua u (df). Con modificaciones menores, el algoritmo que se describe
a continuación también se puede aplicar a otras mediciones, por ejemplo, altura del
agua En el límite o dispersos en el dominio. El término ∥∇df ∥2L
2 (Ω) impone la suavidad en el coeficiente buscado, y Con ello se restaura la
estabilidad numérica necesaria para los cómputos prácticos. Para minimizar
numéricamente lo funcional, nosotros Adoptar el método del gradiente conjugado. El
método es del tipo de pendiente de gradiente, y solo requiere evaluar el gradiente
de la funcional J (df) en cada paso. Observamos que el método de gradiente conjugado
se ha aplicado con éxito a una amplia variedad de problemas prácticos e inversos,
como la transferencia de calor y la mecánica; Véase, por ejemplo, [15,16] y sus
referencias para detalles. Para derivar una fórmula de gradiente computacionalmente
eficiente, primero notamos que, dada una dirección (de descenso) d, el término
inadaptado en el J funcional se puede aproximar utilizando una expansión de Taylor e
ignorando los términos de orden superior.

La aproximación es razonable si la magnitud de la dirección d es pequeña. La última fórmula se

puede simplificar aún más con la ayuda del problema adjunto para p, que en forma débil lee

Junto con la condición terminal p (T) = 0. Recuerde la formulación débil del problema de
sensibilidad v = u ′ (df) d, es decir,

Junto con la condición inicial v (0) = 0. Al configurar la función de prueba w = u ′ (df) d andw = p en
las formulaciones débiles para p y u ′ (df) d, respectivamente, llegamos a

donde la última identidad se sigue de la condición inicial para u ′ (df) d y la condición terminal para
p. Esta relación produce el siguiente fórmula de gradiente conciso de la J funcional (df)

Notamos que este gradiente J ′ (df) no es apropiado para actualizar el coeficiente df directamente
debido a su falta de regularidad deseada. El gradiente consistente de la función con respecto a H1
(Ω), denotado por J ′ s (df), se puede calcular como

Con una condición límite homogénea de Neumann. Ahora podemos dar una descripción
completa del método de gradiente conjugado resumido en el algoritmo 1. En el
algoritmo, uno tiene la libertad de elegir el coeficiente conjugado βk y el tamaño de
paso θk. Hay varias opciones viables de la coeficiente conjugado [17]. Fletcher –
Reeves sugiere una opción popular, que lee

con la convención β0 = 0, y luego actualice la dirección conjugada dk con

En general, la selección del tamaño de paso es de importancia crucial para el rendimiento del
algoritmo. Hemos optado por la siguiendo la regla simple. Mediante una expansión de Taylor de la
función objetivo J (dkf - θdk), con la solución delantera. tu (dkf - θdk) linealizado alrededor de dkf ,
llegamos a la siguiente fórmula aproximada para determinar un paso apropiado tamaño θk
razonablemente bien en la práctica [16]. Reglas de selección de tamaño de paso
avanzadas, como la regla de Barzilai-Borwein con retroceso, También se puede adoptar
para mejorar aún más el rendimiento. El algoritmo termina si el tamaño del paso
seleccionado cae por debajo 1.0 × 10−3. En general, cada paso de la iteración invoca
tres soluciones hacia adelante: la solución hacia adelante (no lineal) para calcular la
map u (df), la resolución adjunta (lineal) para calcular la p adjunta (df) y, por
consiguiente, el gradiente J ′ (df) y la (lineal)
Resolver la sensibilidad para seleccionar el tamaño de paso θ. El esfuerzo
computacional adicional para calcular el gradiente suavizado J ′ s (df) es marginal en
comparación con otros pasos debido a su estructura simple.

4. Experimentos numéricos y discusiones.

Aquí presentamos algunos resultados numéricos para ejemplos unidimensionales para
ilustrar la viabilidad de la propuesta Técnica de inversión. El problema directo se
discretiza utilizando elementos finitos lineales por partes en el espacio y en general
Método α en el tiempo (detallado en el Apéndice B). Los problemas adjuntos y de
sensibilidad se resuelven con el generalizado-α método. El dominio espacial Ω = [−2,
2], y el tamaño de malla h es 14 . El intervalo de tiempo es  0, 12  , y el tamaño de
paso de tiempo es 1 40. Esta malla se usó para generar los datos exactos y se usó en
el paso de inversión (es decir, problema adjunto y sensibilidad).
problema). Notamos que también experimentamos con el uso de una malla más fina
para generar los datos exactos y las reconstrucciones Son identicos. Además, tanto la
solución directa u (df) como el coeficiente df están representados en esta malla. La
conjetura inicial para el coeficiente es df = 1. Los datos ruidosos g se generan
puntualmente como

donde ε es el nivel de ruido relativo, y la variable aleatoria (ruido) ζ sigue una

distribución gaussiana estándar. La elección El parámetro de regularización δ es crucial
en cualquier estrategia de regularización [14]. Se han realizado estudios intensivos
sobre su elección apropiada que ha conducido a reglas sistemáticas y rigurosas para
elegir un valor apropiado; ver [18,19] para Avances recientes. Sin embargo, en este
estudio preliminar, hemos optado por el enfoque convencional de prueba y error.
Consideramos tres ejemplos: uno con un coeficiente uniforme y dos con un coeficiente
discontinuo. En primer lugar, consideramos La recuperación de un coeficiente continuo.

EJEMPLO 1. El problema hacia adelante tiene una condición de contorno de Neumann

homogénea, y la condición inicial u0 es u0=

La Fig. 1 (a) y la Tabla 1 muestran los resultados numéricos del Ejemplo 1, donde e es
el error relativo de una aproximación df, definido como Las
reconstrucciones concuerdan razonablemente con el coeficiente exacto dĎ F Para hasta
un 2% de ruido en los datos. Por lo tanto, el método propuesto es estable y preciso.
Tomamos nota de que la aproximación cerca de la El límite parece menos preciso en
comparación con otras regiones. El error e disminuye a medida que el nivel de ruido ϵ
disminuye a cero; ver también Tabla 1. En general, la convergencia del algoritmo de
inversión es bastante constante; ver Fig. 1 (b) y (c). Mientras que el valor funcional J
(dkf ) disminuye monótonamente a medida que avanza la iteración, la convergencia del
error e muestra un valle claro, lo que indica que una terminación prematura del
algoritmo podría resultar en reconstrucciones por debajo del óptimo. Entonces
consideramos la recuperación de un coeficiente discontinuo.
5. Observaciones finales.
Hemos presentado una técnica de inversión para estimar el coeficiente de Manning en
la aproximación de onda difusiva de Las ecuaciones de aguas poco profundas. Los
resultados muestran que el enfoque propuesto es capaz de producir una información
precisa y estable. estimación en presencia de ruido. También hemos detallado un
estudio cuidadoso de las propiedades del mapa hacia adelante, en particular,
Discutimos su continuidad y diferenciabilidad basadas en la teoría de la regularidad
máxima para problemas parabólicos. La matemática El análisis, tal como, las tasas de
convergencia y convergencia, de tal técnica de inversión queda por investigar. También
el La evaluación del método en datos reales es de gran interés.