Εφαρμογή νευρωνικών δικτύων καθοδηγούμενων από τη φυσική για μοντελοποίηση διάδοσης δασικής πυρκαγιάς
Loading...
Date
2026-07-08
Authors
Παξιμάδης, Θεόφραστος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή και την επίδοση των Physics-Informed Neural Networks (PINNs) στο πρόβλημα της πρόβλεψης και εκτίμησης της διάδοσης των δασικών πυρκαγιών. Πιο συγκεκριμένα, τα PINNs καλούνται να επιλύσουν δύο ειδών προβλήματα:i) ευθύ (forward) προβλήματα, δοκιμάζοντας τη δυνατότητα τους να κάνουν επιτυχής προβλέψεις σχετικά με τη εξάπλωση της πυρκαγιάς, της θερμοκρασίας και της καύσιμης ύλης που
καταναλώνει η πυρκαγιά, ii) αντίστροφα (inverse) προβλήματα, όπου ζητείται από τα PINNs ναεκτιμήσουν τις άγνωστες παραμέτρους που επηρεάζουν την εξέλιξη της φωτιάς. Το μοντέλοτου οποίου το σύστημα των μερικών διαφορικών εξισώσεων ενσωματώνεται στο νευρωνικόδίκτυο, και παράλληλα χρησιμοποιείται και για τη δημιουργία των προσομοιώσεων των πυρκαγιών, είναι εμπνευσμένο από το αδιάστατο μοντέλο των Mandel et al., το οποίο περιγράφει
τη χρονική εξέλιξη της θερμοκρασίας και του καυσίμου κατά τη διάρκεια της πυρκαγιάς.Συνολικά, σε αυτή την εργασία υλοποιούνται τέσσερις παραλλαγές των PINN, το βασικό μοντέλο και άλλες τρεις επεκτάσεις του που χρησιμοποιούν διαφορετικές παραμέτρους, οιοποίες αφορούν την διάδοση της πυρκαγιάς ανάλογα με το χώρο. Η πρώτη επέκταση, πουονομάζεται Multi-Variable PINN, χρησιμοποιεί διαφορετικές τιμές για τις παραμέτρους απώλειας θερμότητας και κατανάλωσης καυσίμου της πυρκαγιάς. Το Multi-Diffusion PINN αποτελεί την δεύτερη επέκταση, η οποία επιτρέπει την χρήση διαφορετικών βαρών διάχυσηςτης πυρκαγιάς ανάλογα την περιοχή στην οποία εξελίσσεται, ενώ η τελευταία επέκταση αποκαλείται Multi-Variable & Diffusion, και συνδυάζει τις δύο παραπάνω παραλλαγές. Για κάθε μία παραλλαγή εξετάζεται τόσο το ευθύ πρόβλημα, δηλαδή η πρόβλεψη πεδίων θερμοκρασίας και καυσίμου, όσο και το αντίστροφο, ελέγχοντας τη δυνατότητα της εκτίμησης των άγνωστων παραμέτρων του μοντέλου από τα συνθετικά δεδομένα από τα PINNs. Τα αποτελέσματα δείχνουν ότι τα PINNs μπορούν να προσεγγίσουν με σημαντική ακρίβεια τόσο τη λύση των εξισώσεων στο ευθύ πρόβλημα, όσο και την εκτίμηση των παραμέτρων που αφορούν την διάδοση της πυρκαγιάς στο αντίστροφο πρόβλημα. Ειδικότερα, στο αντίστροφο πρόβλημα αντιμετωπίζονται γενικότερα μεγαλύτερες δυσκολίες αλλα ταυτόχρονα και περισσότερο επιστημονικό ενδιαφέρον, καθώς η ακριβής προσσέγιση των παραμέτρων μπορεί να οδηγήσει στην επίλυση σοβαρών ζητημάτων όπως η πρόληψη και η αντιμετώπιση επικίνδυνων πυρκαγιών.
Description
Keywords
Δασικές πυρκαγιές, Ευθύ πρόβλημα πρόβλεψης, Αντίστροφο πρόβλημα πρόβλεψης, Μερικές διαφορικές εξισώσεις, Εκτίμηση παραμέτρων, Διάδοση πυρκαγιάς