非定常地下水流解析に向けた PINNs の学習戦略およびPINN-GCNs の基礎的検討
キーワード:
Physics-Informed Neural Networks,
Adaptive Sampling,
Causal Gate,
Graph Convolutional Neural Network,
Groundwater
2026 年 7 巻 1 号 p. 96-115
詳細
2026 年 7 巻 1 号 p. 96-115
本研究では非定常地下水流解析に向けた PINNs における学習手法およびネットワーク構造の有効性の検討を行う．学習手法として Causal Gate を用いた因果的学習法，損失項の動的な重みづけ法，Adaptive Sampling の３つに注目し，それらの個別，および組み合わせの効果を検討した．ネットワーク構造の検討では多層パーセプトロンベースの PINNs（PINN-MLP）とグラフニューラルネットワークベースの PINNs (PINN-GCN)の比較を行なった．本研究により損失項の動的な重みづけ，因果的学習法の組み合わせの有効性が示された．また，最適な学習手法での比較により，学習の安定性および推定精度の面から PINN-GCNに対するPINN-MLP の有効性が示された．また，適切な学習戦略とネットワーク構造の選択により，限られた観測の仮定（およそ 1km 四方の領域に対して，空間的に 5 点，時間的に 49 点）のもと，PINNs は良好な推定精度を示した．
