ФИЗИЧЕСКИ ОГРАНИЧЕННОЕ ГЛУБОКОЕ ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ ДЛЯ АДАПТИВНОГО ОПТИМАЛЬНОГО УПРАВЛЕНИЯ НЕСТАЦИОНАРНЫМ ТЕЧЕНИЕМ В КРУПНЫХ ИРРИГАЦИОННЫХ КАНАЛАХ
Получена: 2026-07-15 14:05:56
Опубликована: 2026-04-18
Аннотация
Эффективное управление водными ресурсами в крупных ирригационных каналах является важным условием устойчивого сельскохозяйственного производства. Однако управление водным потоком в протяжённых ирригационных сетях осложняется нелинейной гидравлической динамикой, временными задержками и внешними возмущениями. В данной работе предлагается метод адаптивного оптимального управления нестационарным течением в ирригационных каналах на основе физически ограниченного глубокого обучения с подкреплением. Предложенный подход объединяет гидравлические знания, полученные из уравнений Сен-Венана, с методами обучения с подкреплением для обеспечения физически корректных управляющих решений. Для обучения интеллектуального агента, управляющего работой гидротехнических затворов, используется имитационная модель динамики канала. Процесс обучения ограничивается
гидравлическими уравнениями, что обеспечивает реалистичное и устойчивое поведение системы. Полученные результаты показывают, что предложенный подход повышает точность регулирования расхода воды и адаптивность системы при изменяющихся условиях эксплуатации.
Ключевые слова
Список литературы
-
Chow V. T. Open-Channel Hydraulics. New York: McGraw-Hill, 1959.
-
Cunge J. A., Holly F. M., Verwey A. Practical Aspects of Computational River Hydraulics. London: Pitman Publishing, 1980.
-
Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. 2nd ed. Cambridge: MIT Press, 2018.
-
Raissi M., Perdikaris P., Karniadakis G. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 2019, Vol. 378, pp. 686–707.
-
Todini E. A mass conservative and water storage consistent variable parameter Muskingum– Cunge approach. Hydrology and Earth System Sciences, 2007, Vol. 11, pp. 1645–1659.
-
Belleflamme M., Dewals B., Erpicum S., Pirotton M. Automatic control of irrigation canals: A review. Irrigation and Drainage Systems, 2013, Vol. 27, pp. 125–143.
-
Dulac-Arnold G., Evans R., van Hasselt H., et al. Deep reinforcement learning in large discrete action spaces. Proceedings of the AAAI Conference on Artificial Intelligence, 2016.
-
Silver D., Lever G., Heess N., et al. Deterministic policy gradient algorithms. Proceedings of the International Conference on Machine Learning (ICML), 2014.
-
Lillicrap T. P., Hunt J. J., Pritzel A., et al. Continuous control with deep reinforcement learning. International Conference on Learning Representations (ICLR), 2016.
-
Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, 2016.
-
Bertsekas D. P. Dynamic Programming and Optimal Control. Belmont: Athena Scientific, 2012.
-
Gupta H., Shukla S. Artificial intelligence approaches for water resources management: A review. Environmental Modelling & Software, 2020, Vol. 128.
Об авторах
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Как цитировать
