Physics-guided spatiotemporal neural models for fuel density prediction

📄 arXiv: 2607.06999v1 📥 PDF

作者: Tolga Caglar, Jaynil Jaiswal, Saqib Azim, Yudhir Gala, Mai H. Nguyen, Ilkay Altintas

分类: cs.LG, cs.AI

发布日期: 2026-07-08

备注: to be published in IEEEXplore

💡 一句话要点

提出物理引导的时空神经模型以预测燃料密度

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱八：物理动画 (Physics-based Animation)

关键词: 物理引导 燃料密度预测 深度学习 时空模型 火灾预测 机器学习 模型稳定性

📋 核心要点

  1. 现有方法在燃料密度预测中缺乏物理约束，导致模型准确性和稳定性不足。
  2. 论文提出的PGML框架通过整合物理约束和领域知识，提升了深度学习模型的性能。
  3. 实验结果显示，PGML框架在多个独立试验中优于传统数据驱动方法，提升了预测的准确性和稳定性。

📝 摘要（中文）

本文提出了一种物理引导的机器学习（PGML）框架，用于燃料密度预测，将物理约束和领域知识整合到深度学习模型中，以提高模型的准确性和稳定性。我们探索了三种深度学习架构——ConvLSTM、自适应傅里叶神经算子（AFNONet）和视频视觉变换器（ViViT），以建模燃料密度的时空演变。我们的方法在损失函数中纳入了可微分的物理信息项，包括质量守恒的燃料运输项和扩散速率估计。实验结果表明，所提出的PGML框架在准确性和稳定性上均优于没有物理约束的纯数据驱动基线。这一框架支持计算高效、物理合理的火灾预测，以促进适应性预定燃烧管理。

🔬 方法详解

问题定义：本文旨在解决燃料密度预测中的准确性和稳定性问题。现有方法往往依赖于数据驱动，缺乏物理约束，导致模型在复杂环境下表现不佳。

核心思路：论文的核心思路是将物理约束融入深度学习模型，通过物理引导的损失函数提高模型的预测能力和稳定性。这种设计使得模型不仅依赖于数据，还能遵循物理规律。

技术框架：PGML框架包括三个主要模块：数据预处理、模型训练和预测。我们使用ConvLSTM、AFNONet和ViViT三种架构，结合物理信息项进行训练。

关键创新：最重要的技术创新在于将可微分的物理信息项纳入损失函数中，包括质量守恒的燃料运输项和扩散速率估计。这一设计使得模型在预测时能够遵循物理规律，显著提升了性能。

关键设计：在损失函数中，加入了物理约束项，以确保模型在训练过程中考虑物理规律。此外，网络结构的选择和参数设置经过精心设计，以适应时空数据的特性。具体的损失函数设计和网络架构细节在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，PGML框架在多个独立试验中表现优异，相较于没有物理约束的基线模型，准确性和稳定性均有显著提升，具体提升幅度未知，展示了物理引导方法在燃料密度预测中的有效性。

🎯 应用场景

该研究的潜在应用领域包括火灾预测、环境监测和资源管理等。通过提供更准确的燃料密度预测，能够支持适应性预定燃烧管理，减少火灾风险，保护生态环境，具有重要的实际价值和未来影响。

📄 摘要（原文）

This paper presents a physics-guided machine learning (PGML) framework for fuel density prediction, integrating physics constraints and domain knowledge into deep learning models to enhance model accuracy and stability. We explore three deep learning architectures -- ConvLSTM, Adaptive Fourier Neural Operator (AFNONet), and Video Vision Transformer (ViViT) -- to model the spatiotemporal evolution of fuel density. Our approach incorporates differentiable physics-informed terms in the loss function, including a mass-conserving fuel transport term and a rate-of-spread estimation. Experimental results, averaged across multiple independent trials, demonstrate that the proposed PGML framework outperforms purely data-driven baselines without physics constraints in both accuracy and stability. This framework enables computationally efficient, physically plausible fire forecasting to support adaptive prescribed burn management.