基于条件设计的贝叶斯物理信息神经网络用于污染物运移的概率逆建模

摘要

研究者提出条件设计贝叶斯物理信息神经网络（CoDe-BPINN），将区域分解的PINN求解器与贝叶斯推断网络结合，用于从稀疏观测中推断非均质多孔介质中反应性运移的未知参数。通过最大化物理信息证据下界（ELBO），该框架可同时重建时空浓度场、进行参数概率估计和不确定性量化。在含碘造影剂的多层多孔柱污染物运移实验中，模型准确再现突破动态，并揭示有效吸附容量随流速和孔隙度增加呈非线性下降，与动力学限制和吸附剂质量减少一致。贝叶斯机制还发现吸附亲和力与吸附容量之间存在强负相关，量化了该逆问题内在的不可辨识性。