研究人员开发了一种新颖的物理信息神经网络（PINN）框架，用于模拟污染物通过复合衬垫的传输。该框架，特别是硬约束PINN（H-PINN）变体，与标准PINN相比，在预测污染物浓度方面显著提高了准确性和稳定性。H-PINN在逆向建模方面也显示出有效性，能够从有限的观测数据中成功识别降解半衰期。 AI
影响 这项研究引入了一种更准确的污染物传输建模方法，有望改进环境工程和风险评估。
排序理由 这是一篇详细介绍新建模技术的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2606.04392v1 Announce Type: cross Abstract: This study develops a two-domain physics-informed neural network framework for contaminant transport through a GCL/SL composite liner system, in which the thin GCL layer is treated using a steady-state advection-dispersion-biodegr…