Physics-Informed Neural Networks

Сеть, у которой в встроены уравнения процесса: решение согласовано с физикой даже там, где данных нет.

L = измерения L_{data} + λ ∥ N [u_{θ}] ∥^{2} L_{phys}

Обозначения

$N (μ, σ^{2})$ нормальное распределение со средним μ и дисперсией σ²
$θ$ параметры модели
$λ$ сила регуляризации: штраф за сложность модели
$n$ число объектов в выборке
$L$ функция потерь — то, что минимизируется при обучении
$∥ \cdot ∥$ норма — длина вектора

Второе слагаемое штрафует нарушение уравнения; λ задаёт, чему доверять больше — датчикам или модели процесса

Ключевые тезисы

К обычной ошибке на данных добавляется невязка уравнения (Дарси, , теплопроводность) в случайных точках области.
по координатам и времени берутся автоматическим дифференцированием — сетка не нужна.
Главная выгода — работа при малом числе измерений: физика заменяет недостающие данные и не даёт модели уйти в бессмыслицу.

Какую задачу решает

На промышленных объектах данных обычно мало там, где они нужнее всего: датчиков десятки, замеры редкие, а режимы, интересующие инженера, встречаются в истории пару раз. Чисто статистическая модель в таких условиях уверенно интерполирует между точками и произвольно ведёт себя за их пределами — включая физически невозможные значения.

PINN добавляет к обучению второй источник истины. Процесс описывается дифференциальным уравнением (фильтрация Дарси, давления, теплопроводность), сеть приближает его решение, а берутся автоматическим дифференцированием. Невязка уравнения становится вторым слагаемым и штрафует решение в любой точке области — в том числе там, где нет ни одного измерения. Физика заменяет недостающие данные.

Что даёт физический член

профиля давления по четырём датчикам вдоль ствола. Обычная регрессия проводит гладкую кривую через точки — между ними профиль правдоподобен, но ни из чего не следует. PINN дополнительно штрафуется за нарушение уравнения фильтрации в сотнях случайных точек интервала, поэтому кривая обязана иметь форму, допустимую для этого уравнения при данных граничных условиях. Если позже добавить пятый датчик, он ложится на предсказание PINN куда чаще, чем на интерполяцию.

Подробный разбор

1 подтема — объяснения, формулы, примеры и интерактивные графики.

Пусть процесс описывается уравнением $N [u] = 0$ — например, уравнением фильтрации Дарси или давления в пласте. $u_{θ} (x, t)$ приближает решение, а её по координатам и времени берутся автоматическим дифференцированием — той же машиной, что считает по весам. Подставив их в уравнение, получаем невязку, которую можно штрафовать в любой точке области, даже там, где нет ни одного измерения.

L = данные \frac{1}{N _{d}} i \sum (u_{θ} (x_{i}, t_{i}) - u_{i})^{2} + λ физика \frac{1}{N _{c}} j \sum N [u_{θ}] (x_{j}, t_{j})^{2}

Обозначения

$N (μ, σ^{2})$ нормальное распределение со средним μ и дисперсией σ²
$θ$ параметры модели
$λ$ сила регуляризации: штраф за сложность модели
$x$ объект: вектор признаков
$n$ число объектов в выборке
$L$ функция потерь — то, что минимизируется при обучении
$\sum$ суммирование по всем перечисленным элементам

Точки коллокации

x_{j}

выбираются случайно по области — сетка не нужна

Мало данных. Физический член заменяет недостающие измерения и не даёт решению уйти в бессмыслицу между датчиками.
Экстраполяция. Обычная регрессия за пределами обучающего диапазона ведёт себя произвольно, PINN остаётся согласованной с уравнением.
Обратные задачи. Неизвестный коэффициент (проницаемость, теплопроводность) объявляется обучаемым параметром и подбирается вместе с весами.

В нефтедобыче так решают задачи фильтрации и интерпретации гидродинамических исследований: прогноз давления и дебита согласован с уравнением пласта, а не только с историей замеров. Похожие постановки — трубопроводов, тепловые режимы оборудования, диффузионные процессы.

На практике

Слабое место — баланс λ между данными и физикой: при большом λ модель игнорирует измерения, при малом — уравнение. Настройка весов слагаемых и точек коллокации остаётся основной инженерной работой.

Где применяется

Фильтрация в пластеПрогноз давления и дебита, согласованный с уравнением фильтрации, а не только с историей замеров.
Интерпретация исследований скважинОценка проницаемости и скин-фактора как обратная задача по кривой восстановления давления.
Тепловые и диффузионные режимы поля температуры между редкими датчиками на оборудовании.
трубопроводовСогласование расходов и давлений с уравнениями течения для поиска утечек.

Плюсы, минусы и альтернативы

Плюсы

Работает при малом числе измерений: физика восполняет данные.
Экстраполяция остаётся осмысленной там, где обычная регрессия выдаёт произвольные значения.
Решает обратные задачи: неизвестные коэффициенты среды подбираются вместе с решением.
Не требует расчётной сетки — берутся аналитически по сети.

Минусы

Нужна корректная модель процесса: неверное уравнение уводит решение уверенно и неправильно.
Обучение капризно: баланс слагаемых и выбор точек коллокации — основная инженерная работа.
На задачах с резкими фронтами и разрывами сходимость плохая.
Классический численный решатель, если он применим, обычно быстрее и точнее.

Брать, если

Уравнения процесса известны, а измерений мало или они неравномерны.
Нужно оценить физический параметр среды по косвенным измерениям.
Требуется решение, согласованное с физикой, а не просто подогнанное под историю.

Не брать, если

Данных много, а физическая модель неизвестна или сомнительна — обычная ML-модель будет и проще, и точнее.
Задача чисто вычислительная и хорошо решается сеточным методом.

Чем заменяют

Feature-based forecastingактуальноПрогноз через признаки · Временные рядыДанных много, физика неизвестна — быстрее и надёжнее признаковый подход.Temporal Convolutional NetworkновинкаTCN · Временные рядыНужен прогноз ряда по истории, а не согласованное с уравнением поле.Differential EquationsновинкаДифференциальные уравнения · Математический анализНужна сама постановка уравнения и классические методы её решения.

Связанные темы

Свёртки и физика в рядах

Кому эта тема нужна

Спрашивают на собеседовании: Газпром нефть — Геология и добыча.

Добавить в учебную программу

Следующий шагДальше по связи: 1D CNN for Time SeriesОдномерные свёртки скользят вдоль времени и выделяют локальные формы сигнала независимо от того, когда те случились.Перейти →

Глава «Временные ряды» последний раз правилась 26 августа 2026 г.. Нашли ошибку — напишите.

Ключевые тезисы

Какую задачу решает

Подробный разбор

Где применяется

Плюсы, минусы и альтернативы

Плюсы

Минусы

Брать, если

Не брать, если

Чем заменяют

Связанные темы

1D CNN for Time Series80%

Temporal Convolutional Network80%

Transformer forecasting80%

RNN/LSTM80%

CNN80%

Невязка уравнения

Точки коллокации

Автоматическое дифференцирование

Баланс λ

Обратная задача

Physics-Informed Neural Networks

Ключевые тезисы

Какую задачу решает

Подробный разбор

1Физика в функции потерьСеть штрафуется не только за расхождение с данными, но и за нарушение уравнения.

Где применяется

Плюсы, минусы и альтернативы

Плюсы

Минусы

Брать, если

Не брать, если

Чем заменяют

Связанные темы

1D CNN for Time Series80%

Temporal Convolutional Network80%

Transformer forecasting80%

RNN/LSTM80%

CNN80%

Ключевые понятия5 определений из текста — каждое со ссылкой на разбор

Невязка уравнения

Точки коллокации

Автоматическое дифференцирование

Баланс λ

Обратная задача