HEC-RAS 2D 수위 (WSE) 예측을 위한 학습된 응답장 관성 연산자 (Learned Response-Field Inertia

본 논문은 HEC-RAS 2D에서 솔버(solver)와 일치하는 수위 (WSE, Water-Surface Elevation) 예측을 위해 학습된 네이티브 셀 (native-cell) 대리 모델 (surrogate models)에 대한 교차 데이터셋 평가를 제시합니다. 래스터 재매핑 (raster remapping) 오류와 정보 접근 혼란을 방지하기 위해, 대리 모델은 정적 프로젝트 입력, 현재 수리학적 상태, 프로젝트 입력 강제력 (project-input forcing), 보정 유도량 (calibration-derived quantities), 그리고 미래 솔버 출력 타겟을 분리하는 명시적 정책 하에서 원래의 비균질 계산 셀 (nonuniform computational cells) 상에서 직접 평가됩니다. 우리는 학습된 응답장 관성 연산자 (LRFIO, Learned Response-Field Inertia Operator)를 소개합니다. 이는 강제력이 없는 증분 기반 (increment-based) 학습 대리 모델로, 해결된 HEC-RAS 궤적으로부터 관성 응답 연산자 (inertial response operator)를 보정하고, 유지된 연산자를 폐형식 네이티브 셀 롤아웃 (closed-form native-cell rollout)을 통해 배포합니다. LRFIO는 지속성 (persistence), 전역 보정 관성 (global calibrated inertia), 그리고 분할된 응답장 관성 (segmented response-field inertia)으로 구성된 '기본 사례 우선' 응답 계층 구조를 평가합니다. 분할 (Segmentation), 잔차 보정 (residual correction), 그리고 신경망화된 관성 (neuralized inertia)은 학습 가능한 모델링 선택 사항으로 취급되며, 검증 증거가 비용을 정당화할 때만 추가된 복잡성을 유지합니다. 네 가지 다양한 HEC-RAS 2D 벤치마크를 통해 평가한 결과, LRFIO는 서로 다른 도메인에 대해 서로 다른 응답 구조를 유지하며 적응형 학습 복잡성을 입증했습니다. 선택기 감사 (selector audit) 결과, 최대 검증 후회 (validation regret) 4.30% 내에서 제어된 복잡성을 보여주었습니다. 배포 과정에서 유지된 롤아웃 시간은 0.003초에서 0.242초 사이이며, Beaver Bayou 측정-솔루션 비교 결과 HEC-RAS 대비 약 2.75 x 10^4 배의 지평선 정규화 속도 향상 (horizon-normalized speedup)을 나타냈습니다. 이러한 결과는 현재의 네이티브 셀 증분이 강력한 솔버 조건부 예측 스캐폴드 (solver-conditioned predictive scaffold)임을 나타내며, 추가적인 응답장, 신경망 또는 공간적 복잡성은 경험적으로 정당화될 때만 유지되어야 함을 시사합니다.