一种知识驱动的物理学-informed 神经网络模型：聚合物的热解与烧蚀
软凝聚态物质
2022-09-26 v1
摘要
在航空航天应用中，引入了多项安全法规以应对与热解相关的问题。热解的预测建模是一项具有挑战性的任务，因为在每个时间步需要同时求解多个热-化-力学定律。迄今为止，经典建模方法主要聚焦于在微观尺度定义基本化学过程（热解与引燃），将其与微观尺度的热解耦，随后利用介观尺度实验结果进行验证。近年来机器学习（ML）与 AI 的出现提供了构建快速代理 ML 模型以替代高保真多物理场模型的机会，后者计算成本高且可能不适用于高度非线性方程。这构成了引入创新的物理学-informed 神经网络（PINN）以模拟支配热解与烧蚀的多个刚性及半刚性 ODE 的动机。我们的引擎特别开发用于计算交联聚合物体系热解过程中的炭形成与燃烧程度。采用多任务学习方法以确保对训练数据的最佳拟合。所提出的混合 PINN（HPINN）求解器在不同算例上以有限元高保真解作为基准。我们利用配点训练开发了 PINN 架构，以预测多个一维和二维算例中热解过程中的温度分布与燃烧程度。通过解耦热与力学方程，我们可通过预测炭形成图样及每个连续体上的局部燃烧程度来预测系统性能损失。
引用
@article{arxiv.2209.11749,
title = {A Knowledge-driven Physics-Informed Neural Network model; Pyrolysis and Ablation of Polymers},
author = {Aref Ghaderi and Ramin Akbari and Yang Chen and Roozbeh Dargazany},
journal= {arXiv preprint arXiv:2209.11749},
year = {2022}
}