使用物理信息神经网络预测搅拌槽内流动的模型层级

本文探讨了物理信息神经网络作为降阶模型用于模拟搅拌槽反应器内流场的潜力。我们在几何复杂的区域内求解了二维定常 Navier-Stokes 方程，并探索了允许我们将额外物理见解整合到模型中的方法。这些方法包括强施加 Dirichlet 边界条件以及采用具有重叠和非重叠子区域的区域分解。我们调整了扩展物理信息神经网络方法，基于每个区域内不同的流动特性在不同的子区域中求解不同的方程组。我们的探索产生了一个涵盖不同复杂度级别的模型层级，其中最佳模型的压力和速度的 l1 预测误差均低于 1%。为了说明我们方法的可重复性，我们追踪了所识别的最佳模型在多次独立训练运行中的误差，并展示了其可靠性。随后，通过将搅拌速率作为参数输入，我们开发了一个可快速评估的流动模型，能够在广泛的 Reynolds 数范围内进行插值。尽管我们在本工作中仅局限于搅拌槽反应器，但我们得出结论，为获得所提出的模型层级而采取的步骤可以转移到其他应用中。