一种迁移学习增强的物理信息神经网络模型用于涡激振动
流体动力学
2021-12-30 v1 机器学习
摘要
涡激振动 (VIV) 是一种典型的非线性流固耦合现象，广泛存在于实际工程中（如柔性立管、桥梁和飞机机翼等）。传统的基于有限元模型 (FEM) 和数据驱动的方法用于 VIV 分析常面临计算成本和数据集获取的难题。本文提出一种迁移学习增强的物理信息神经网络 (PINN) 模型来研究二维 VIV。物理信息神经网络与迁移学习方法结合，通过源模型的共性特征知识提升学习效率，并在目标任务中保持可预测性，而无需大量数据集。从 VIV 实验获得的数据集被均分为两部分（源域和目标域），以评估模型性能。结果表明，即使训练模型中获取的数据集数量逐渐减少，所提方法仍与文献中使用常规 PINN 算法的结果吻合良好。该模型的应用可突破实际工程中监测设备与方法的限制，并促进 VIV 的深入研究。
引用
@article{arxiv.2112.14448,
title = {A transfer learning enhanced the physics-informed neural network model for vortex-induced vibration},
author = {Hesheng Tang and Hu Yang and Yangyang Liao and Liyu Xie},
journal= {arXiv preprint arXiv:2112.14448},
year = {2021}
}