应用混合变量物理信息神经网络求解二维内部对流流动的归一化动量与能量输运方程
流体动力学
2021-05-25 v1
摘要
工业规模热流体系统中实验数据成本高昂且保真度低,限制了纯数据驱动机器学习方法的实用性。物理信息神经网络(PINN)力求通过将物理方程嵌入神经网络损失函数的构建中来克服这一问题。本文中,应用混合变量 PINN 方法开发具有障碍物的二维内部域中不可压缩层流带传热稳态与瞬态代理模型。对质量、动量与能量守恒偏微分方程进行自动空间与时间微分,其残差与边界和初始值一同纳入损失函数。PINN 与 CFD 结果在稳态与瞬态情形下均吻合良好,但 PDEs 的归一化被证明至关重要。尽管这证明了 PINN 方法在单一域上求解多个基于物理的 PDEs 的能力,但 PINN 的求解时间明显长于商业 CFD 软件中使用的传统有限体积数值方法。
引用
@article{arxiv.2105.10889,
title = {Application of mixed-variable physics-informed neural networks to solve normalised momentum and energy transport equations for 2D internal convective flow},
author = {Ryno Laubscher and Pieter Rousseau},
journal= {arXiv preprint arXiv:2105.10889},
year = {2021}
}