基于PINN的深度学习求解高雷诺数圆柱二自由度涡激振动
流体动力学
2021-06-04 v1
摘要
涡激振动（VIV）广泛存在于自然与工业领域。求解VIV问题的主要方法是数值模拟与实验方法。然而，实验方法难以获取整个流场信息且成本高昂，而数值模拟极其耗时且局限于低雷诺数与简单几何构型。此外，数值模拟难以处理动网格技术。本文提出物理信息神经网络（PINN）来求解高雷诺数圆柱的VIV与尾流诱导振动（WIV）。相比传统数据驱动神经网络，通过将植入额外湍流涡粘度的雷诺平均纳维-斯托克斯（RANS）方程与结构动力学运动方程耦合嵌入损失函数。训练与验证数据由计算流体动力学（CFD）技术获得。提出三种场景验证PINN求解圆柱VIV与WIV的性能。首先，通过有限的力数据与位移数据计算刚度参数与阻尼参数；其次，由散点速度信息推断流场与升力和阻力；最后，仅基于LSTM通过升力与阻力直接预测位移。结果表明，相比传统神经网络，PINN方法在VIV与WIV情形下推断和重构高雷诺数未知参数与流场更为有效。
引用
@article{arxiv.2106.01545,
title = {Deep learning based on PINN for solving 2 D0F vortex induced vibration of cylinder with high Reynolds number},
author = {Chen Cheng and Peng-Fei Xu and Yong-Zheng Li and Guang-Tao Zhang},
journal= {arXiv preprint arXiv:2106.01545},
year = {2021}
}