浮动体水动力神经网络
机器学习
2025-09-18 v1
摘要
流体-结构相互作用在工程和自然系统中常见，浮动体运动受添加质量、阻力和背景流场的支配。对这些耗散动力学的建模困难：黑箱神经模型以有限可解释性回归状态导数，并在长期预测中不稳定。我们提出浮动体水动力神经网络（FHNN），一种物理结构化框架，预测可解释的水动力参数，如方向性添加质量、阻力系数以及基于流函数的流场，并将其与解析运动方程耦合。这种设计约束了假设空间，增强了可解释性，并稳定了积分。在合成涡旋数据集上，FHNN的误差比神经常微分方程（Neural ODEs）低一个数量级，恢复了物理一致的流场。与哈密顿和拉格朗日神经网络相比，FHNN更有效地处理耗散动力学，同时保持可解释性，弥合了黑箱学习与透明系统识别之间的鸿沟。
关键词
引用
@article{arxiv.2509.13783,
title = {Floating-Body Hydrodynamic Neural Networks},
author = {Tianshuo Zhang and Wenzhe Zhai and Rui Yann and Jia Gao and He Cao and Xianglei Xing},
journal= {arXiv preprint arXiv:2509.13783},
year = {2025}
}