基于物理信息神经网络 (PINN) 的水波面升高推断
流体动力学
2024-10-01 v1
摘要
本文提出一种数学模型，用于从水平速度分量推断波浆自由表面升高。物理信息神经网络 (PINN) 是一种用于求解正/偏微分方程 (ODE/PDE) 的前向和逆向问题的深度学习框架。该模型通过测量由 KRISO 集装箱船 (KCS) 下游产生的 Kelvin 波进行验证。KCS Kelvin 波使用两种相位体积流体动力学 (VoF) 计算流体动力学 (CFD) 模拟（基于 OpenFOAM）生成。此外，本文介绍了对神经网络输入进行傅里叶特征分解的用法，以避免谱偏现象；谱偏是神经网络倾向于更快收敛到低频解而非高频解的现象。傅里叶特征分解层显示出模型学习上的改进，模型能够同时学习高频和低频分量。
引用
@article{arxiv.2409.19851,
title = {Inference of water waves surface elevation from horizontal velocity components using physics informed neural networks (PINN)},
author = {Omar Sallam and Mirjam Fürth},
journal= {arXiv preprint arXiv:2409.19851},
year = {2024}
}