利用物理信息神经网络推断参数与重建二维湍流
流体动力学
2024-10-17 v3 数据分析、统计与概率
摘要
使用传统流体动力学求解器从有限的流速观测中获取系统参数并重建完整流场可能代价高昂。这里我们采用机器学习算法来克服这一挑战。作为一个例子，我们考虑一个中等湍流的流体，由平稳力激发，并由带有线性底摩擦的二维纳维-斯托克斯方程描述。利用时间密集、空间稀疏且可能含有噪声的速度数据，我们重建了空间密集的速度场，推断出压力（至多相差一个调和函数）和驱动力（至多相差其梯度），并确定了未知的流体粘度和摩擦系数。我们评估了重建的均方根误差及其能谱。我们研究了这些指标对速度测量稀疏度和噪声程度的依赖性。我们的方法涉及通过最小化损失函数来训练物理信息神经网络，该损失函数惩罚与提供数据的偏差以及对控制方程的违反。所提出的技术从速度测量中提取额外信息，有望增强粒子图像/跟踪测速的能力。
引用
@article{arxiv.2404.01193,
title = {Inferring parameters and reconstruction of two-dimensional turbulent flows with physics-informed neural networks},
author = {Vladimir Parfenyev and Mark Blumenau and Ilia Nikitin},
journal= {arXiv preprint arXiv:2404.01193},
year = {2024}
}