基于物理信息神经网络和沉浸边界方法的流体-结构相互作用学习
机器学习
2025-12-04 v5 计算工程、金融与科学
流体动力学
摘要
物理信息神经网络(PINNs)已成为解决复杂流体动力学问题的有前景的方法，但其应用于具有移动边界的流体-结构相互作用(FSI)问题仍属未充分探索的领域。本文针对具有移动界面且难以同时捕捉流体域与结构域不同物理特性的FSI系统，提出了创新的Eulerian-Lagrangian PINN架构，集成沉浸边界方法(IBM)原理以求解具有移动边界条件的FSI问题。我们的方法与传统统一架构根本不同，引入特定于领域的神经网络：用于流体动力学的Eulerian网络和用于结构接口的Lagrangian网络，通过物理约束进行耦合。此外，我们采用带SiLU激活函数的可学习B样条激活函数，以捕捉界面附近局部高梯度特征以及全局流动模式。在包含移动固体结构的二维腔内流问题中进行的实证研究表明，基线统一PINN虽能获得相当理想的速度预测，但在结构区域出现显著压力误差(12.9%)。我们采用可学习激活函数的Eulerian-Lagrangian架构(EL-L)在所有指标上均实现了更佳性能，准确率提升24.1%-91.4%，尤其将结构区域的压力误差从12.9%降低至2.39%。这些结果表明，与物理原理相结合的领域分解以及局部感知激活函数对于在PINN框架内实现准确的FSI建模至关重要。
引用
@article{arxiv.2505.18565,
title = {Learning Fluid-Structure Interaction with Physics-Informed Machine Learning and Immersed Boundary Methods},
author = {Afrah Farea and Saiful Khan and Reza Daryani and Emre Cenk Ersan and Mustafa Serdar Celebi},
journal= {arXiv preprint arXiv:2505.18565},
year = {2025}
}