基于课程迁移学习的物理信息神经网络用于长期物理力学行为仿真
机器学习
2025-02-12 v1 数值分析
数值分析
摘要
本文提出了一种基于课程迁移学习的物理信息神经网络（CTL-PINN），用于物理力学行为的长期仿真。CTL-PINN的主要创新点在于将长期问题分解为一系列短期子问题。初始时，采用标准PINN求解第一个子问题。随着仿真进程的推进，后续时域问题采用课程学习方法，并整合前期步骤的信息。此外，融合迁移学习技术，使模型能够有效利用先前训练数据，解决顺序时域迁移问题。CTL-PINN融合了课程学习和迁移学习的优势，克服了标准PINN的局部优化问题，解决了CL-PINN在延长时域内的不准确性以及TL-PINN的低计算效率。通过应用于非线性波传播、Kirchhoff板动力学响应以及三峡水库区的水动力模型，展示了CTL-PINN在解决长期计算挑战方面的卓越能力与鲁棒性。
引用
@article{arxiv.2502.07325,
title = {Long-term simulation of physical and mechanical behaviors using curriculum-transfer-learning based physics-informed neural networks},
author = {Yuan Guo and Zhuojia Fu and Jian Min and Shiyu Lin and Xiaoting Liu and Youssef F. Rashed and Xiaoying Zhuang},
journal= {arXiv preprint arXiv:2502.07325},
year = {2025}
}
备注
31 pages, 18 figures