LSTM-PINN：用于稳态电动力学流动预测的混合方法
流体动力学
2025-12-29 v1 偏微分方程分析
摘要
物理信息神经网络(PINN)在解决复杂流体动力学问题方面已显示出显著的成功。然而，其性能在特征陡峭、边界条件复杂且物理约束严苛的条件下常常恶化，导致收敛失败和数值不稳定。为克服这些限制，我们提出一种混合框架，将长短期记忆(LSTM)网络集成到PINN架构中，增强其捕捉二维受外部电场作用的带电流体稳态速度场空间相关性的能力。我们的结果表明，LSTM增强型PINN模型在收敛速度、数值稳定性和预测精度方面显著优于基于常规多层感知器(MLP)的PINN。这种创新方法提高了电动力学流动建模的计算效率和可靠性，为微流体和纳米流体应用提供了新的洞见和策略。
引用
@article{arxiv.2512.21614,
title = {LSTM-PINN: An Hybrid Method for Prediction of Steady-State Electrohydrodynamic Flow},
author = {Ze Tao and Ke Xu and Fujun Liu},
journal= {arXiv preprint arXiv:2512.21614},
year = {2025}
}