基于物理信息神经网络的平均流数据同化
流体动力学
2022-12-09 v2
摘要
物理信息神经网络（PINNs）可通过将控制方程纳入神经网络训练来求解偏微分方程（PDEs）并识别隐藏变量。在本研究中，我们将 PINNs 应用于湍流平均流数据的同化，并考察该方法从稀疏数据中识别不可达变量与闭合项的能力。利用高保真大涡模拟（LES）数据与粒子图像测速（PIV）测量的平均场，我们表明 PINNs 适用于同时识别湍流流场中多个缺失量，并提供与所给 PDEs 一致的连续且可微的平均场。以此方式，可提供一致且完整的均值状态，这对线性化平均流方法至关重要。所提方法不需要网格或离散化方案，易于实现，并可用于广泛应用，使其成为流体力学中基于平均流方法的一个极具前景的工具。
引用
@article{arxiv.2208.03109,
title = {Mean flow data assimilation based on physics-informed neural networks},
author = {Jakob G. R. von Saldern and Johann Moritz Reumschüssel and Thomas L. Kaiser and Moritz Sieber and Kilian Oberleithner},
journal= {arXiv preprint arXiv:2208.03109},
year = {2022}
}