基于可训练频率傅里叶特征网络的多尺度润滑仿真
机器学习
2024-05-22 v1
摘要
粗糙表面润滑仿真对于设计和优化摩擦学性能至关重要。尽管物理信息神经网络在流体动力润滑分析中的应用日益增多，但其使用主要局限于光滑表面。这是因为传统的 PINN 方法存在谱偏差，倾向于学习低频特征，从而无法分析具有高频信号的粗糙表面。迄今为止，尚未有用于粗糙表面润滑的 PINN 方法的报道。为了克服这些限制，本研究引入了一种利用可训练傅里叶特征网络的新型多尺度润滑神经网络架构。通过结合可学习的特征嵌入频率，该架构能够自动适应各种频率成分，从而增强对粗糙表面特征的分析。该方法在多种表面形貌上进行了测试，并将结果与有限元方法（FEM）的结果进行了比较。对比分析表明，该方法与 FEM 结果实现了高度一致。此外，这种新颖的架构在准确性和计算效率上都超过了具有固定特征嵌入频率的传统傅里叶特征网络。因此，多尺度润滑神经网络模型为粗糙表面润滑分析提供了更高效的工具。
引用
@article{arxiv.2405.12638,
title = {Multiscale lubrication simulation based on fourier feature networks with trainable frequency},
author = {Yihu Tang and Li Huang and Limin Wu and Xianghui Meng},
journal= {arXiv preprint arXiv:2405.12638},
year = {2024}
}