NeuroSEM: 耦合PINNs与谱元的多物理场问题模拟混合框架
机器学习
2024-10-16 v2 流体动力学
摘要
以流体动力学、传热、结构力学和电磁学之间复杂相互作用为特征的多物理场问题，因其耦合本质而具有固有挑战性。虽然某些状态变量的实验数据可能可用，但将这些数据与数值求解器集成仍然是一项重大挑战。物理信息神经网络（PINNs）在各种工程学科中已显示出有前景的结果，特别是在处理噪声数据和求解偏微分方程（PDEs）的逆问题方面。然而，其在涉及湍流的多物理场环境中预测非线性现象的有效性尚未得到充分建立。本研究介绍了 NeuroSEM，一个将 PINNs 与高保真谱元法（SEM）求解器 Nektar++ 集成的混合框架。NeuroSEM 结合了 PINNs 和 SEM 的优势，为多物理场问题提供稳健的解。PINNs 被训练用于在特定子域中同化数据和建模物理现象，然后将其集成到 Nektar++ 求解器中。我们展示了 NeuroSEM 在腔流热对流和圆柱绕流中的效率和准确性。我们将 NeuroSEM 应用于瑞利-贝纳德对流系统，包括热边界条件缺失和含噪声数据集的情况，以及真实粒子图像测速（PIV）数据以捕获由马蹄涡结构表征的流场模式。该框架的即插即用特性便于将其扩展至其他多物理场或多尺度问题。此外，NeuroSEM 针对新兴的集成 GPU-CPU 架构进行了优化。这种混合方法提高了模拟的精度和效率，使其成为应对各科学领域复杂工程挑战的强大工具。
引用
@article{arxiv.2407.21217,
title = {NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements},
author = {Khemraj Shukla and Zongren Zou and Chi Hin Chan and Additi Pandey and Zhicheng Wang and George Em Karniadakis},
journal= {arXiv preprint arXiv:2407.21217},
year = {2024}
}