基于非局域物理信息神经网络的砂流正向与反向求解
软凝聚态物质
2026-02-19 v1 无序系统与神经网络
流体动力学
摘要
稠密砂流因微塑性事件中的应力传递而产生非局域效应，尤其在准静止或缓慢剪切区域更为明显。因此，传统的局部流变模型无法捕捉在众多砂体系统中突出的空间合作效应。非局域砂流流动性（NGF）模型通过引入用于流动性场的类扩散偏微分方程来克服这一限制，关键材料相关参数为非局域�幅 A。然而，确定 A 值通常困难且需要在多个几何形状上进行大量标定。在本工作中，我们提出一种基于物理信息神经网络（PINN）嵌入 NGF 模型的数据驱动平台，能够以正向或反向方式求解砂流问题。我们表明，一旦在瞬态流场上训练，这些非局域 PINN 可直接推断材料参数以及压力与应力场。这种数据驱动框架能够准确恢复非局域�幅 A 的细微变动，从而导致流场中尖锐的分叉样态转变。该方法演示了在复杂非局域模型中的数据驱动参数推断的可行性，为从稀疏实验观测中表征砂体材料开辟了新可能。
引用
@article{arxiv.2602.16081,
title = {Non-local physics-informed neural networks for forward and inverse solutions of granular flows},
author = {Saghar Zolfaghari and Safa Jamali},
journal= {arXiv preprint arXiv:2602.16081},
year = {2026}
}