PARCv2：用于时空动力学建模的物理感知循环卷积神经网络
机器学习
2024-05-27 v3
摘要
对非稳态、快速瞬态及对流主导的物理问题进行建模是物理感知深度学习 (PADL) 面临的一项紧迫挑战。复杂系统的物理过程由具有非线性结构的大型偏微分方程组 (PDEs) 和辅助本构模型控制，并表现出具有尖锐梯度和快速变形材料界面的演化状态场。在此，我们研究了一种具有通用性和可推广性的归纳偏置方法，用于建模通用的非线性场演化问题。我们的研究聚焦于最近的物理感知循环卷积 (PARC)，该模型采用微分器 - 积分器架构，以归纳方式建模通用物理系统的时空动力学。我们将 PARC 的能力扩展至模拟非稳态、瞬态和对流主导系统。这一扩展模型被称为 PARCv2，配备了用于建模对流 - 反应 - 扩散方程的微分算子，以及用于稳定长时间预测的混合积分求解器。PARCv2 在流体动力学的标准基准问题（即 Burgers 方程和 Navier-Stokes 方程）上进行了测试，随后应用于含能材料中更复杂的激波诱导反应问题。我们将 PARCv2 的行为与其他物理信息模型和学习偏置模型进行了评估比较，并展示了其在建模非稳态和对流主导动力学机制方面的潜力。
引用
@article{arxiv.2402.12503,
title = {PARCv2: Physics-aware Recurrent Convolutional Neural Networks for Spatiotemporal Dynamics Modeling},
author = {Phong C. H. Nguyen and Xinlun Cheng and Shahab Azarfar and Pradeep Seshadri and Yen T. Nguyen and Munho Kim and Sanghun Choi and H. S. Udaykumar and Stephen Baek},
journal= {arXiv preprint arXiv:2402.12503},
year = {2024}
}