PCNN：一种面向多相流的物理约束神经网络
流体动力学
2022-10-06 v3 人工智能
摘要
本研究开发了一种物理约束神经网络（PCNN）来预测多相流（MPFs）的序列模式与运动，其中包含各流体相之间的强相互作用。为预测在未来时刻定位各相的序参数，应用神经网络（NN）通过编码观测值快速推断相的动力学。接着实施多相一致且保守的有界映射算法（MCBOM）以修正预测的序参数。这强制预测的序参数严格满足质量守恒、各相体积分数之和为1、约化一致性以及序参数的有界性。然后，由修正后的序参数更新流体混合物的密度。最后，由另一结构相同的NN预测未来时刻的速度，但其损失函数中包含了动量守恒以缩小参数空间。所提出的面向MPFs的PCNN依次执行（NN）—（MCBOM）—（NN），避免了序参数的非物理行为，加速了收敛，且所需预测数据更少。数值实验表明，所提出的PCNN能够有效预测MPFs。
引用
@article{arxiv.2109.08965,
title = {PCNN: A physics-constrained neural network for multiphase flows},
author = {Haoyang Zheng and Ziyang Huang and Guang Lin},
journal= {arXiv preprint arXiv:2109.08965},
year = {2022}
}
备注
29 pages, 9 figures