基于物理引导设计与学习的神经网络用于预测流动流体中颗粒悬浮物的阻力
机器学习
2019-11-12 v1 计算物理
机器学习
摘要
基于物理的仿真常用于建模和理解流体动力学等领域中的复杂物理系统与过程。此类仿真虽频繁使用，却存在诸多局限，可能源于因对某些过程要素认识不完整而无法准确建模，或底层过程过于复杂难以精确编码进仿真模型。在此类情形下，依赖机器学习方法直接从仿真数据中学习复杂物理过程的模型来填补空白往往大有裨益。然而，由于通过仿真生成数据成本高昂，我们需要开发对数据匮乏问题保持警觉的模型。在此类场景中，若将应用领域的丰富物理知识融入机器学习模型的架构设计通常颇有帮助。此外，我们亦可利用基于物理的仿真信息，通过聚合监督来引导学习过程，从而对学习过程施加有利约束。本文提出 PhyDNN，一种采用物理引导结构先验与物理引导聚合监督的深度学习模型，用于建模计算流体动力学-离散元法(CFD-DEM)中作用于每个颗粒的阻力。我们在阻力预测背景下开展广泛实验，展示了在深度学习公式中于设计及学习过程中纳入物理知识的效用。我们提出的 PhyDNN 模型已与若干最先进模型比较，并在所有基线模型上平均取得 8.46% 的显著性能提升。源代码已公开，所用数据集详见 [1, 2]。
引用
@article{arxiv.1911.04240,
title = {Physics-guided Design and Learning of Neural Networks for Predicting Drag Force on Particle Suspensions in Moving Fluids},
author = {Nikhil Muralidhar and Jie Bu and Ze Cao and Long He and Naren Ramakrishnan and Danesh Tafti and Anuj Karpatne},
journal= {arXiv preprint arXiv:1911.04240},
year = {2019}
}