用于增强实验数据的物理信息神经网络：在分层流中的应用
流体动力学
2023-09-27 v1
摘要
我们开发了一种物理信息神经网络（PINN）以显著增强最先进的实验数据，并将其应用于分层流。该 PINN 是一个全连接深度神经网络，输入为在分层倾斜管道实验中以 同时三维测量的时间分辨三分量速度场与密度场。PINN 通过自动微分强制不可压缩性、动量与浮力控制方程以及边界条件。物理约束的增强数据以更高的时空分辨率输出，并展示了五个关键结果：（i）消除测量噪声；（ii）修正由扫描测量技术引起的畸变；（iii）识别微弱但动力学重要的三维涡结构；（iv）修正湍流能量收支与混合效率；（v）预测潜在压力场及其在观测到的 Holmboe 波动力学中的作用。这些结果标志着在拓展实验能力方面迈出重要一步，尤其在湍流研究中——准确计算三维梯度与分辨小尺度始终是长期存在的挑战。
引用
@article{arxiv.2309.14722,
title = {Physics-informed neural network to augment experimental data: an application to stratified flows},
author = {Lu Zhu and Xianyang Jiang and Adrien Lefauve and Rich R. Kerswell and P. F. Linden},
journal= {arXiv preprint arXiv:2309.14722},
year = {2023}
}