用于单色激光诱导荧光多场可视化的物理信息神经网络
流体动力学
2024-10-11 v1
摘要
从稀疏观测数据重建场是许多工程和科学应用中出现的病态问题。本文研究了使用物理信息神经网络（PINN）从通过单色激光诱导荧光（LIF）获取的稀疏且噪声较大的实验温度数据来重建完整的温度、速度和压力场。对层流混合对流系统应用PINN，该系统是一种复杂但具有根本意义的现象，特征为瞬态强制和自然对流行为的共存。为提高计算效率，本研究还探索了将迁移学习（TL）作为显著减少场重建所需时间的手段。我们的发现表明，PINN有效，能够消除大多数不符合支配物理法则的实验噪声。此外，我们展示TL方法在误差上限为5%时，相当于常规训练方案，同时将计算时间缩短了9.9倍。我们使用非同时粒子图像测速仪（PIV）和有限体积方法（FVM）仿真验证了PINN重建结果。PINN重建的速度场与PIV得到的速度场 closely match。使用FVM数据作为参考时，平均温度误差小于1%，而压力和速度误差均小于10%。该研究为使用PINN解决具有实验数据的数据不确定问题提供了见解，并突显了TL实现近实时场重建的潜力。
引用
@article{arxiv.2410.07568,
title = {Physics-informed neural networks for multi-field visualization with single-color laser induced fluorescence},
author = {Nagahiro Ohashi and Leslie K. Hwang and Beomjin Kwon},
journal= {arXiv preprint arXiv:2410.07568},
year = {2024}
}