求解非牛顿流体热力学问题的物理信息神经网络：在橡胶压延过程中的应用
机器学习
2022-07-19 v2
摘要
物理信息神经网络（Physics-Informed Neural Networks, PINNs）凭借其将物理定律融入模型的能力，在工程的各个领域引起了广泛关注。然而，评估 PINNs 在涉及力学与热学场耦合的工业应用中仍是一个活跃的研究课题。在本工作中，我们展示了 PINNs 在非牛顿流体热力学问题中的应用，该问题在橡胶压延过程中经常被考虑。我们证明了 PINNs 在处理逆问题和不适定问题时的有效性，而这些问题用经典的数值离散化方法求解是不切实际的。在从部分数据推断隐藏物理场的问题中，我们研究了传感器放置位置和无监督点分布对 PINNs 性能的影响。我们还研究了 PINNs 从传感器捕获的测量值中识别未知物理参数的能力。本工作还考虑了噪声测量值的影响。本文结果表明，在参数识别问题中，PINNs 能够仅利用传感器上的测量值成功估计未知参数。在边界条件未完全定义的不适定问题中，尽管传感器放置位置和无监督点分布对 PINNs 性能有很大影响，我们表明该算法能够从局部测量值中推断出隐藏的物理规律。
引用
@article{arxiv.2201.13389,
title = {Physics-informed neural networks for non-Newtonian fluid thermo-mechanical problems: an application to rubber calendering process},
author = {Thi Nguyen Khoa Nguyen and Thibault Dairay and Raphaël Meunier and Mathilde Mougeot},
journal= {arXiv preprint arXiv:2201.13389},
year = {2022}
}
备注
22 pages, 46 figures, 6 tables