用于翼型跨声速绕流的物理信息神经网络

物理信息神经网络作为一种基于深度学习的参数化偏微分方程求解器获得了广泛关注。特别是在工程应用中，这种方法前景广阔，因为在多查询场景中，单个神经网络可以替代许多经典模拟。直到最近，研究人员才通过利用网格变换对训练进行预处理，成功利用物理信息神经网络求解了翼型周围的亚声速绕流。然而，由于激波导致局部不连续，跨声速区域的可压缩绕流无法被准确逼近。在本文中，我们提出了一些技术，利用物理信息神经网络成功逼近亚声速和跨声速绕流的可压缩 Euler 方程的解。受求解守恒定律的经典数值算法启发，该方法局部引入人工耗散以稳定激波。我们比较了不同的粘度变体，如标量值和矩阵值人工粘度，并在翼型的跨声速绕流条件下验证了该方法，获得了与有限体积模拟的良好一致性。最后，通过用单个网络逼近不同攻角下的跨声速解，展示了其对参数化问题的适用性。所提出的工作使得基于参数化神经网络的求解器能够应用于空气动力学及其他领域中一类具有工业相关性的流动条件。