基于物理信息神经网络理解黏性流动中粒子的剪切迁移

我们利用物理信息神经网络（PINN）方法扩展用于剪切流中粒子迁移的现象学模型的效用。具体而言，我们提议通过悬浮液中剪切诱导粒子迁移的物理模型来约束神经网络训练。然后，我们针对文献中的实验数据训练 PINN，表明该方法既对实验具有更好的保真度，又对假设迁移通量的相对作用提供了新颖理解。我们首先验证了 PINN 方法用于求解环形库埃特流中非布朗悬浮液径向粒子迁移的反问题。在这一经典情形中，PINN 给出了经验模型两个参数之比的相同数值（如文献所报道）。接下来，我们应用 PINN 方法分析泊肃叶狭缝流中非布朗和布朗悬浮液中粒子迁移的实验，对此现象学迁移模型一直缺乏明确的标定。利用 PINN 方法，我们通过 PINN 的反问题求解能力辨识了物理模型中的未知/经验参数。具体而言，这些数值与库埃特池中的数值显著不同，突显了文献中使用后者数值于泊肃叶流的矛盾之处。重要的是，PINN 结果还表明，经验模型参数的推断值随剪切佩克莱特数和悬浮液粒子体积分数变化，而非如先前部分文献所假设的为常数。