面向含时变移动边界非定常不可压缩流的物理信息神经网络
流体动力学
2025-08-05 v1
摘要
应用于流体力学中的物理信息神经网络(PINNs)主要处理静止边界，这阻碍了其解决涉及运动物体的广泛流动问题的能力。为此，我们提出了一种新颖的扩展，使 PINNs 能够求解含时变移动边界的不可压缩流。更具体地，我们在移动界面施加速度的 Dirichlet 约束，并为相应的训练点定义新的损失函数。此外，我们针对移动边界周围的流动细化训练点以提高精度，这有效强制了移动边界的无滑移条件。结合初始条件，扩展的 PINNs 可求解含时变移动边界的非定常流动问题，并仍具有利用部分数据重建整个流场的灵活性。因此，扩展版本继承了原始 PINNs 中物理与数据的融合特性。通过一系列典型流动问题，我们证明了扩展 PINNs 的有效性与准确性。所提出的概念也允许求解反问题，这有待进一步研究。
引用
@article{arxiv.2308.13219,
title = {Physics-informed neural networks for unsteady incompressible flows with time-dependent moving boundaries},
author = {Yongzheng Zhu and Weizhen Kong and Jian Deng and Xin Bian},
journal= {arXiv preprint arXiv:2308.13219},
year = {2025}
}