含运动浸没边界系统的物理信息神经网络建模：应用于扑翼箔的非定常绕流
流体动力学
2024-02-28 v1 机器学习
摘要
近来，物理信息神经网络（physics informed neural networks, PINNs）被广泛探索用于求解各类正问题与反问题，并助力流体力学应用中的查询任务。然而，关于 PINNs 用于扑翼等运动体非定常绕流的研究甚少。早期研究多依赖转换至体附参考系，这限制了处理多个运动体或变形结构的能力。因此，本工作探索了一种浸没边界感知框架，用于建立运动体非定常绕流的代理模型。具体地，我们研究了从浸没边界法（Immersed boundary method, IBM）模拟数据同时恢复压力与重建速度。在针对高分辨率 IBM 数据验证速度重建有效性之后，作为进一步步骤，将恢复的压力与基于任意拉格朗日-欧拉（arbitrary Lagrange Eulerian, ALE）的求解器结果进行比较。在此框架下，构建了两种 PINN 变体：(i) 支持运动边界的基于标准 Navier-Stokes 的 PINN（MB-PINN），以及 (ii) 支持运动边界的基于 IBM 的 PINN（MB-IBM-PINN）。MB-IBM-PINN 中允许物理损失的流体-固体分区，以考察训练时固体点的影响。这使得 MB-IBM-PINN 在特定损失权重条件下可达到与 MB-PINN 相当的性能。当固体位置与速度的先验知识可用时，MB-PINN 优于 MB-IBM-PINN。为提升 MB-PINN 的数据效率，我们还研究了一种基于物理的数据采样技术。观察到在固定训练预算下，物理约束松弛与基于物理采样的合适组合可实现与使用全部数据点相当的模型性能。
引用
@article{arxiv.2306.13395,
title = {Physics-informed neural networks modeling for systems with moving immersed boundaries: application to an unsteady flow past a plunging foil},
author = {Rahul Sundar and Dipanjan Majumdar and Didier Lucor and Sunetra Sarkar},
journal= {arXiv preprint arXiv:2306.13395},
year = {2024}
}