基于 PINN 推断实验数据用于重力流流动的定量评估
流体动力学
2025-01-24 v3
摘要
在本文中，我们应用物理信息神经网络（PINNs）从锁交换诱导重力流的光衰减技术（LAT）测量中推断速度与压力场。在 PINN 模型中，物理定律被嵌入神经网络的损失函数中，使得模型拟合训练数据的同时也受到控制方程残差减小的约束。PINNs 能够在不适定反问题上利用稀疏且含噪的数据进行训练，因此可应用于实际工程问题。我们利用合成数据，在锁交换构型的二维玩具案例中研究了 PINNs 的噪声鲁棒性与模型参数。随后，我们用实验 LAT 测量数据训练了一个 PINN，并将推断的速度场与同一实验中同步进行的粒子图像测速（PIV）测量结果进行定量比较。结果表明，从基于真实实验数据训练的 PINN 模型中可以导出准确且有用的物理量，这对更好地描述重力流而言令人鼓舞。
引用
@article{arxiv.2307.14794,
title = {Quantitative Assessment of PINN Inference on Experimental Data for Gravity Currents Flows},
author = {Mickaël Delcey and Yoann Cheny and Jean Schneider and Simon Becker and Sébastien Kiesgen De Richter},
journal= {arXiv preprint arXiv:2307.14794},
year = {2025}
}