利用物理信息神经网络从稀疏含噪粒子轨迹重建速度场与压力场
流体动力学
2023-05-17 v1
摘要
体分辨成像技术正迅速推动实验流体力学的发展。然而，从实验获得的稀疏且含噪的粒子轨迹重建完整且结构化的欧拉速度和压力场仍是一项重大挑战。我们基于物理信息神经网络（PINNs）提出了一种用于该重建的新方法。该方法使用一个由 Navier-Stokes 方程正则化的神经网络来插值速度数据并同时确定压力场。我们将此方法与最先进的约束代价最小化方法[1]进行比较。利用直接数值模拟的数据和多种类型合成生成的粒子轨迹，我们表明 PINNs 即使在粒子密度低且加速度小的区域也能准确重建速度和压力。在合成和实验条件下研究时，PINNs 对粒子间距增大和测量噪声也具有鲁棒性。
引用
@article{arxiv.2210.04849,
title = {Reconstructing velocity and pressure from sparse noisy particle tracks using Physics-Informed Neural Networks},
author = {Patricio Clark Di Leoni and Karuna Agarwal and Tamer Zaki and Charles Meneveau and Joseph Katz},
journal= {arXiv preprint arXiv:2210.04849},
year = {2023}
}