基于物理信息神经网络的多组分流动与传热模拟
流体动力学
2021-08-04 v1
摘要
在本工作中，将单网络与分离网络 PINN 架构应用于预测简单二维矩形域内干空气加湿问题的动量、组分和温度分布。所创建的 PINN 模型考虑了可变流体属性、组分与热扩散以及对流。上述两种 PINN 架构均使用不同的超参数设置（如网络宽度和深度）进行训练，以寻找性能最佳的配置。结果表明，对于给定的问题，分离网络 PINN 方法相比单网络 PINN 架构平均损失降低 62%。此外，单网络变体难以在计算域不同区域保证组分质量守恒，而分离方法成功维持了组分守恒。将给定边界条件下 PINN 预测的流速、温度和组分分布与 OpenFOAM 软件生成的结果进行了比较。单网络和分离网络 PINN 模型均对温度和速度分布给出了准确结果，相对于 CFD 结果的平均百分比差异约为速度 7.5%、温度 8%。组分质量分数的平均误差百分比为单网络模型 9%，分离网络方法 1.5%。为展示 PINN 用于多组分问题代理建模的适用性，训练了分离网络 PINN 的参数化版本，可针对不同水蒸气入口速度给出结果。相对于 OpenFOAM 结果，在三个预测案例中速度、温度及水蒸气质量分数的归一化平均绝对百分比误差分别约为 7.5%、2.4%。
引用
@article{arxiv.2105.14907,
title = {Simulation of multi-species flow and heat transfer using physics-informed neural networks},
author = {Ryno Laubscher},
journal= {arXiv preprint arXiv:2105.14907},
year = {2021}
}