基于物理信息神经网络的喷涌池火速度场重建
流体动力学
2022-09-07 v1
摘要
池火是许多意外火灾的典型代表，可表现出一种称为喷涌的不稳定非定常行为，涉及温度场与速度场之间的强耦合。尽管池火对火灾研究具有实际意义，但由于并行测量相关量的复杂性，其实验研究可能受到限制。在本工作中，我们分析了近期一种称为隐式流体力学（Hidden Fluid Mechanics, HFM）的物理信息机器学习方法，用于从已测量量重建喷涌池火中的未测量量。HFM框架依赖物理信息神经网络（Physics-Informed Neural Network, PINN）来完成此任务。PINN是一种同时使用可用数据（此处为测量量）和支配系统的物理方程（此处为反应 Navier-Stokes 方程）来推断完整流体动力学状态的神经网络。该框架用于从密度、压力和温度的测量值推断喷涌池火中的速度场。本工作中用于该测试的数据集由数值模拟生成。结果表明，PINN能够准确重建速度场并推断出速度场的大部分特征。此外，重建精度对含噪数据具有鲁棒性，并且对减少测量量数目进行了探讨与讨论。本研究开启了使用PINN从测量量重建未测量量的可能性，为其在火灾研究实验中应用提供了潜在基础。
引用
@article{arxiv.2208.03542,
title = {Velocity Reconstruction in Puffing Pool Fires with Physics-Informed Neural Networks},
author = {Michael Philip Sitte and Nguyen Anh Khoa Doan},
journal= {arXiv preprint arXiv:2208.03542},
year = {2022}
}