典型文献
融合物理的神经网络方法在流场重建中的应用
文献摘要：
神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型(physical-informed neural network,PINN),赋予传统神经网络所不具备的先验知识和可解释性.结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力.首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性.其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数.研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑.
文献关键词：
PINN神经网络;先验知识;Navier-Stokes方程;流场重建;待定系数
中图分类号：
作者姓名：
尧少波;何伟峰;陈丽华;吴昌聚;陈伟芳
作者机构：
浙江大学航空航天学院,杭州 310027
文献出处：
引用格式：
[1]尧少波;何伟峰;陈丽华;吴昌聚;陈伟芳-.融合物理的神经网络方法在流场重建中的应用)[J].空气动力学学报,2022(05):30-38
A类：
流场重建,物理融合神经网络,槽道流动
B类：
神经网络方法,网络融合,物理先验,先验知识,控制方程,physical,informed,neural,network,PINN,可解释性,研究和应用,预测能力,先借,三维超声,超声速,湍流,算数,耦合神经网络,可压缩,物理量,DNS,比来,圆柱绕流,待定系数,逼近,物理模型,和算,Navier,Stokes
AB值：
0.287116
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
