典型文献
改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用
文献摘要：
基于相场法的物理融合神经网络PF-PINNs被成功用于两相流动的建模,为两相流动的高精度直接数值模拟提供了全新的技术手段.相场法作为一种新兴的界面捕捉方法,其引入确保了界面的质量守恒,显著提高了相界面的捕捉精度;但是相场法中高阶导数的存在也降低了神经网络的训练速度.为了提升计算训练过程的效率,本文在PF-PINNS框架下,参考深度混合残差方法MIM,将化学能作为辅助变量以及神经网络的输出之一,并修改了物理约束项的形式,使辅助变量与相分数的关系式由硬约束转为了软约束.上述两点改进显著降低了自动微分过程中计算图的规模,节约了求导过程中的计算开销.同时,为了评估建立的PF-PINNS在雷诺数较高、计算量较大的场景中的建模能力,本文将瑞利-泰勒RT不稳定性问题作为验证算例.与高精度谱元法的定性与定量对比结果表明,改进PF-PINNs有能力捕捉到两相界面的强非线性演化过程,且计算精度接近传统算法,计算结果符合物理规律.改进前后的对比结果表明,深度混合残差方法能够显著降低PF-PINNS的训练用时.本文所述方法是进一步提升神经网络训练速度的重要参考资料,并为探索高精度智能建模方法提供了全新的见解.
文献关键词：
瑞利-泰勒不稳定性;深度混合残差方法;物理融合神经网络;两相流
中图分类号：
作者姓名：
丘润荻;王静竹;黄仁芳;杜特专;王一伟;黄晨光
作者机构：
中国科学院力学研究所流固耦合系统力学重点实验室,北京100190;中国科学院大学未来技术学院,北京100049;中国科学院大学工程科学学院,北京100049;中国科学院合肥物质科学研究院,合肥230031
文献出处：
引用格式：
[1]丘润荻;王静竹;黄仁芳;杜特专;王一伟;黄晨光-.改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用)[J].力学学报,2022(08):2224-2234
A类：
物理融合神经网络,PINNS,深度混合残差方法
B类：
瑞利,泰勒,相场法,PF,PINNs,功用,两相流动,直接数值模拟,拟提,质量守恒,高阶导数,训练速度,训练过程,MIM,化学能,辅助变量,物理约束,约束项,关系式,硬约束,软约束,两点,自动微分,分过,中计,计算图,求导,计算开销,雷诺数,计算量,建模能力,谱元法,定性与定量对比,捕捉到,两相界面,强非线性,非线性演化,计算精度,近传统,传统算法,物理规律,进前,神经网络训练,参考资料,智能建模
AB值：
0.3467
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。
