学习周报：文献阅读+Fluent案例+水力学理论学习

最新推荐文章于 2025-04-19 07:58:46 发布

2301_79714145

最新推荐文章于 2025-04-19 07:58:46 发布

阅读量1.2k

点赞数 16

文章标签：学习

本文链接：https://blog.csdn.net/2301_79714145/article/details/137178763

版权

Saint-Venant Equations

傅里叶特征嵌入（Fourier Feature Embedding）

摘要

在本周中，通过阅读文献，对PINN在大尺度模型的研究进行了解，在大尺度河流模型中，PINN可以做到简化模型、缩小大尺度河流模型解的比例的作用。Fluent中，选用离心泵内流场仿真的案例，了解到在旋转机械中的流动如何进行设置。理论学习方面，液体三元流的基本原理进行了学习。

Abstract

In this week, I read the literature to learn about the research of PINN in large-scale flow models, in which PINN can simplify the model and reduce the proportion of large-scale river model solutions. In Fluent, I practiced the example of flow field simulation in a centrifugal pump to see how the flow in rotating machinery is set. In terms of theoretical learning, the basic principles of liquid ternary flow were studied.

文献阅读

大尺度河流模型的圣维南方程的物理信息神经网络

Physics-Informed Neural Networks of the Saint-Venant Equations for Downscaling a Large-Scale River Model

文献摘要

给出了一个基于最先进的物理信息神经网络(PINN)的机器学习(ML)框架，以模拟子网格尺度上的降尺度流。证明了PINN能够吸收各种类型的观测数据并直接求解一维(1-D) Saint-Venant方程(SVE)。有以下成果：

对漫滩和明渠进行了流动模拟，根据解析解和数值模型评估了PINN的性能。结果表明，在吸收有限观测值的情况下，水深的PINN解具有令人满意的精度。
对风暴潮和潮汐引起的洪水波传播问题，提出了一种基于傅里叶特征嵌入的神经网络结构，该结构无缝编码了PINN公式中的周期性潮汐边界条件。
基于pinn的降尺度可以通过同化观测数据得到更合理的顺槽水深的子网格解。在求解亚网格尺度的地形和动态流态方面，PINN解决方案优于简单的线性插值。

提出问题

由于气候变暖会加剧洪涝和复合洪水等灾害的发生，其潮汐河流动力学，潮汐河流动力学受水文和水动力过程、河流几何形状和当地流域特征的非线性相互作用影响。

传统的分析方法在使用过程中，通常没有充分利用可能用于潮汐河流的测量数据和高分辨率遥感数据。这些数据如果被适当地同化，将有可能提高模型的性能，特别是对于不能完全解决河流动力学的大尺度模型。
大尺度河流模型的物理方程中的近似和网格分辨率的不足，限制了这些模型在表示局部洪水过程时的精度，特别是在高动态的陆水界面附近。即使使用简化的物理，大规模河流模型也必须采用低分辨率(5-25公里)网格，以适应大规模应用的高计算成本。
模型预测是基于一组输入变量，如降水和流量。此外，训练模拟器通常是昂贵的，因为它需要大量的数据，包括观察或多个高分辨率数值模拟的实现。

提出方案

由于PINN在处理正、逆问题中的优势表现，使得研究人员注意到这种新型的预测方式，这种方法极大地缓解了ML在模型训练中由于数据稀缺性造成的局限性。PINN的一个关键特征是它易于同化观测值，在不同时空尺度上的时变观测或空间快照可以很容易地纳入PINN训练，且由于其自动微分和无网格特性，使其无需进行离散化处理。

该研究旨在开发一种基于PINN数据同化的降尺度方法，以解决沿海地区大尺度河流模型中河流动态的亚格变率问题，开发了一种一维SVE的PINN求解器。将原位和遥感测量以及粗尺度模型解合并在一起，得到靠近海岸界面的缩小尺度解，提高了洪水模拟效果。