基于pytorch的PFNN求解高维空间的helmhotz方程

Galerkin码农选手

已于 2022-09-05 13:50:05 修改

阅读量775

点赞数

分类专栏： Deep learning 文章标签：深度学习机器学习 pytorch

于 2020-12-30 22:07:54 首次发布

本文链接：https://blog.csdn.net/forrestguang/article/details/108452726

版权

Deep learning 专栏收录该内容

42 篇文章 69 订阅 ¥239.90 ¥399.90

订阅专栏

该博客介绍了如何利用PyTorch中的两个神经网络来解决高维空间的Helmholtz方程，特别是关注非Dirichlet边界的处理。损失函数设计是解决难点之一，而右端项的定义和采样策略同样具有挑战性。文章提供了详细注释的完整代码示例。

摘要由CSDN通过智能技术生成

在这里插入图片描述
注意到这里使用两个神经网络训练，这个图片上的损失函数是针对非Dirichlet边界的。

import torch
import time
import numpy as np
import matplotlib.pyplot as plt
import torch.nn as nn
def U(X

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Galerkin码农选手

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

高频问题的PFNN求解，自适应采样初步探索

forrestguang的博客

12-21

880

高频问题介绍 −Δu=f,x∈Ω=(0,1)2-\Delta u=f,x \in \Omega=(0,1)^2−Δu=f,x∈Ω=(0,1)2 u=g,x∈∂Ωu=g,x \in \partial \Omegau=g,x∈∂Ω u=sin⁡(ηπx)sin⁡(ηπy),η=2,4,8u = \sin(\eta \pi x)\sin(\eta \pi y),\eta=2,4,8u=sin(ηπx)sin(ηπy),η=2,4,8 高频问题使用传统方法求解效果很差 import torch import

PFNN两个神经网络组合训练求解泊松方程

forrestguang的博客

09-07

2982

边界条件的自动匹配仍然考虑这个微分方程首先给出精确解以及采样过程： def U(X, order,prob): if prob==1: temp = 10*(X[:,0]+X[:,1])**2 + (X[:,0]-X[:,1])**2 + 0.5 if order[0]==0 and order[1]==0: return torch.log(temp) if order[0]==1 and order[1]==0:

参与评论您还未登录，请先登录后发表或查看评论

双互易杂交边界点方法求解 Helm holtz方程 (2010年)

05-17

提出了一种新的边界类型无网格法―――双互易杂交边界点方法,它将杂交边界点法和双互易法结合,来求解 Helmholtz方程。该方法将 Helmholtz方程的解分为通解和特解两部分,通解使用杂交边界点方法求解,特解则利用径向基函数近似。该方法只需要边界上离散的点,域内少数的点仅仅是为了径向基函数插值。通过数值算例对影响该方法性能的参数进行了研究。数值算例表明,该方法在求解 Helmholtz方程时有较高的精度和数值稳定性。

探索PFNN：一种高效的深度学习模型

gitblog_00061的博客

04-18

432

探索PFNN：一种高效的深度学习模型项目地址:https://gitcode.com/sreyafrancis/PFNN 在快速发展的机器学习领域中，创新始终是推动技术进步的关键。今天我们要介绍的是一项名为PFNN（Parallel Factorization Machine based Neural Network）的开源项目，它结合了因子分解机和神经网络的优点，为预测任务提供了高效且准确的...

Phase-Functioned Neural Networks for Character Control论文翻译（用于角色控制的相位功能神经网络）

weixin_43798435的博客

03-08

1397

我们提出了一种实时角色控制机制，使用一种新的神经网络结构，称为相位功能神经网络。在这个网络结构中，权值是通过一个使用相位作为输入的循环函数来计算的。除了相位，我们的系统将用户控制，角色的先前状态、场景的几何形状作为输入，并自动产生高质量的运动，以实现所需的用户控制。整个网络是在一个大型数据集上以端到端的方式进行训练的，该数据集由行走、跑步、跳跃和攀爬等运动组成，这些运动适合虚拟环境。因此，我们的系统可以自动产生运动，使角色适应不同的几何环境，如在崎岖的地形上行走和奔跑，爬过大的岩石，跳过障碍物，以及蹲在低低

PINN神经网络源代码解析(pyTorch)

李文韬的博客

08-16

1万+

来源于Github [https://github.com/jayroxis/PINNs](https://github.com/jayroxis/PINNs)

pytorch求解高维空间PDE

forrestguang的博客

09-07

1407

高维矩形空间的PDE求解 −Δu=f,x∈Ω=[0,1]100-\Delta u =f,x\in\Omega=[0,1]^{100}−Δu=f,x∈Ω=[0,1]100 u∣∂Ω=gu|_{\partial\Omega}=gu∣∂Ω=g 与低维空间相比，高维空间的PDE求解几乎一样，唯一的区别就是采样点，低维空间里，一般采取均匀采样。但是高维空间里均匀采样实现比较复杂，为此直接使用torch.rand()函数实现不均匀采样。 import torch import torch.nn as nn impor

深度ritz方法求解高维泊松方程

forrestguang的博客

05-03

1114

此时样本数目过于庞大，一定会导致训练特别耗时。为此可以采取的策略是，每训练一定次数，就重新撒点，对于边界点也是类似的。举例子，如果我们在区域内部采集1000个样本点，扩散到每个维度，那么每个维度最多采集了2个点，因为。，这样导致样本数目过小，如果一开始每个维度采集20个点，那么需要采集的样本数目就是。长度因子需要满足在边界上取值为0，在内部区域恒大于0.，利用netg训练边界数据，构建均方误差函数，训练完以后netg满足。表示区域维度，这里我们使用PFNN算法来求解这个问题。即可，这个思想非常简单。

pytorch的深度Ritz方法入门

forrestguang的博客

03-11

1904

Ritz方法介绍泊松方程引入 −Δu=f,x∈Ω=(0,1)2-\Delta u=f,x \in \Omega=(0,1)^2−Δu=f,x∈Ω=(0,1)2 u=g,x∈∂Ωu=g,x \in \partial \Omegau=g,x∈∂Ω Ritz原理原来问题等价于优化: loss=0.5∗∮Ω∇u⋅∇u−2∗fudxdyloss = 0.5*\oint_{\Omega} \nabla u \cdot \nabla u - 2*fu dxdyloss=0.5∗∮Ω∇u⋅∇u−2∗fudxdy s.

动手学深度学习V2.0(Pytorch)——12. 权重衰退

啷个哩个啷

10-27

954

https://www.bilibili.com/video/BV1UK4y1o7dy?p=1

PINN学习教程

weixin_44992737的博客

06-09

3473

PINN应用

PINN学习记录（2）

weixin_45805559的博客

11-27

6248

PINN学习记录（2） PINN基于解物理的方程的应用，所以我自己学习了一段时间，参考了网上很多的开源项目，末尾会贴出一些，自己总结了一下思路解微分方程 1、ODE f′(x)=f(x)f'(x)=f(x)f′(x)=f(x) f(0)=1f(0)=1f(0)=1 网络构造这里说明一下，之后用nn.module，来解决，这只是建立一个通用网络 import torch import torch.nn as nn import numpy as np class Net(nn.Module):

PINN学习记录（1）

weixin_45805559的博客

11-21

7051

PINN学习记录（1）安装Deepdxe 官方链接安装 pip install deepxde 直接在evns 环境下安装即可在git hub 上下载zip，然后set.up 链接:deepxde 注意：默认backend 是tensorflow_compact_v1 我自己用pytorch ,所以需要更改在C:\Users\admin\.deepxde下更改即可学习例子 1、buegers equations (完整代码） (部分代码) def pde(x, y): dy

深度学习求解微分方程系列四：一种基于自适应激活函数的PINN求解方法—burger方程逆问题

山里娃的博客

11-10

5505

下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch的PINN求解框架实现求解含时间项的一维burger方程逆问题。

PINN解N-S方程参数反演问题—tf2版本代码+解释

Steven's Blog

07-06

5191

PINN解N-S方程反问题，基于tensorflow 2.0实现，完整代码

物理信息神经网络PINN2024最新改良方案汇总（含复现代码）

学姐带你玩AI的博客

01-30

7996

传统的数值方法在处理复杂问题时可能需要大量的计算资源和时间，而改良后的PINN可以通过更有效的算法减少计算成本，使得求解过程更加高效。在写论文时，我们也可以通过改进PINN减少数据需求、加速模型收敛、提高预测准确性、增强可解释性，从而提高论文的质量和影响力。今天我就来分享，包括2024年最新，每种方案涉及的PINN变体和来源文章也都整理了，贴上了开源代码方便同学们复现。最新的方案已经帮大家分析好了创新点，写论文的同学可以借鉴学习，其他paper看文末。

共享单车神经网络预测（pytorch )每行代码详细解释

qq_40840797的博客

07-16

4598

1.数据来源：本例将会使用一个国外的共享单车公开数据集（Capital Bikeshare）来完成我们的任务，数据集下载链接：www.capitalbikeshare.com/system-data。（或者也在我上传的资源中也有https://download.csdn.net/download/qq_40840797/20325952）数据介绍：特征因素（例如：年份，季度，星期几，温度，风速等因素）；目标变量（用户数，临时注册用户数，注册用户数） 2数据处理 import numpy a..

PINN学习与实验（二）