Galerkin与深度学习结合的算法求解PDE

已于 2022-04-10 17:17:13 修改
阅读量1.3k 收藏 8
点赞数 3
分类专栏： Deep learning 文章标签： 深度学习 算法 人工智能
于 2020-10-13 16:10:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/forrestguang/article/details/108914636
版权
本文探讨了如何结合Galerkin方法与深度学习来解决偏微分方程（PDE）。在Dirichlet边界条件下，通过选取特定的测试函数，并基于有限元方法进行均匀网格剖分。利用神经网络近似解，并通过高斯积分提高计算精度。文章还提及了代码整合和数值结果的展示。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

矩形区域，Dirichlet边界条件
考虑Dirichlet边值问题：
− Δ u = f , x ∈ Ω -\Delta u = f,x \in \Omega −Δ

了解本专栏 订阅专栏 解锁全文
深度学习方法求解二维空间的PDE
forrestguang的博客
09-07 2079
这里先介绍最简单的二维空间的矩形区域，使用的工具主要是pytorch。算法的核心是利用极小位能原理（参考微分方程数值解），将偏微分方程转换为一个soblev泛函空间求极小问题。
torch.nn.DataParallel实现深度学习求解PDE数据并行
forrestguang的博客
08-02 775
泊松方程 {−Δu=f, in Ω,u=g, on ∂Ω,\left\{\begin{aligned} -\Delta u &=f, \text { in } \Omega, \\ u &= g ,\text { on }\partial \Omega,\\ \end{aligned}\right.{−Δuu​=f, in Ω,=g, on ∂Ω,​ 这里我们选取
1秒极速求解PDE：深度神经网络为何在破解数学难题上独具天赋？
Paper weekly
04-24 1119
研究者们致力于使用偏微分方程（Partial differential equation，PDE）来描述涉及许多独立变量的复杂现象，比如模拟客机在空中飞舞、模拟地震波、模拟疾病在人群中蔓延...
用深度学习求解高维偏微分方程
热门推荐
LSEC小陆的博客
11-08 2万+
用深度学习求解高维偏微分方程 简述： 我们一般求解的传统的PDE维数也就二维三维，但是在其他领域中，比如说金融学，通过数学建模构建出来的PDE的维数及其之高，维数升高带来的“维数灾难”问题亟待解决。 这篇文章，介绍了一种基于深度学习的方法，可以处理一般的高维抛物型方程。这篇文章，用反向随机微分方程构造PDE，并用神经网络近似未知解的梯度，来求解高维的偏微分方程。 高维PDE的来源： 1、量子多体问...
深度学习（Deep Ritz,Galerkin,PINN）求解偏微分方程(PDE)解读
weixin_35752122的博客
01-13 1949
深度学习在求解偏微分方程(PDE)中有三种主要方法: Deep Ritz, Galerkin 和 PINN. Deep Ritz 方法是通过使用深度神经网络来逼近解析解来求解 PDE 的. 它使用了 Ritz 方法中的估计量来训练网络, 从而得到逼近解. Galerkin 方法是通过在网络中使用 Galerkin 方法中的基函数来求解 PDE 的. 它使用了 Galerkin 方法中的线性组合...
DGM深度学习求解PDE.pdf
06-17
标题《DGM深度学习求解PDE.pdf》指明了本文档的研究主题为深度学习技术用于...综上所述，DGM算法在深度学习求解PDE领域中，展现出了极大的潜力和应用价值，尤其在高维问题的求解上，为计算科学提供了新的思路和方法。
PDE约束优化控制问题-神经网络结合惩罚函数求解
forrestguang的博客
01-27 393
算例引入 这里我们以下面这个算例为根本，相继介绍神经网络+penalty以及神经网络+ALM如何求解约束优化问题。 min⁡y,uJ(y,u)=12∫Ω(y−yΩ)2+u2dxdy+∫∂ΩeΓyds. s.t. −Δy+y=u+eΩ,x∈Ω,∂y∂n=0,x∈∂Ω.0≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \frac{1}{2}\int_{\Omega} (y - y_{\Omega})^2 + u^2 dx d
AI4PDEs新热点！基于极限学习机、随机特征、区域分解、最小二乘方法求解线性、非线性PDE方程组，高精度高效率匹敌传统数值方法
最新发布
m0_51570792的博客
12-08 980
AI4PDEs新热点！基于极限学习机、随机特征、区域分解、最小二乘方法求解线性、非线性PDE方程组，高精度高效率匹敌传统数值方法
deepxde：用于求解微分方程等的深度学习库
02-03
深度XDE DeepXDE是在之上的深度学习库。 如果需要深度学习库，请使用DeepXDE 通过物理信息神经网络（PINN）求解正向和反向偏微分方程（PDE）， 通过PINN求解正向和反向积分微分方程（IDE）， 通过分数PINN（fPINN）求解正向和逆分数阶偏微分方程（fPDE）， 通过多保真度神经网络（MFNN）从多保真度数据中近似函数， 通过深度算子网络（DeepONet）近似非线性算子， 从具有/不具有约束的数据集中近似函数。 文档： ，，，，， 关于算法的论文 通过PINN解决PDE和IDE：，， 通过fPINN解决fPDE： 通过NN任意多项式混沌（NN-aPC）解决随机PDE： 通过MFNN从多保真数据中学习： 通过DeepONet学习非线性算子： 产品特点 DeepXDE支持 没有专制网格生成的复杂域几何。 基本几何形状为区间，三角形，矩形，多边形，圆盘，长方体和球形。 可以使用三个布尔运算将其他几何构造为构造实体几何（CSG）：联合，差和交； 多物理场，即耦合的PDE； 5种边界条件（BC）：Dirichlet，Neumann，Ro
PDE算法代码
05-04
PDE偏微分方程 算法实现matlab代码
Galerkin方法求解微分方程.
09-10
微分方程中的习题，利用数学方法所做的编程
简单的PDE求解偏微分方程
06-17
简单的PDE求解偏微分方程
Perspectives in nonlinear partial differential equations偏微分方程前瞻
09-12
文集本身是众多方程领域的数学家为贺法国大家Haim Brezis60岁生日而拿出的祝贺论文的集合。很多文章都是具有很强概括性的综述。But，我也没有详细读过。
Python 机器学习求解 PDE 学习项目 基础知识（3）matplotlib 画函数热图
qq_39538718的博客
08-09 1347
matplotlib是Python中最广泛使用的绘图库之一。它为用户提供了强大的功能来可视化数据。在PDE的后处理阶段，利用matplotlib绘制热图、曲线图等能够帮助我们直观地观察到解的分布和变化趋势，从而进一步分析物理现象。
使用深度学习和物理约束求解偏微分方程
weixin_41582053的博客
08-27 6606
偏微分方程的求解是一项非常重要和困难的任务，许多偏微分方程没有解析解，需要通过数值方法的手段寻找数值解。结合深度学习的偏微分方程求解方法有着巨大的应用潜力。PINN方法以其内嵌物理公式的创新正成为研究的热点。本文介绍了PINN方法的基本原理，并通过若干实例展示了其求解的有效性
深度学习基础之-2.5正规方程Normal Equations
Susan Wong
05-17 605
正规方程 Normal Equations 对于线性回归问题，除了前面提到的最小二乘法可以解决一元线性回归的问题外，对于多元线性回归，可以用正规方程来解决，也就是得到一个数学上的解析解。它可以解决下面这个公式描述的问题： (1)y=a0+a1x1+a2x2+⋯+akxky=a_0+a_1x_1+a_2x_2+\dots+a_kx_k \tag{1}y=a0​+a1​x1​+a2​x2​+⋯+ak​...
pde中微元分析法的主要思想_有限元法（FEM）
weixin_39689428的博客
01-13 1504
有限元法简介空间和时间相关问题的物理定律通常用偏微分方程(PDE)来描述。对于绝大多数的几何结构和所面对的问题来说，可能无法求出这些偏微分方程的解析解。不过，在通常的情况下，可以根据不同的离散化 类型来构造出近似的方程，得出与这些偏微分方程近似的数值模型方程，并可以用数值方法求解。如此，这些数值模型方程的解就是相应的偏微分方程真实解的近似解。有限元法(FEM)就是用来计算出这些近似解的。举例来说，...
论文精读之PDE-Net: Learning PDEs from Data
qq_30883339的博客
01-15 9287
论文精读之PDE-Net: Learning PDEs from Data 摘要 Partial differential equations (PDEs) play a prominent role in many disciplines of science and engineering. PDEs are commonly derived based on empirical observ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

谨慎付费（看不懂试读博客不要订阅）

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值