神经网络求解NS方程

已于 2022-04-14 11:03:11 修改
阅读量2.3k 收藏 8
点赞数 2
分类专栏： Deep learning NS方程求解 文章标签： 神经网络 线性代数 机器学习
于 2021-03-22 18:54:48 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/115090654
版权
Deep learning 同时被 2 个专栏收录
42 篇文章 71 订阅 ¥239.90 ¥399.90
订阅专栏
NS方程求解
8 篇文章 28 订阅
订阅专栏
本文探讨了利用神经网络解决复杂的NS方程，对比了直接PINN和间接PINN方法在时间和精度上的表现，同时也提到了Petrov方法在计算效率上的优势。
摘要由CSDN通过智能技术生成

问题引出

− ν ∇ 2 u + u ⋅ ∇ u + ∇

了解本专栏 订阅专栏 解锁全文
Galerkin码农选手
关注
专栏目录
订阅专栏
NS方程求解-PointNet和升维思想（效果很差）
forrestguang的博客
04-14 2548
PointNet求解NS方程 参考文献：Kashefi, A. , and T. Mukerji . “Physics-Informed PointNet: A Deep Learning Solver for Steady-State Incompressible Flows and Thermal Fields on Multiple Sets of Irregular Geometries.” (2022). PointNet网络的特点在于中间通过pool提取过一次全局特征，这个特点导致一个问题。
NN求解NS方程进一步探讨
forrestguang的博客
03-26 1130
检验函数空间的选取 前面的NS方程选取的检验函数都是一个一个基函数为模板，然后进行对应的缩放得到的，这个我们打印出所有的inset.v,inset.vx会发现里面的元素是一样的，其实很容易理解，当我们进行缩放以后，4个积分点相对于网格点的位置没变，所以取值应该一样。有这个思路以后，我们随机生成一组数，把这组数看成是我们的基函数的取值。为了方便说明，本人举一个例子： ψ⁡(x,y)={(1−x)∗(1−y),0≤x≤1,0≤y≤1,(1+x)∗(1−y),−1≤x≤0,0≤y≤1,(1+x)∗(1+y),−1
基于物理信息神经网络（PINN）求解Burgers方程(附PyTorch源代码)
最新发布
图灵的猫的博客
10-02 1337
本文介绍了如何通过物理信息神经网络（PINN）求解经典的 Burgers 方程，详细讲解了网络结构、损失函数设计、训练过程以及可视化解的步骤。PINN 是一种强大的工具，能够将物理方程与神经网络相结合，用于求解复杂的偏微分方程。
CFD求解NS方程代码
12-26
求解NS方程会碰到一个问题就是CFL问题，该代码研究时间参数设置对结果影响
NS方程求解-NSFnet
forrestguang的博客
04-14 2462
NSFnet求解CVD正问题 参考文献： Yang, H. , F. N. Hwang , and X. C. Cai . “NONLINEAR PRECONDITIONING TECHNIQUES FOR FULL-SPACE LAGRANGE-NEWTON SOLUTION OF PDE-CONSTRAINED OPTIMIZATION PROBLEMS *.” Siam Journal on entific Computing (2016). 其中γ=0.01,Re=1,Pr=0.72,Gr=1e
MATLAB 工具箱傻瓜式求解 NS（Navier Stoke）方程
LSEC小陆的博客
10-18 5372
可惜的是，MATLAB 的自带的工具箱无法对它进行很好地求解，主要原因在于非线性项（对流项）无法处理，如果把它和右端载荷项放在一块处理，显然 MATLAB 工具箱是没办法支持这件事情的。打开工具箱，选择圆柱绕流算例，就是这个例子，点击 Run，它会自动地给你演示如何做。这个工具够傻瓜够强大，能求解很多 CFD 的问题，能和 FEniCS 和 Openfoam 联动，求足够完整的文档，以及完备的社区。安装就不用说，一搜就有了。需要指明的是，这份代码的运行需要在工具箱打开，变量载入空间的时候才能 work。
神经网络求解分数阶方程
09-21
神经网络方法求解分数阶方程，采用的是余弦基函数的方法，精确度高。
神经网络求解线性方程组,人工神经网络激活函数
神经网络爱好者
08-27 783
但是相应的Sigmoidal型函数的收敛速度还是比较快的，（相同的结构前提下）还有就是BP在做分类问题的时候，Sigmoidal函数能比较好的执行这一条件，关于连续函数可以做激活函数的证明，可以在IEEEtrans.onneuralnetworks和NeuralNetworks以及NeuralComputating和NeuralComputation上找到。另外，sigmoid函数单调递增，连续可导，导数形式非常简单，是一个比较合适的函数（3）对于多分类问题，输出层就必须是softmax函数了。...
深度学习-神经网络求解解析
07-06
### 深度学习-神经网络求解解析 #### 概述 在深度学习领域，尤其是涉及卷积神经网络（CNN）的研究与应用时，Caffe框架因其高效性及灵活性而备受青睐。其中，`solver`是Caffe的核心组件之一，负责模型训练过程中...
PFNN两个神经网络组合训练求解泊松方程
forrestguang的博客
09-07 3004
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:
独家 | 教你用神经网络求解高级数学方程！
数据派THU
04-07 1364
作者：François Charton, Guillaume Lample翻译：冯羽校对：吴金笛本文约2650字，建议阅读10分钟本文介绍了一种利用深度学习中的神经机器翻译（NMT）技...
无痛苦NS方程.pdf
11-20
本笔记素材主要来源于为参加东岳流体权杆杄课程的同学准备的预习资料。本笔记一步一步地从最基本的守恒法则开始推导李札杓方程，推导过程详实且不失简短（朲朰余页），是非常易懂的权杆杄入门补充资料。
NS方程推导
07-07
NS方程推导过程，非常实用哦。。。。NS方程推导过程，非常实用哦
神经网络求解超定方程
03-17
基于线性规划理论，提出一种求解超定线性方程组的神经网络方法
解ns方程_解中子星（NS）结构方程(TOV方程)
weixin_35876760的博客
01-14 2557
当一个质量超过Chandrasekhar上限的完全简并星，其简并电子气压力不足以抗衡星体自身的引力，星体将塌缩下去，可能的结局有三种：①一直坍缩下去，成为黑洞（BH）；②坍缩的过程中，温度骤升，引起Ⅰ型超新星爆炸，抛出大量物质后，剩余物质低于Chandrasekhar上限，因而成为白矮星（WDS）；③在Ⅱ型超新星爆炸的强大压力下成为中子星（NS）.我们主要讨论中子星的情况。想要了解中子星的质量以及...
连续、离散时间零化神经网络(ZNN)求解动态矩阵线性方程、动态矩阵逆、动态矩阵Moore-Penrose逆问题
Bokman的博客
12-02 3228
1. 连续、离散ZNN求解动态矩阵线性方程问题： 动态矩阵线性方程问题的定义： 定义误差函数： 零化神经网络ZNN的演化公式： 综合推导可得用于求解动态矩阵线性方程问题的连续时间ZNN模型： 欧拉前向差分定义： 上式中的g表示采样间隔 即可推导得出用于求解动态矩阵线性方程问题的离散时间ZNN模型： 2. 连续、离散ZNN求解动态矩阵逆问题： 动态矩阵线性方程问题的定义： 定义误差函数： 零化神经网络ZNN的演化公式： 综合推导可得用于求解动态矩阵逆问题的连续时间ZNN模型
PDE的mpi4py深度学习区域分解并行算法-NS方程和泊松方程
forrestguang的博客
03-21 795
−Δuu​finΩgon∂Ω​这里我们选取Ω012。
关于近十年来N-S方程的研究结果
weixin_44925715的博客
06-21 1042
关于NS方程的研究结果
解ns方程_流体动力学NS方程的哲学缺陷
weixin_42117340的博客
01-14 4124
在2014年，我与好几个学友谈论过流体力学中的NS方程。眼下有空，也就把自身近几年的思考简述如下。就NS方程的推导及其所反映的客观现象而言，NS方程是对流体微元在瞬时意义上变形运动的描述。在流体力学本构方程中的压力是天外来客，在力学本质上，压力的空间梯度是微元体惯性力的表征。然而，在本构方程中，它是被置于变形应力的地位。从而，在哲学上，惯性力(牛顿意义上的)是没有独立地位的。这是因为，如果研究稳态...
神经网络求解微分方程步骤
03-01
神经网络求解微分方程的步骤如下： 1. 数据准备：收集或生成用于训练的微分方程数据集。数据集应包含输入变量和对应的输出变量（即微分方程的解）。 2. 网络设计：选择适当的神经网络结构来表示微分方程的解。常用的网络结构包括前馈神经网络、循环神经网络和卷积神经网络。 3. 损失函数定义：定义一个损失函数来衡量网络输出与真实解之间的差异。常用的损失函数包括均方误差、平均绝对误差等。 4. 训练网络：使用数据集来训练神经网络，通过最小化损失函数来优化网络参数。可以使用梯度下降等优化算法进行参数更新。 5. 验证和调优：使用验证集来评估网络的性能，并根据需要进行调整和改进网络结构、超参数等。 6. 测试和应用：使用测试集来评估训练好的网络在未见过的数据上的表现。如果网络的性能符合要求，可以将其应用于实际问题中求解微分方程。
评论 3
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

Galerkin码农选手

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