NN求解NS方程进一步探讨

已于 2022-04-14 11:02:38 修改
阅读量1k 收藏 3
点赞数
分类专栏： Deep learning NS方程求解 文章标签： pytorch 深度学习 机器学习
于 2021-03-26 15:55:48 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/115247291
版权
Deep learning 同时被 2 个专栏收录
42 篇文章 68 订阅 ¥239.90 ¥99.00
订阅专栏
NS方程求解
8 篇文章 25 订阅
订阅专栏

检验函数空间的选取

⚪基函数

利用散度公式，把 ∮ Ω v P x d x d y \oint_{\Omega}vP_xdxdy ∮

了解本专栏 订阅专栏 解锁全文
Galerkin码农选手
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
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
PINN深度学习求解微分方程系列一：求解框架
山里娃的博客
11-02 1万+
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框架实现求解一维Poisson方程。 1.PINN简介 神经网络作为一种强大的信息处理工具在计算机视觉、生物医学、 油气工程领域得到广泛应用, 引发多领域技术变革.。深度学习网络具有非常强的学习能力, 不仅能发现物理规律, 还能求解偏微分方程.。近年来，基于深度学习的偏微分方程求解已是研究新热点。内嵌物理知识神经网络（PINN）是一种科学机器在传统数值领域的应用方法，能够用于解决与偏微分方程 （PDE）
利用神经网络求解微分方程
rauchy的博客
10-22 1万+
原理 实现 效果
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 2792
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
学习记录-PINN
qq_33475749的博客
08-07 4303
PINN（物理信息神经网络） 图解 训练数据 1.初始条件和边界条件的采样点集； 2.偏微分方程残差采样（类网格点选取or位随机离散点选取）的配置点集； 3.标签数据用来辨识方程参数的已知数据样本集 发展 Jagtap等[6]在激活函数中引入超参数变为自适应激活函数，加速收敛速度； Shin等[7]针对椭圆型和抛物线型偏微分方程，证明了PINNs训练得到的网络可以一致收敛到偏微分方程的解 Lu等[8]基于Tensorflow开发了Python工具包DeepXDE整合了PINN.
PINN解N-S方程参数反演问题—tf2版本代码+解释
Steven's Blog
07-06 4167
PINN解N-S方程反问题，基于tensorflow 2.0实现，完整代码
deepxde：用于求解微分方程等的深度学习库
02-03
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），...
基于NN最近邻优化算法的TSP问题求解matlab仿真
最新发布
02-17
3.仿真效果：仿真效果可以参考博客同名文章《基于NN最近邻优化算法的TSP问题求解matlab仿真》 4.内容：基于NN最近邻优化算法的TSP问题求解matlab仿真。最近邻算法（Nearest Neighbor, NN）是一种简单且直观的贪婪...
高斯列主元消去法求解线性方程组
04-27
5. 从方程组的最后一个方程进行回代求解为：Xn = b(n) / a(n)nn Xi = ( b(k)k - a(k)kjxj ) / a(k)kk 高斯列主元消去法的优点是可以快速地求解线性方程组，但是它也存在一些问题。例如，一旦遇到某个主元等于0，...
Linuxtiny-cuda-nn直接安装
11-19
根据配套的文章命令，就可以轻松的在自己电脑上（服务器linux上）安装成功tiny-cuda-nn啦！！git不下来？没关系，我下载好啦！安装总是报错？没关系，我下载的这个是全套完整的！！跟着安装命令步骤来，准没错！芜湖...
Testing-PINNs:使用物理信息神经网络求解PDE
03-15
测试PIN 使用物理信息神经网络求解PDE 我们将首先关注
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
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。
Gsuss法求解方程组
03-07
从最后一行开始，利用公式 \( x_n = \frac{b_n}{a_{nn}} \)，依次求解 \( x_{n-1}, x_{n-2}, ..., x_1 \)。 在实际应用中，高斯消元法可能会遇到计算量大、数值稳定性差的问题。例如，当系数矩阵中的元素接近0时，...
神经网络激活函数有哪些,人工神经网络激活函数
super339的博客
08-12 349
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。...
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...
神经网络学习（二）：解常微分方程
lny161224的博客
09-27 1万+
前言 在完成了函数拟合之后，现在考虑常微分方程：给定一个常微分方程，让你求得这个微分方程的近似解（在给定的初值条件下）。以前都是用数学的知识来解决（这让我想起了大一在立人楼上常微分的夜晚），现在有了神经网络，我们用深度学习的方法来解决它试一试。 本次选择的微分方程是 训练流程 1.定义网络 本来是想使用之前定义的网络，但是觉得以后反正要用就规范化一下这个网络，增加一下可操作性（其实是因为当时我人在办公室笔记本上没有代码就直接重写了），在初始化中增加...
训练神经网络的五大算法
CSDN 人工智能
10-23 7681
原文： 5 algorithms to train a neural network 作者： Alberto Quesada 译者： KK4SBB 责编：何永灿，关注人工智能，投稿请联系 heyc@csdn.net 或微信号 289416419 神经网络模型的每一类学习过程通常被归纳为一种训练算法。训练的算法有很多，它们的特点和性能各不相同。问题的抽象人们把神经网络的学习过程...
偏微分方程数值解---学习总结(2)
weixin_30527423的博客
11-05 881
偏微分方程数值解---学习总结(2) 关于 \(Sobolve\) 空间的几个重要定理 迹定理 : \(\Omega\) 是 \(\mathbb{R}^d\) 的一个有界开子集，具有 李普希茨连续边界 \(\partial\,\Omega\), \(s>\frac{1}{2}\), 则 \[ \begin{align} &a.\text{存在唯一的连续线性映射}\gamma_0:\m...
用PINN求解Diffusion方程pytorch代码
06-13
以下是使用 PyTorch 实现的 PINN（Physics-Informed Neural Network）求解 Diffusion 方程的代码： 首先，导入必要的库： ```python import torch import torch.nn as nn import torch.optim as optim import numpy as np import matplotlib.pyplot as plt ``` 接下来，定义 Diffusion 方程的边界条件和初始条件： ```python # 边界条件 def BC(x): return torch.sin(np.pi * x) # 初始条件 def IC(x): return torch.exp(-50 * (x - 0.5) ** 2) ``` 然后，定义 PINN 模型： ```python class PINN(nn.Module): def __init__(self): super(PINN, self).__init__() self.fc1 = nn.Linear(1, 20) self.fc2 = nn.Linear(20, 20) self.fc3 = nn.Linear(20, 20) self.fc4 = nn.Linear(20, 20) self.fc5 = nn.Linear(20, 1) def forward(self, x): x = torch.tanh(self.fc1(x)) x = torch.tanh(self.fc2(x)) x = torch.tanh(self.fc3(x)) x = torch.tanh(self.fc4(x)) x = self.fc5(x) return x ``` 其中，`fc1` 到 `fc5` 分别是 5 个全连接层，`x` 是输入的自变量。 接着，定义 PINN 模型的损失函数和优化器： ```python # 损失函数 def loss_fn(u, f): return torch.mean((u - IC(x)) ** 2) + torch.mean(f ** 2) # 优化器 model = PINN() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` 其中，`loss_fn` 是损失函数，`u` 是模型的输出，即 $u(x)$，`f` 是偏微分方程中的项 $f(x)$。 最后，训练 PINN 模型： ```python # 训练 for epoch in range(10000): optimizer.zero_grad() x = torch.rand((100, 1)) x_left = torch.zeros((100, 1)) x_right = torch.ones((100, 1)) u = model(x) u_left = BC(x_left) u_right = BC(x_right) f = torch.autograd.grad(u, x, grad_outputs=torch.ones_like(u), create_graph=True)[0] f_x = torch.autograd.grad(f, x, grad_outputs=torch.ones_like(f), create_graph=True)[0] loss = loss_fn(u_left, u_right, u, f_x) loss.backward() optimizer.step() if epoch % 100 == 0: print('epoch:', epoch, 'loss:', loss.item()) ``` 在训练过程中，我们随机生成了 100 个数据点 `x`，并使用自动微分计算了 $u(x)$ 和 $f(x)$。然后，计算损失函数并进行反向传播和参数更新。 最后，我们可以使用训练好的模型来预测任意位置的 $u(x)$： ```python # 预测 x_test = torch.linspace(0, 1, 1000).reshape((-1, 1)) u_test = model(x_test) plt.plot(x_test, u_test.detach().numpy(), label='PINN') plt.plot(x_test, IC(x_test).detach().numpy(), '--', label='IC') plt.plot(x_test, BC(x_test).detach().numpy(), '--', label='BC') plt.legend() plt.show() ``` 这里我们使用 `linspace` 生成了 1000 个数据点进行预测，并将 PINN 模型的输出和真实解进行了比较： ![Diffusion equation PINN](https://img-blog.csdnimg.cn/20211205180303135.png)

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

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