NN求解NS方程进一步探讨

已于 2022-04-14 11:02:38 修改
阅读量1.1k 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 70 订阅 ¥239.90 ¥399.90
订阅专栏
NS方程求解
8 篇文章 27 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
专栏目录
订阅专栏
pytorch实现NS方程求解-基础PINN
forrestguang的博客
04-14 7321
问题描述Kovasznay problem 参考文献：Dockhorn, T. . “A Discussion on Solving Partial Differential Equations using Neural Networks.” (2019). {−νΔu+uux+vuy+px=f1,−νΔv+uvx+vvy+py=f2,ux+vy=0,u∣∂Ω=u0,v∣∂Ω=v0.\left\{\begin{array}{l} -\nu \Delta u + uu_x + v u_y + p_x = f_
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-PointNet和升维思想（效果很差）
forrestguang的博客
04-14 2475
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。
MATLAB 工具箱傻瓜式求解 NS（Navier Stoke）方程
LSEC小陆的博客
10-18 5232
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。
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）
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
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...
线性微分方程求解方法（齐次/非齐次）
07-11
理解并掌握这些基本的微分方程求解方法对于学习更高级的微分方程理论以及解决实际问题至关重要。通过深入学习，我们可以解决更复杂的非线性微分方程，理解微分方程组，以及运用拉普拉斯变换、傅里叶分析等工具来处理...
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，...
c++编写的线性方程组的求解程序
10-24
标题“c++编写的线性方程组的求解程序”和描述“线性方程组的求解程序，用c++实现，全选主元高斯消去法”表明了本文档是一篇详细介绍如何使用C++语言编程实现全选主元高斯消去法来求解线性方程组的文章。高斯消去法...
学习记录-PINN
qq_33475749的博客
08-07 4474
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.
26种主流的神经网络偏微分方程求解方法汇总
学姐带你玩AI的博客
12-15 5175
是数学中一门重要的分支，应用范围广泛涉及自然科学、工程技术、生物学领域等。然而我们都知道，偏微分方程的求解过程异常艰难，如果碰上了特别复杂的，传统的计算方法可能需要数百万个CPU小时。怎么解决？神经网络这就来了！经研究发现，深度学习神经网络求解可以大幅度提高效率，比传统的偏微分方程求解器更快地求出近似解。为此，更多人投入到了这个方向的研究中，基于神经网络的偏微分方程求解方法也成了研究新热点。目前该方向主要分为。
NSsimulation：使用python模拟Navier-Stokes equations（ns方程），附项目GitHub地址，亲测可用。（2023 apmcm、2024美赛）
muaamua的博客
02-13 2531
利用python模拟Navier-Stokes方程，N-S方程在流体力学中具有十分重要的意义，因为它们反映了粘性流体（又称真实流体）流动的基本力学规律。 1、【本科组】2023年亚太地区大学生数学建模竞赛（APMCM）B题。 第（1）（2）小问，建立风速的数学模型；第（3）小问提供温室内部的风速分布。利用ns方程模拟风求解。 2、 2024美赛 B题。 第（1）小问，建立定位模型，利用ns方程模拟洋流强化模型。
【神经网络+数学】——（5）神经网络求解二元方程组问题
BlackValley的博客
07-08 1804
背景 求解方程组问题（线性非线性均可，不带微积分） 问题描述 xy+x3+y3=11yxy+x^3+y^3=11yxy+x3+y3=11y x2y2+x2+2y2=10x^2y^2+x^2+2y^2=10x2y2+x2+2y2=10 不限制xy范围，实际解为x=2 y=1 注意俩方程也可能解出来多套解，我只是先设定了实际解的一组解，然后构造的方程组，所以还可能存在其他解 神经网络 思路：参考遗传算法求解方程组的思路，将评估函数设定为每个方程移项（将等号右侧变为0）后等号左侧的平方和（遗传算法需要构造平方
计算不可压缩流体- NS方程求解算法
lizhengjiang的专栏
03-20 1万+
在上一篇介绍差分格式可以看到求解不可压缩NS方程，主要是求解速度的动量方程和压力的波松方程。本文介绍一些历史中的算法，下一文介绍目前常用的算法。 一  Marker and Celler （MAC) 算法 在自然差分格式中给出PPE如下：    laplace ( p) = laplace ( body_force) - rho * div ( u * grad_u)    （1） 。
PINN解N-S方程参数反演问题—tf2版本代码+解释
Steven's Blog
07-06 5268
PINN解N-S方程反问题，基于tensorflow 2.0实现，完整代码
利用神经网络求解微分方程
热门推荐
rauchy的博客
10-22 1万+
原理 实现 效果
【PINN物理信息网络】基于PINN物理信息网络的Navier Stokes 方程求解（python)
k8291121的博客
12-30 1447
【PINN物理信息网络】基于PINN物理信息网络的Navier Stokes 方程求解（python)
AI求解微分方程
weixin_44708254的博客
05-04 1559
但是，这个方法看似精巧，实则也有他的缺点：我们要想找出训练数据对应的控制方程，我要先知道这个方程的“ 大体样子”；如果筛选出来的和训练的数据对上了，那就说明这个偏微分的算子就是应该是对应方程里的算子。值得一提的是，这个工作和之前的PDE-FIND有很多的相近之处：因为我们要构架出被学的方程的基本形式，没所以我们也要对我们期望得到的方程的形式有一个大体形式的预期；首先，虽然作者们都或多或少地在自己的paper中声称自己的机器学习方法 预测出来的方程的解比用传统方法高效很多；”的机器学习框架，英文简称HFM。
pytorch PINN 求解抛物方程 代码
最新发布
09-25
PyTorch 中的 Physics-Informed Neural Networks (PINN) 可以用于求解各种物理问题，包括抛物方程。抛物方程是一种基础的数学模型，比如热传导、波动等现象。在 PyTorch 中，你可以通过定义一个神经网络来近似解决方案，并结合损失函数，其中一个部分就是方程本身。 以下是一个简单的示例，展示如何使用 PyTorch 构建一个 PINN 来解决一维抛物方程 `u_t = -au_xx`： ```python import torch import torch.nn as nn # 定义网络结构 class PinnModel(nn.Module): def __init__(self, input_dim, output_dim, hidden_layers=3, neurons_per_layer=32): super(PinnModel, self).__init__() self.net = nn.Sequential( nn.Linear(input_dim, neurons_per_layer), nn.Tanh(), # 添加更多的隐藏层 *([nn.Linear(neurons_per_layer, neurons_per_layer)] * (hidden_layers - 1)), nn.Linear(neurons_per_layer, output_dim) ) def forward(self, x, t): u = self.net(torch.cat((x, t), dim=-1)) return u # 参数设定 input_dim = 2 # 空间维度加时间维度 output_dim = 1 model = PinnModel(input_dim, output_dim) # 损失函数（包括边界条件和方程本身的误差） def loss_fn(model, x_data, t_data, u_true, a=1.0): u_pred = model(x_data, t_data) eqn_loss = torch.mean((u_pred[:, None] - (-a * model(x_data, t_data).diff(dim=-1)**2))**2) # 假设我们有简单的边界条件 u(0, t) = 0 和 u(1, t) = 0 boundary_loss = torch.sum((u_pred[0] + u_pred[-1])**2) return eqn_loss + boundary_loss # 训练模型 optimizer = torch.optim.Adam(model.parameters(), lr=0.01) num_epochs = 1000 for epoch in range(num_epochs): optimizer.zero_grad() loss = loss_fn(model, ... # 输入数据位置 loss.backward() optimizer.step()
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