DSNN求解间断椭圆问题

已于 2023-04-12 19:41:17 修改
阅读量789 收藏
点赞数
分类专栏： Deep learning 文章标签： pytorch 深度学习 神经网络
于 2022-05-02 16:19:10 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/124542210
版权
Deep learning 专栏收录该内容
42 篇文章 70 订阅 ¥239.90 ¥399.90
订阅专栏
本文探讨了使用深度势网络(DSNN)解决间断椭圆问题和连续问题，通过设定特定的边界条件和损失函数，如泊松方程，并在不同区域内调整系数。尽管尝试将DSNN应用于连续问题，但实验结果显示效果不尽如人意。
摘要由CSDN通过智能技术生成

− ∇ ⋅ ( β ∇ ϕ ) = f  in  Ω \ Γ , [ ϕ ] = v

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
深度ritz方法求解高维泊松方程
forrestguang的博客
05-03 1119
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。
机器学习（31）PINN
最新发布
qq_45800507的博客
04-14 1862
本文主要讨论PINN。本文简要介绍了监督学习。其次本文展示了题为Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations的论文主要内容。该论文提出了一个深度学习框架，使数学模型和数据能够协同结合。
神经网络求解偏微分方程时遇到的一些问题
ion_ura的博客
01-06 934
记录了自己编写神经网络解算偏微分方程时遇到的一些问题，并附上了完整的代码.
深度学习（Deep Ritz,Galerkin,PINN）求解偏微分方程(PDE)实现代码地址
weixin_42579969的博客
01-13 445
深度学习求解偏微分方程的实现代码可以在GitHub上查找。下面是几个可能有用的项目地址: Deep Ritz: https://github.com/yseop/DeepRitz Galerkin: https://github.com/maziarraissi/PINNs PINN (Physics-Informed Neural Networks): https://github.com/m...
基于pytorch的PINN代码
m0_45861823的博客
02-07 3668
基于pytorch实现的PINN求解Burger方程，Adam+Lbgfs优化器
椭圆型偏微分方程的数值解法
01-26
椭圆型偏微分方程在数学、物理、工程等领域有着广泛的应用，特别是在热传导、流体力学等问题中。本章将重点探讨如何通过数值方法解决这类问题。具体来说，我们将讨论三种方法：五点菱形差分法、九点紧差分方法以及...
练习7_椭圆型偏微分方程求解_
10-01
在数学和科学计算中，椭圆型偏微分方程（Elliptic Partial Differential Equations，简称PDEs）是一类重要的方程，广泛应用于物理、...通过实际操作，你可以加深对椭圆型PDE求解过程的理解，并提高解决实际问题的能力。
FEM/简单矩形椭圆边值问题求解总结/matlab
04-08
标题中的"FEM/简单矩形椭圆边值问题求解总结/matlab"表明这是一个关于使用MATLAB解决有限元方法（FEM）中的简单矩形区域内的椭圆边值问题的教程或研究。在这个主题中，我们将深入探讨以下几个关键知识点： 1. **...
Pusaon 椭圆方程的 MDF：求解 POISON 椭圆方程的最终差分方法-matlab开发
05-29
在本项目中，我们关注的是使用MATLAB编程解决椭圆型偏微分方程（PDE）的问题，具体是Pusaon椭圆方程。MATLAB是一个强大的数值计算和编程环境，非常适合进行科学计算和算法开发，特别是对于解决数学中的各种问题，...
implicit-PINN
04-07
数据驱动的机器学习，用于在升频过程中明确解决非线性问题。 我们使用数据驱动的机器学习来明确地解决升级过程中的非线性问题。 我们专注于扩大生物组织中对流，扩散和非线性React的微分平衡的问题。 经典有效性因子模型用于制定宏观React动力学。 从使用宏观尺度浓度和浓度梯度作为特征空间组成部分来训练网络的意义上说，网络被描述为是明确的。 通过后验平均将放大后的平均浓度解与从微观浓度场得到的数值解进行比较。 这项工作需要特别注意的三个结果：1）我们发现，经过训练的网络具有良好的泛化性，并且尽管组织的规模和几何形状明显不同，但它能够以高保真度预测逼真的结构组织的有效性因子。两种示例性组织类型； 2）该方法导致PDE的提升，其有效因子可以通过训练后的神经网络进行（隐式）预测； 3）更重要的是，从微观封闭问题中出现的源项中得出的隐含特征对于网络预测高保真校正因子至关重要。 有关更多信息，请参阅以
pytorch求解高维空间PDE
forrestguang的博客
09-07 1416
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
PINN学习记录（2）
weixin_45805559的博客
11-27 6272
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):
pytorch解微分方程_【他山之石】pytorch计算模型FLOPs和Params
weixin_33585822的博客
01-12 795
“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注。作者：知乎—庄六岁地址：https://www.zhihu.com/people/zhuang-ming-xi-31-16网络框架模型计算量影响到模型的推断...
深度学习求解一维burgers方程和Galerkin求解泊松方程
forrestguang的博客
04-09 1448
{ut+uux−(0.01/π)uxx=0,x∈[−1,1],t∈[0,0.99],u(0,x)=−sin⁡(πx),u(t,−1)=u(t,1)=0.\left\{\begin{array}{l}u_t+u u_x-(0.01 / \pi) u_{x x}=0, \quad x \in[-1,1], \quad t \in[0,0.99], \\ u(0, x)=-\sin (\pi x), \\ u(t,-1)=u(t, 1)=0 .\end{array}\right.⎩⎨⎧​ut​+uux​−(0.0
基于pytorch的PINN求解含时间项的泊松方程
forrestguang的博客
05-06 3156
方程引出 ut−uxx−uyy−uzz=f,x∈Ω,u_t-u_{xx}-u_{yy}-u_{zz}=f,x\in \Omega,ut​−uxx​−uyy​−uzz​=f,x∈Ω, u(0,x,y,z)=u0,u(0,x,y,z)=u_0,u(0,x,y,z)=u0​, u(t,x,y,z)=h,(x,y,z)∈∂Ωu(t,x,y,z)=h,(x,y,z)\in \partial \Omegau(t,x,y,z)=h,(x,y,z)∈∂Ω 这里同样使用PINN来求解方程。 难点 第一个困难在于我们需要给出几
【算法基础】基于pytorch的BP神经网络算法工程详解：代码+数据集
m0_46195532的博客
06-06 2771
定义数据集类以处理CSV文件。创建一个简单的BP神经网络模型。定义训练循环，包括数据加载、前向传播、计算损失、反向传播和权重更新。此处使用pytorch提供的Dataset读取数据，并对输入数据做归一化处理其实pytorch在训练前，输入model.train( )，进入train模式后会自动进行Batch Normalization，个人认为此处的归一化有点重复，可以省略。model.train() 和 model.eval() 原理与用法。
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