PDE的mpi4py深度学习区域分解并行算法-NS方程和泊松方程

已于 2023-03-24 13:53:52 修改
阅读量756 收藏 3
点赞数
分类专栏： Deep learning 高性能计算 文章标签： 算法 深度学习 机器学习
于 2023-03-21 21:26:10 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/129696869
版权
高性能计算 同时被 2 个专栏收录
51 篇文章 35 订阅 ¥239.90 ¥399.90
订阅专栏
Deep learning
42 篇文章 70 订阅 ¥239.90 ¥399.90
订阅专栏
本文介绍了使用mpi4py进行区域分解并行算法解决偏微分方程（PDE）的问题，特别是针对Navier-Stokes方程和泊松方程。通过将区域划分为多个子区域，并利用MPI进行多进程通信更新子区域边界条件，实现PDE的高效求解。文中详细探讨了算法流程、边界条件设定和样本点采集策略，并提供了代码示例。
摘要由CSDN通过智能技术生成

PDE介绍

K flow

参考文献：Dockhorn, T. . “A Discussion on Solving Partial Differential Equations using Neural Networks.” (2019).
{ − ν Δ u + u u x +

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
神经网络求解NS方程
forrestguang的博客
03-22 2291
问题引出 −ν∇2u+u⋅∇u+∇p=f in Ω∇⋅u=0 in Ωu=g on ∂ \begin{aligned} -\nu \nabla^{2} \boldsymbol{u}+\boldsymbol{u} \cdot \nabla \boldsymbol{u}+\nabla p &=\boldsymbol{f} & & \text { in } \Omega \\ \nabla \cdot \boldsymbol{u}
NN求解NS方程进一步探讨
forrestguang的博客
03-26 1116
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
区域分解方法（DDM）
02-17
计算数学专业 偏微分方程有限元方向研究生必读读物
区域分解与并行计算
forrestguang的博客
05-27 1913
区域分解算法 以下都以泊松方程来举例 问题引入 给定二维空间的泊松方程： −Δu=f,x∈Ω-\Delta u = f,x \in \Omega−Δu=f,x∈Ω u=g,x∈∂Ωu = g,x \in \partial \Omegau=g,x∈∂Ω 我们把区域分成若干部分分别求解，然后相邻区域做一个通信，这样就可以得到一个并行算法。下面我们先把区域分成两部分做一个介绍： 考虑区域Ω1,Ω2\Omega_1,\Omega_2Ω1​,Ω2​ 其中红色的是Ω1\Omega_1Ω1​，蓝色的是Ω2\Omega
深度学习方法求解二维空间的PDE
forrestguang的博客
09-07 1897
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。
py-pde：用于求解一般偏微分方程的Python包
02-18
py-pde是一个Python软件包，用于求解偏微分方程（PDE）。 该程序包提供了可在其上定义标量和张量字段的网格的类。 关联的微分算子是使用numba编译的有限差分实现来计算的。 这允许定义，检查和求解典型的PDE，例如...
资料汇总:数学建模常用算法----微分方程.zip
10-08
总的来说，这个资料包为学习和应用微分方程在数学建模中的方法提供了一个全面的资源库，不仅涵盖了理论基础，还包括了实际问题的建模和求解，以及MATLAB的使用技巧，对于提升数学建模能力具有极大的帮助。
有限元法求解Fokker-Planck方程_fokker-planck方程_fokkerplanck方程_有限元法解偏微分方程_
10-03
在数值计算领域，有限元法（Finite Element Method, FEM）是一种广泛应用的求解偏微分方程（Partial Differential Equation, PDE）的方法，尤其在处理复杂几何形状和边界条件的问题时表现出强大的灵活性。...
image-inpainting-master_pde修复_吉布斯采样和偏微分方程图像修复_PDE图像修复_图像修复PDE_图像
09-11
标题中的“image-inpainting-master_pde修复_吉布斯采样和偏微分方程图像修复_PDE图像修复_图像修复PDE_图像”暗示了这是一个关于图像修复技术的项目，主要关注PDE（偏微分方程）修复方法以及吉布斯采样在图像修复中...
Matlab解微分方程(ODE+PDE).zip_MATLAB 解微分方程_ODE-PDE_pde 偏微分方程_zooxya_偏
09-15
在MATLAB中，解微分方程是一项基本且重要的任务，无论是常微分方程（ODE）还是偏微分方程（PDE），都有一系列强大的工具和函数可供使用。本资料"Matlab解微分方程(ODE+PDE).zip"提供了关于MATLAB求解这两种类型方程...
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）
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）
最新发布
muaamua的博客
02-13 2522
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。
纳维-斯托克斯方程
痞子龙3D编程
09-29 1万+
纳维-斯托克斯方程[编辑] 纳维－斯托克斯方程（Navier-Stokes equations），以克劳德-路易·纳维（Claude-Louis Navier）和乔治·斯托克斯命名，是一组描述像液体和空气这样的流体物质的方程。这些方程建立了流体的粒子动量的改变率（力）和作用在液体内部的压力的变化和耗散粘滞力（类似于摩擦力）以及引力之间的关系。这些粘滞力产生于分子的相互作用
pytorch实现NS方程求解-基础PINN
forrestguang的博客
04-14 7309
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_
圆形区域函数可视化和泊松方程求解
forrestguang的博客
01-20 1026
针对泊松方程，我们设定圆形区域求解 −Δu=f,x∈Ω=B(0,1)-\Delta u=f,x \in \Omega=B(0,1)−Δu=f,x∈Ω=B(0,1) u=g,x∈∂Ωu=g,x \in \partial \Omegau=g,x∈∂Ω B（0，1）表示以原点为中心的半径为1的圆形区域，这里重点关注样本点的采集和后面的画图 训练网络 import torch import time import numpy as np import matplotlib.pyplot as plt from ma
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...
解ns方程_流体动力学NS方程的哲学缺陷
weixin_42117340的博客
01-14 4094
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...
Fouier Net和DeepOnet等求解器算法解读和代码
forrestguang的博客
11-21 3810
首先还是先给定一个泊松方程，其中区域 Ω=[0,1+μ1]×[0,1],μ1∈[1,3]Ω=[0,1+μ_1]×[0,1],μ_1∈[1,3]Ω=[0,1+μ1​]×[0,1],μ1​∈[1,3] ，边界条件 g=1g=1g=1 。 −Δu=f,x∈Ω,u∣∂Ω=g.−Δu=f,x∈Ω,\\ u|∂Ω=g.−Δu=f,x∈Ω,u∣∂Ω=g. 以往的传统数值方法都是针对固定的一个右端项求出一个对应的数值解，这种做法的核心是构造一个输入节点数目为2，输出节点数目为1的模型（有限元句柄函数或者全连接神经网络），基
torch.nn.Parameters用法以及PINN求解PDE和画图
forrestguang的博客
12-14 3352
PINN介绍和代码 以前我的PINN代码一直都是接受(xi,yj)(x_i,y_j)(xi​,yj​)输出u(xi,yj)u(x_i,y_j)u(xi​,yj​) {−Δu=f,inΩ,u=u0,on  ∂Ω.\left\{\begin{array}{l} -\Delta u = f , \quad in \Omega,\\ u=u_0 ,\quad on \;\partial \Omega. \end{array}\right.{−Δu=f,inΩ,u=u0​,on∂Ω.​
评论 4
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