forrestguang的博客

{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

bumpkflow.py还是这个区域，现在考虑NS方程，其中γ=1/50,f0=0,f1=0,g0=2.5∗(1−y2),g1=0\gamma=1/50,f_0=0,f_1=0,g_0=2.5*(1-y^2),g_1=0γ=1/50,f0​=0,f1​=0,g0​=2.5∗(1−y2),g1​=0

界面问题−∇⋅(σ∇u)+u=5,Ω-\nabla \cdot(\sigma \nabla u) + u = 5,\Omega−∇⋅(σ∇u)+u=5,Ωu∣∂Ω1=0u|_{\partial \Omega_1} = 0u∣∂Ω1​​=0[σ∇u⋅n]=3,in∂Ω2[\sigma\nabla u \cdot n] = 3,in \partial \Omega_2[σ∇u⋅n]=3,in∂Ω2​∂Ω1\partial \Omega_1∂Ω1​为矩形边界∂Ω2\partial \Omega_2∂Ω2

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。

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

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}

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

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_