PINN解PDE完整代码赏鉴（pytorch）

最新推荐文章于 2025-03-14 09:54:54 发布
最新推荐文章于 2025-03-14 09:54:54 发布
阅读量1.8k 收藏 22
点赞数 18
文章标签： pytorch 人工智能 python
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/m0_68339197/article/details/144222136
版权

目录

文献阅读-物理融合深度学习综述-PINN-有代码_哔哩哔哩_bilibili

 定义MLP(nn子类)

定义求导/梯度gradients（u,x,order=1） 

关于另一种写法（批量求导在提取） 

关于unsqueeze

​编辑 

损失函数的定义

 第一个物理损失loss1：

 第二个物理损失loss2：

训练train

 overlook（糊但可以看个大概）

 Q

鸣谢大佬

文献阅读-物理融合深度学习综述-PINN-有代码_哔哩哔哩_bilibili

 定义MLP(nn子类)

代码简介：

定义MLP(继承torch的nn)

        定义 self的net属性：利用sq序列构建全连接层＋激活（tanh）

定义forward（x）

        return net（x）

定义求导/梯度gradients（u,x,order=1） 

 嵌入torch的autograd的grad，把它改造成可以求多次导数的形式（利用递归写）

 注意create graph要是true，才好算

关于另一种写法（批量求导在提取） 

关于unsqueeze

接受的参数是第几个维度 

-1当然就是倒数第一维的意思啦。

预计输出u_x的形状从（a，）变成（a，1）

 

损失函数的定义

 第一个物理损失loss1：

说是物理知识，其实就是自己造的待求解的PDE（ux+uut-uxx）与0的mse误差

 第二个物理损失loss2：

说是物理知识，其实就是自己的初值和自己设置的pde初值（sinπx）的mse误差

loss是他俩和，可加权

注意点：

1.x&t保留梯度require grad=true

2.输出与u保持一致

训练train

代码简介：

类.train()（继承torchNN的train方法）

优化器：torch自带adam

                优化对象应该是loss

1000轮循环：

        opt零梯度

        计算loss

        取出loss。depatch

        反向传播（loss。backward（））

        优化器。step（）

 overlook（糊但可以看个大概）

跟刚才对应

定义类

 上接forward

loss1 

loss1和loss 2

 

train（） 上接train及收尾if__name

 Q

いつ把loss放进opt了？还是说把loss。backward自动默认梯度取他的梯度【按优化器指示】下降？ 

やっはろ
关注
基于物理信息神经网络（PINN）求解Burgers方程(附PyTorch源代码)
图灵的猫的博客
10-02 6580
本文介绍了如何通过物理信息神经网络（PINN）求解经典的 Burgers 方程，详细讲解了网络结构、损失函数设计、训练过程以及可视化解的步骤。PINN 是一种强大的工具，能够将物理方程与神经网络相结合，用于求解复杂的偏微分方程。
pytorch求解高维空间PDE
forrestguang的博客
09-07 1580
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神经网络源代码解析(pyTorch)
热门推荐
李文韬的博客
08-16 2万+
来源于Github [https://github.com/jayroxis/PINNs](https://github.com/jayroxis/PINNs)
PyTorch PINN实战：用深度学习求解微分方程
最新发布
deephub
03-14 5664
通解形式：物理信息神经网络(PINN)代表了一种在微分方程求解领域的重要技术突破，它将深度学习与物理定律有机结合，为传统数值求解方法提供了一种高效、数据驱动的替代方案。PINN方法不仅在理论上具有创新性，同时在实际应用中展现出广阔的应用前景，为复杂物理系统的建模与分析提供了新的研究路径。作者：Muhammad Tayyab。
基于pytorch的PINN代码
m0_45861823的博客
02-07 4270
基于pytorch实现的PINN求解Burger方程，Adam+Lbgfs优化器
pytorch实现：PINN 寻求一维非线性薛定谔方程数值解
m0_57543713的博客
06-21 4338
非线性薛定谔方程（Nonlinear Schrödinger Equation, NLS）是对经典薛定谔方程的一种推广，用于描述那些包含显著非线性效应的系统，尤其是在波动力学领域，如非线性光学、Bose-Einstein凝聚体、水波、等离子体物理学以及某些类型的流体力学系统中。
PNN模型 Pytorch代码
weixin_43164078的博客
04-26 2667
PNN模型 Pytorch
基于PINN物理信息神经网络求解PDE偏微分方程python代码.rar
10-07
与传统数值解法相比，PINN模型具有无需网格划分、可以处理复杂几何形状以及能够直接给出PDE解的连续表达式等优点。这在电磁学、流体力学、热传导等领域有着极其重要的应用价值。 在实际应用中，PINN模型通过构建一...
torch.nn.Parameters用法以及PINN求解PDE和画图
forrestguang的博客
12-14 3526
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.​
PINN求解PDE
forrestguang的博客
04-18 3412
PINN求解Dirichlet泊松方程 泊松方程引入 −Δu=f,x∈Ω=(0,1)2-\Delta u=f,x \in \Omega=(0,1)^2−Δu=f,x∈Ω=(0,1)2 u=g,x∈∂Ωu=g,x \in \partial \Omegau=g,x∈∂Ω import torch import time import numpy as np import matplotlib.pyplot as plt import torch.nn as nn def UU(X, order,prob):
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
PINN_Simple：探索一维中的PINN实现
02-11
PINN_Simple_ODE_1D 从引人入胜的PINN理念（ft。Maziar Raissi）看来，这一步是探索和理解PINN的第一步。 想法是使PINN用于近似（精确）简单的一维方程式并理解实现。 例子 多项式-f（x）= y = x ^ 2（-20,20） 三角-f（x）= y = x + sin（4 pi x）在（0,1）范围内 1st_order_ode-df（x）/ dx = 1（x）在范围（0.5,10）中且f（1）= 0 引文 @article{raissi2019physics, title={Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial diffe
pytorch的cuda编程and ResNet
forrestguang的博客
07-11 641
GPU训练 前提：电脑里得有显卡 图片最底下那个NVDIA就是我们需要的显卡。 我们仍然以求解泊松方程为例，这里不多说，只是单纯给出在哪些地方需要使用cuda。 pinn 在损失函数Lossf,error这两个函数定义中需要把数据传输到设备cuda上。这里特别要注意torch.autograd.grad函数的使用。 只放代码： import torch import time import numpy as np import matplotlib.pyplot as plt import torch.n
PINN代码 -- 一维连续时间模型：Schrodinger方程（CPU/GPU+TensorFlow2.10）
m0_46611848的博客
08-08 1938
TensorFlow好难我好累┭┮﹏┭┮
pytorch实现：PINN 模拟抛射运动（基于时间）
m0_57543713的博客
06-30 1815
在处于自由落体运动中的抛射体，它会受到重力和阻力的共同作用。对于这个问题，应该掌握一些基本的物理动力学知识，这些将为我们进一步探索 PINN 在模拟此类物理现象中的应用提供有力支撑。
pytorch实现NS方程求解-基础PINN
forrestguang的博客
04-14 8797
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_
Python 机器学习求解 PDE 学习项目——PINN 求解一维 Poisson 方程
qq_39538718的博客
07-21 1892
（PINN）求解一维 Poisson 方程
pinn代码
03-13
### 关于PINN的代码实例 对于希望了解和实践PINN（物理信息神经网络）的人来说，有多个开源项目提供了丰富的代码示例。 #### 使用`pinn`库实现PINN 在`pinn`项目的GitHub页面上提供了一个简单的例子来展示如何设置并运行一个基本的PINN模型[^1]。此项目不仅包含了详细的文档说明，还附带了一些实用的例子帮助初学者快速入门： ```python from pinn import PhysicsInformedNN, DataGenerator import numpy as np # 定义数据集生成器 data_gen = DataGenerator() # 初始化PINN模型 model = PhysicsInformedNN(layer_sizes=[2, 20, 20, 20, 1], lb=np.array([0.0]), ub=np.array([1.0])) # 训练模型 model.train(data=data_gen.generate_data(), epochs=1000) # 预测新样本的结果 prediction = model.predict(np.random.rand(10).reshape(-1, 1)) print(prediction) ``` 这段代码展示了如何创建一个基于两层输入的数据集，并定义一个四隐藏层每层含20个节点的神经网络结构用于逼近未知函数；接着通过调用`.train()`方法来进行训练过程，在完成之后可以通过`.predict()`接口获取预测值。 #### 波动方程求解-PINN_Wave案例研究 另一个具体的实施案例可以在[PINN_Wave](https://gitcode.com/gh_mirrors/pi/pinn_wave)找到，这里专注于利用PINNs解决波动方程问题[^2]。该项目同样给出了完整的Python脚本作为指导材料供开发者参考学习。 #### 更广泛的科学计算工具包-DeepXDE 除了上述特定应用场景外，如果寻求更通用且功能强大的框架，则可以考虑[DeepXDE](https://github.com/lululxvi/deepxde)，它是一个专为科学研究设计的支持多领域建模的强大平台[^3]。下面是一段来自官方仓库内的简单演示片段： ```python import deepxde as dde dde.config.set_default_float("float64") def pde(x, y): dy_t = dde.grad.jacobian(y, x, i=0, j=1) dy_xx = dde.grad.hessian(y, x, component=0, i=0, j=0) return dy_t - 0.01 / np.pi * dy_xx + u * dy_x geom = dde.geometry.Interval(-1, 1) timedomain = dde.geometry.TimeDomain(0, 1) geomtime = geom * timedomain bc = dde.DirichletBC(geomtime, lambda _: 0, lambda _, on_boundary: on_boundary) ic = InitialCondition(geomtime, func=lambda x: -np.sin(np.pi * x[:, 0:1])) data = dde.data.PDE( geomtime, pde, [bc, ic], num_domain=2540, num_boundary=80, num_initial=160, train_distribution="pseudo", ) net = dde.nn.FNN([2] + [20] * 3 + [1], "tanh", "Glorot normal") model = dde.Model(data, net) model.compile("adam", lr=1e-3, metrics=["l2 relative error"]) losshistory, train_state = model.train(iterations=15000) ``` 以上代码实现了对一维Burgers' 方程的时间依赖型偏微分方程(PDE) 的数值近似解决方案，其中涉及到边界条件设定、初始状态指定以及损失函数的选择等多个方面的工作流程。
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
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