2024.8.11

最新推荐文章于 2024-08-14 22:29:49 发布

Nyctophiliaa

最新推荐文章于 2024-08-14 22:29:49 发布

阅读量882

点赞数 19

文章标签：人工智能深度学习

本文链接：https://blog.csdn.net/m0_68477761/article/details/140928196

版权

1. 有限体积模型（Finite Volume Models）

2. 物理信息神经网络替代模型（PINNs Surrogate）

3. 结果（Results）

一、文献阅读

一、题目

题目：Application of Physics-Informed Neural Networks to River Silting Simulation

链接：Applied Sciences | Free Full-Text | Application of Physics-Informed Neural Networks to River Silting Simulation (mdpi.com)

二、摘要

本文研究了水动力学和污染物输运动力学的基本原理，并探讨了研究河道淤积污染过程的方法和建模工具。采用了一种无缝集成数值模拟与先进神经网络技术的新方法，特别是物理信息神经网络（PINN）方法。这种创新的方法将人工神经网络（ANN）与物理方程相结合，提供了一种更有效和精确的方式来建模复杂的过程和现象。作者基于欧拉方程开发了一个数学模型，并使用Ansys Fluent软件进行了精心的实施，以确保计算的准确性和可靠性。在研究过程中将PINN方法得出的结果与传统的数值方法和Ansys Fluent软件包得到的结果进行了比较分析。结果表明，PINN方法在性能上具有明显优势，其特点是生成了更平滑的压力波动曲线，并显著减少了计算时间，这显示了其作为变革性建模工具的巨大潜力。

This article studies the basic principles of hydrodynamics and pollutant transport dynamics, and explores methods and modeling tools for studying the process of river siltation pollution. A new method that seamlessly integrates numerical simulation and advanced neural network technology, particularly the Physical Information Neural Network (PINN) method, has been adopted. This innovative approach combines artificial neural networks (ANN) with physical equations, providing a more effective and accurate way to model complex processes and phenomena. The author developed a mathematical model based on Euler's equation and carefully implemented it using Ansys Fluent software to ensure the accuracy and reliability of the calculations. During the research process, the results obtained by PINN method were compared and analyzed with those obtained by traditional numerical methods and Ansys Fluent software package. The results indicate that the PINN method has significant performance advantages, characterized by generating smoother pressure fluctuation curves and significantly reducing computation time, demonstrating its enormous potential as a transformative modeling tool.

三、实现PINN方法的总体过程

使用物理信息神经网络（PINN）来检测冲击波演变并解决欧拉方程涉及以下具体步骤。实现PINN方法的总体过程如下：

定义物理问题：首先明确要解决的物理问题。在这种情况下，它涉及描述气体动力学和冲击波演变的欧拉方程。
建立数学模型：将物理问题转化为数学模型。气体动力学的欧拉方程构成了一个双曲方程组。解决这个方程组对于模拟冲击波演变至关重要。
准备训练数据：收集用于网络训练的数据。这可能包括模拟数据和实验数据（如果有）。
定义PINN：创建一个神经网络，该网络将被训练来解决欧拉方程。这个网络将是“物理信息”的（PINN），这意味着它在训练过程中会结合物理方程。
定义损失函数：指定在PINN训练过程中要最小化的损失函数。损失函数应包括欧拉方程的条件和训练数据。这确保了网络能够提供物理上准确的解决方案。
网络训练：利用训练数据和损失函数对网络进行训练。训练过程应能够捕捉冲击波的演变并解决欧拉方程。
结果验证：训练完成后，使用测试数据或实际实验验证网络的结果。确保解决方案与物理现实和冲击波演变一致。
细化和优化：如果结果不符合要求，则需要对模型、损失函数和训练数据进行调整，然后重复上述过程。

考虑一维可压缩的欧拉方程，其特征形式如下：

$\frac{dU}{dt}+A\frac{dU}{dx}=0$

其中， $\Omega \subset R$ ,

$U=(\rho ,u,p)^{T}$ , $A=\begin{pmatrix} u & \rho & 0\\ 0& u& \frac{1}{\rho}\\ 0& \rho a^{2} & u \end{pmatrix}$

其中 $a=\sqrt{\frac{\gamma p}{\rho }}$ 是声速， $\rho$ 是密度， $u$ 是压力， $\gamma$ 是比热容比。

损失函数定义为：

四、使用Ansys软件包建立数学模型

仿真流程图如下：

五、实验结果

一、PINN模型

建立一个通用的PINN模型，所建立的PINN模型能够准确预测不同场景下的堵塞关系。在本文的研究中，考虑了以下PINN架构。该体系结构的输入是两个值为t和tix的向量，结果是三个值为u、p和ρ（速度、压力和密度）的向量。PINN的主要超参数如表1所示并在表1中给出。神经网络的超参数为4个隐层，每层30个神经元，优化过程为学习率为0.001的Adam优化器。对于每一层，激活的函数是tanh函数。损失函数是给定数据和初始条件的MSE。

二、ANSYS软件包

本研究旨在将所得数值结果与流体流动模拟中广泛使用的PINN方法的结果进行了比较。在使用PINN和Ansys方法进行计算时，计算网格在确保精度和细节方面发挥着重要作用。它可以对物理现象进行更精确、更详细的建模，最终获得更可靠的结果，并对所研究的过程有更深入的了解。将数值结果与使用PINN方法获得的结果进行比较，可以识别方法的差异和每种方法的优势。前者提供了更平滑的解并降低了计算复杂度，但可能不突出某些物理效应，而后者允许对物理过程进行更精确的建模，但可能需要更高的计算资源。下图显示了PINN解与Ansys在不同x位置的精确解的比较。

结果表明，数值模拟更清楚地显示了冲击效应，其中压力、速度和密度变化的边界。而PINN方法由于采用了神经网络，训练时考虑了问题的物理约束和条件，得到的结果更加平滑。然而，使用PINN方法的计算时间（包括训练时间）比使用数值模拟时少得多。分析所进行的研究得出的结论是，比较使用数值模拟和PINN方法所获得的结果是重要的，为解决有关河流动力学和污染过程的问题。这两种方法都有各自的优势，并根据任务的目标和特点适用。数值建模提供了精确的解决方案，并允许捕捉明确的物理效应，如冲击波。这是通过将空间仔细离散成网格并对每个网格单元上的方程进行数值求解来实现的。这种方法更适合于需要详细描述物理过程和效果的任务。另一方面，PINN方法提供了更平滑、更连续的解决方案，因为神经网络经过训练以整合物理定律和条件。该方法降低了计算复杂度，并且在获得快速结果至关重要以及显式物理效应不是主要关注点的情况下可以有效。因此，数值模拟和PINN方法之间的选择取决于具体的对象。

六、结论

本文提出了一个比较分析的PINN方法和数值模拟估计的速度，压力和密度在水环境中的指标。由于PINN方法，及时获得的数值结果可以用于随后的河道和渠道淤积的数值模拟。预测上述指标对防止河流泥沙污染具有重要意义。这种方法可以评估各种流体类型（可压缩，不可压缩，牛顿，非牛顿等）。同时，在建模过程中，获得了精确的数值结果，展示了可压缩流体的流动行为。比较PINN和Ansys数值模拟的结果，速度，密度和压力指标的轮廓是相同的，除了发生冲击效应的区域。此外，PINN仿真结果的获得速度比Ansys数值仿真更快，这是一个明显的优势。在某些用于防止真实的区域中由于沉积而污染河流的计算中，最好使用PINN方法。使用PINN方法，可以估计不同的流体类型，例如，在密度方面，并进一步模拟更复杂条件和测量的河道淤积。在未来的工作中，PINN方法将被扩展到更高的维度，并在河流淤积的真实的问题将建模。

七、题目信息

题目：Physics-informed neural networks as surrogate models of hydrodynamic simulators

八、摘要

为了应对气候变化与洪水风险之间关系的日益关注，开发精确和快速的洪水预测模型变得越来越紧迫。虽然高分辨率洪水模拟已经取得了显着的进步，但它们仍然在计算上昂贵，强调了对高效机器学习代理模型的需求。由于稀疏的经验观察和昂贵的数据收集，越来越需要模型在“小数据”环境中有效地执行，这是许多科学问题的典型特征。这项研究结合了代理建模和物理信息机器学习的最新发展，提出了一种新的基于物理信息神经网络的代理模型，用于浅水方程控制的水动力模拟器。所提出的方法将基于物理的先验信息编码到模型中的质量守恒，而不依赖于计算连续导数的损失函数的神经网络结构。该方法被证明是高分辨率的内陆洪水模拟模型和大尺度区域潮汐模型。所提出的方法比现有的最先进的数据驱动方法的性能高出25%。

Developing accurate and rapid flood prediction models has become increasingly urgent in response to the growing concern about the relationship between climate change and flood risk. Although high-resolution flood simulations have made significant progress, they are still computationally expensive, emphasizing the need for efficient machine learning surrogate models. Due to sparse empirical observations and expensive data collection, there is an increasing need for models to perform effectively in "small data" environments, which is a typical feature of many scientific problems. This study combines the latest developments in proxy modeling and physical information machine learning to propose a new proxy model based on physical information neural networks for a hydrodynamic simulator controlled by shallow water equations. The proposed method encodes physical prior information into the model based on mass conservation, without relying on the neural network structure that calculates the loss function of continuous derivatives. This method has been proven to be a high-resolution inland flood simulation model and a large-scale regional tidal model. The proposed method outperforms existing state-of-the-art data-driven methods by 25%.

九、应用流程

这张图展示了物理信息神经网络（PINNs）作为替代模型在水动力模拟中的应用流程和结果。具体来说，该图分为几个部分，从左到右逐步展示了从传统有限体积模型到 PINNs 替代模型再到结果的过程。以下是对图中每个部分的解释：

1. 有限体积模型（Finite Volume Models）

左侧的图片：左侧的两张图分别显示了用于海岸和内陆水动力模拟的有限体积模型网格。这些模型通过将模拟区域划分为许多小网格单元来求解水动力学方程，例如浅水方程。
方程标识：使用了连续性方程 $\bigtriangledown \cdot u=0$ 来描述流体流动的质量守恒特性。

2. 物理信息神经网络替代模型（PINNs Surrogate）

卷积神经网络（CNN）：中间部分展示了一个卷积神经网络结构，它被用于构建 PINNs 模型。该模型通过物理正则化（Physics Informed Regularisation）结合物理定律（如质量守恒）来增强对水动力行为的模拟。
物理约束损失函数：使用了带有物理约束的损失函数，包含两个ReLU函数，这些函数用于惩罚违反物理定律（如质量守恒）的预测：

这里 $\widehat{v}^{(t)}$ 和 $v^{t+1}$ 分别是预测和真实的体积， $s_{ij}^{t}$ 是流入量。

3. 结果（Results）

海岸模拟结果（Coastal）：图中右侧的“Coastal”部分展示了 PINNs 模型在海岸潮汐动态模拟中的应用结果。色彩图展示了模拟区域（如英吉利海峡）的水位变化情况。
内陆模拟结果（Inland）：右侧的“Inland”部分展示了 PINNs 模型在内陆洪水模拟中的应用结果，展示了特定区域（如 Tadcaster）的水深分布情况。

整个图示意了从传统有限体积模型到应用物理信息神经网络替代模型的过渡过程，展示了 PINNs 如何在不牺牲精度的情况下，通过嵌入物理约束，实现对复杂水动力现象的高效模拟。这种方法能够有效降低计算成本，并提供与传统模拟器相当的结果，从而证明了 PINNs 作为水动力模拟器的替代方案的可行性和优越性。

Nyctophiliaa

关注

19
点赞
踩
17

收藏

觉得还不错? 一键收藏
0
评论
2024.8.11

本文研究了水动力学和污染物输运动力学的基本原理，并探讨了研究河道淤积污染过程的方法和建模工具。采用了一种无缝集成数值模拟与先进神经网络技术的新方法，特别是物理信息神经网络（PINN）方法。这种创新的方法将人工神经网络（ANN）与物理方程相结合，提供了一种更有效和精确的方式来建模复杂的过程和现象。作者基于欧拉方程开发了一个数学模型，并使用Ansys Fluent软件进行了精心的实施，以确保计算的准确性和可靠性。
复制链接

扫一扫