PINN求解一维热传导方程论文复现2

已于 2025-02-20 22:40:26 修改
阅读量366 收藏 9
点赞数 5
分类专栏： PINN 文章标签： PINN 一维热传导方程
于 2025-02-19 14:37:01 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/qq_36980284/article/details/145724317
版权

PINN求解一维热传导方程论文复现

参考论文：

赵暾等： 基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解——《空气动力学学报》

详细代码请至链接下载
PINN求解一维热传导方程代码

基本问题

一维热传导方程正问题的解
∂ T ∂ t = α ∂ 2 T ∂ x 2 \frac{\partial T}{\partial t}=\alpha \frac{\partial^2 T}{\partial x^2} ∂t∂T​=α∂x2∂2T​

边界条件：
x = 0 : ∂ T ∂ x = − 1 x=0: \frac{\partial T}{\partial x}=-1 x=0:∂x∂T​=−1
x = 1 : ∂ T ∂ x = 0 x=1: \frac{\partial T}{\partial x}=0 x=1:∂x∂T​=0
初始条件：
T ( t = 0 , x ) = 0 T(t=0,x)=0 T(t=0,x)=0

模型建立与训练

在这里插入图片描述

绘制训练损失和结果图

在这里插入图片描述
在这里插入图片描述

论文中的结果

在这里插入图片描述

PINNs案例——中心热源温度场预测问题的torch代码
freshman的博客
03-03 1123
本文介绍PINNs在简单传热模型上的实现原理，并提供了pytorch的代码实现。内含完整问题场景介绍、理论求解、PINNs代码。
利用 PINN 解热传导方程的原理与实现
m0_68330627的博客
11-09 4159
神经网络接收 ( (t, x) ) 作为输入，输出对应的 ( u(t, x) )。# 定义网络结构return u修改说明：将隐藏层的神经元数量从 16 调整为 20，以增强网络的表示能力。# 定义热传导方程中的物理损失return f修改说明：修正的输入，确保形状匹配。同时，将热扩散系数 ( \alpha ) 设为可调参数。
PINN求解一维热传导方程论文复现
qq_36980284的博客
02-19 349
论文复现——赵暾等： 基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解——《空气动力学学报》一维热传导方程正问题的解。
一维热传导方程求数值解
YOUNIKOJIAO的博客
08-15 5382
本文主要利用泰勒展开将方程中的一阶还有二阶偏导数进行离散化，推导出一种可以用程序求解的形式
一维热传导问题求解函数matlab
01-18
求解一维热传导问题/给定边界条件/纯手打代码/参考书籍为数值计算方法
一维热传导方程数值解法及matlab实现
03-25
含matlab程序，个人感觉很有帮助，在研究传热学的可以下来看看
PINN求解一维热传导方程论文复现.ipynb
02-19
论文复现：PINN求解一维热传导方程——赵暾等： 基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解——《空气动力学学报》
热传导方程的matlab解法
12-13
热传导方程问题的matlab解法，是用区域分解方法解决pde（偏微）问题。是用matlab写的，请尝试运行 热传导方程问题的matlab解法，是用区域分解方法解决pde（偏微）问题。是用matlab写的，请尝试运行
基于PINN方法的热传导问题求解及结果输出
12-25
内容概要：本文介绍了一种基于物理信息神经网络（PINN）方法解决热传导问题的方法。通过定义长方体板上的移动热源、边界条件和带时间导数的三维拉普拉斯方程（PDE），实现了热传导过程的建模。代码部分详细展示了如何生成训练数据、构建PINN模型、计算PDE残差和边界条件残差，并最终将结果保存为VTK文件，以便后续的温度可视化。 适合人群：具备一定编程基础的工程师和研究人员，特别是对热传导模拟和物理信息神经网络感兴趣的技术人员。 使用场景及目标：适用于热传导问题的研究和工程应用，如材料科学、热管理系统设计等领域。通过对移动热源和边界条件的精确建模，可以预测长方体板在不同时间点的温度分布情况，从而帮助设计和优化系统性能。 其他说明：本文提供的代码是一个简化的示例，实际应用中可能需要根据具体需求进行调整和优化，例如调整模型结构、训练参数等以提高预测准确度。
一维热传导方程的推导
weixin_42067800的博客
03-12 4972
考虑一根具有定横截面积A的杆，其方向为x轴的方向（由x0至xL），如图1所示。ext。假设通过截面的热量是恒定的，杆是一维的。做到这一点的最简单方法是将杆的侧面完全绝热，这样热能就不能通过杆的侧面扩散出去。对x和t的依赖对应于杆受热不均匀的情形；热能密度由一个截面到另一个截面是变化的。
pde分享------一维热传导方程的理论与应用1
qq_27153173的博客
02-12 1万+
本文首先介绍了热传导方程在现代工程技术中的重要性，然后详细阐述了一维热传导方程的推导过程、边界条件和初始条件。文章进一步通过有限差分法，将热传导方程应用于具体的物理场景，例如，一根与人体皮肤接触的杆子，其一端有一个恒温热源。通过调整参数和满足收敛条件，我们能够使用有限差分法的显式格式得到收敛的温度分布结果。最后，文章提供了MATLAB代码，用于模拟和可视化杆子上的温度分布和时间变化。
【PINN物理信息网络】基于PINN物理信息网络求解圆柱坐标中的热方程（python)
k8291121的博客
01-03 1776
【PINN物理信息网络】基于PINN物理信息网络求解圆柱坐标中的热方程（python)
【PINN求解一维热传导方程】
.DEMO
02-24 606
PINN一维热传导偏微分方程求解
热传导方程以及Matlab求解
热门推荐
C1172440795的博客
07-19 2万+
本文讲述热传导方程，以及基于第一类边界条件的有限差分法的Matlab求解。
有没有pinn求解二维热传导方程的代码示例
最新发布
03-22
<think>嗯，用户想要一个关于用物理信息神经网络（PINN）求解二维热传导方程的代码示例。我需要先回顾一下二维热传导方程的基本形式。这个方程通常写成 ∂u/∂t = α(∂&sup2;u/∂x&sup2; + ∂&sup2;u/∂y&sup2;)，其中α是热扩散系数，u是温度场，x和y是空间坐标，t是时间变量。 接下来，我需要考虑PINN的基本结构。PINN通过神经网络近似解u，并将PDE作为损失函数的一部分来训练网络。因此，代码的大致步骤应该包括：定义神经网络结构，设置训练数据（包括初始条件、边界条件和域内的残差点），定义损失函数（包含PDE残差、初始和边界条件），以及训练过程。 首先，用户可能需要一个简单的示例，所以应该选择一个常用的深度学习框架，比如TensorFlow或者PyTorch。这里可能更倾向于PyTorch，因为它在科研中更常用，而且自动微分更方便。 然后，定义神经网络结构。通常使用全连接网络，激活函数如tanh或sigmoid。输入层有3个节点（x, y, t），输出层是u的值。隐藏层的数量和节点数需要合理设置，比如4层，每层20个节点。 接下来是损失函数的构成。需要计算PDE的残差，也就是∂u/∂t - α(∂&sup2;u/∂x&sup2; + ∂&sup2;u/∂y&sup2;)。这需要用到自动微分来计算梯度。同时，初始条件和边界条件的损失也要考虑进去。比如，初始时刻t=0时，u的值应该满足某个初始条件u0(x,y)，边界上的u值也应该符合给定的边界条件。 生成训练数据时，可能需要使用随机采样点。初始条件的数据点是在t=0时整个空间域采样；边界条件则是在各个边（x=0, x=L, y=0, y=W）的不同时间点采样；而残差点的采样是在整个时空域内随机选择。 训练过程中，需要将各个损失项加权求和。可能需要调整权重，比如让边界和初始条件的权重更高，以确保这些条件被满足。优化器通常选择Adam，学习率适当设置，比如0.001，迭代次数比如10000次。 另外，需要注意代码的正确性。比如，在计算二阶导数时，要确保正确使用自动微分，可能需要先计算一阶导数，再求导一次。同时，数据点的坐标需要合理归一化，避免输入范围过大导致训练困难。 可能的陷阱包括：网络结构不够深导致无法逼近解，学习率不合适导致收敛慢，损失项权重不平衡导致某些条件不满足。因此，在代码示例中需要给出一些调参的建议，比如调整网络层数、节点数，或者调整权重系数。 最后，示例代码可能需要一个具体的问题设定，比如设定α的值，定义初始条件和边界条件。例如，假设α=0.1，初始条件u0(x,y)=sin(πx)sin(πy)，边界条件u=0。然后通过PINN求解这个特定问题。 用户可能还需要知道如何验证结果，比如与解析解比较，或者可视化温度场的分布。这部分可以在代码中添加，比如使用matplotlib绘制某个时刻的u分布。 总结下来，代码示例应该包括以下几个部分： 1. 导入必要的库（PyTorch, numpy, matplotlib等）。 2. 定义神经网络结构。 3. 生成训练数据（初始、边界、残差点）。 4. 定义损失函数，包括各个部分。 5. 训练循环。 6. 结果验证和可视化。 需要确保代码中的LaTeX公式正确使用$$和$符号，比如在注释或说明中正确呈现方程。同时，保持代码简洁，注释清晰，方便用户理解和修改参数进行实验。</think>以下是一个基于PyTorch实现PINN求解二维非稳态热传导方程的代码示例，包含详细的中文注释和关键公式说明： ```python import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt # 二维热传导方程：∂u/∂t = α(∂&sup2;u/∂x&sup2; + ∂&sup2;u/∂y&sup2;) # 定义参数 alpha = 0.1 # 热扩散系数 L, W = 1.0, 1.0 # 空间域范围 T = 1.0 # 时间范围 # 定义神经网络结构 class PINN(nn.Module): def __init__(self): super(PINN, self).__init__() self.net = nn.Sequential( nn.Linear(3, 20), # 输入(x,y,t) nn.Tanh(), nn.Linear(20, 20), nn.Tanh(), nn.Linear(20, 20), nn.Tanh(), nn.Linear(20, 1) # 输出u ) def forward(self, x, y, t): inputs = torch.cat([x, y, t], dim=1) return self.net(inputs) # 初始化模型和优化器 model = PINN() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 生成训练数据 def generate_data(num_samples=100): # 初始条件（t=0） x_ic = torch.rand(num_samples, 1) * L y_ic = torch.rand(num_samples, 1) * W t_ic = torch.zeros(num_samples, 1) u_ic = torch.sin(np.pi * x_ic) * torch.sin(np.pi * y_ic) # 示例初始条件 # 边界条件（假设Dirichlet边界u=0） x_bc = torch.cat([torch.zeros(num_samples//4,1), torch.ones(num_samples//4,1), torch.rand(num_samples//4,1)*L, torch.rand(num_samples//4,1)*L], 0) y_bc = torch.cat([torch.rand(num_samples//4,1)*W, torch.rand(num_samples//4,1)*W, torch.zeros(num_samples//4,1), torch.ones(num_samples//4,1)], 0) t_bc = torch.rand(num_samples, 1) * T u_bc = torch.zeros(num_samples, 1) # 残差采样点 x_res = torch.rand(num_samples, 1) * L y_res = torch.rand(num_samples, 1) * W t_res = torch.rand(num_samples, 1) * T return (x_ic, y_ic, t_ic, u_ic), (x_bc, y_bc, t_bc, u_bc), (x_res, y_res, t_res) # 定义损失函数 def compute_loss(model, ic_data, bc_data, res_data): # 初始条件损失 x_ic, y_ic, t_ic, u_ic = ic_data u_pred_ic = model(x_ic, y_ic, t_ic) loss_ic = torch.mean((u_pred_ic - u_ic)**2) # 边界条件损失 x_bc, y_bc, t_bc, u_bc = bc_data u_pred_bc = model(x_bc, y_bc, t_bc) loss_bc = torch.mean((u_pred_bc - u_bc)**2) # PDE残差损失 x_res, y_res, t_res = res_data x_res.requires_grad_(True) y_res.requires_grad_(True) t_res.requires_grad_(True) u = model(x_res, y_res, t_res) # 计算梯度 grad_u = torch.autograd.grad(u, [x_res, y_res, t_res], grad_outputs=torch.ones_like(u), create_graph=True)[0] u_t = grad_u[:, 2:3] # ∂u/∂t # 计算二阶导数 u_x = grad_u[:, 0:1] u_y = grad_u[:, 1:2] u_xx = torch.autograd.grad(u_x, x_res, torch.ones_like(u_x), create_graph=True)[0][:, 0:1] u_yy = torch.autograd.grad(u_y, y_res, torch.ones_like(u_y), create_graph=True)[0][:, 0:1] # PDE残差 residual = u_t - alpha*(u_xx + u_yy) loss_res = torch.mean(residual**2) # 总损失 total_loss = loss_ic + loss_bc + loss_res return total_loss # 训练循环 ic_data, bc_data, res_data = generate_data(1000) for epoch in range(10000): optimizer.zero_grad() loss = compute_loss(model, ic_data, bc_data, res_data) loss.backward() optimizer.step() if epoch % 1000 == 0: print(f"Epoch {epoch}, Loss: {loss.item():.4e}") # 结果可视化（示例） def plot_solution(model, t=0.5): x = np.linspace(0, L, 100) y = np.linspace(0, W, 100) X, Y = np.meshgrid(x, y) T = np.full_like(X, t) with torch.no_grad(): u_pred = model(torch.tensor(X.reshape(-1,1), dtype=torch.float32), torch.tensor(Y.reshape(-1,1), dtype=torch.float32), torch.tensor(T.reshape(-1,1), dtype=torch.float32)) plt.contourf(X, Y, u_pred.numpy().reshape(100,100)) plt.colorbar() plt.title(f"Temperature Distribution at t={t}") plt.show() plot_solution(model, t=0.5) ``` **关键数学公式说明：** 1. **控制方程**（PDE残差项）： $$ \frac{\partial u}{\partial t} = \alpha\left( \frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2} \right) $$ 对应代码中残差计算： ```python residual = u_t - alpha*(u_xx + u_yy) ``` 2. **初始条件**（示例）： $$ u(x,y,0) = \sin(\pi x)\sin(\pi y) $$ 对应代码中的`u_ic`计算 **代码特点说明：** 1. 使用全连接神经网络构建PINN，输入为$(x,y,t)$，输出为温度$u$ 2. 通过自动微分计算偏导数（`torch.autograd.grad`） 3. 损失函数包含三部分： - 初始条件损失（均方误差） - 边界条件损失（均方误差） - PDE残差损失（均方误差） 4. 可视化函数展示特定时刻的温度分布 **改进建议：** 1. 增加自适应权重平衡不同损失项 2. 使用更复杂的网络结构（如残差连接） 3. 引入硬约束条件处理边界 4. 采用自适应采样策略 建议先运行此基础版本，再逐步添加高级功能。可通过调整网络深度/宽度、学习率、采样点数量等参数观察收敛效果。
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

小孟的CDN

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