基于物理信息神经网络（PINN）求解Burgers方程(附PyTorch源代码)

于 2024-10-02 22:13:55 发布
阅读量17 收藏
点赞数
分类专栏： Matlab偏微分方程系列编程 文章标签： 神经网络 pytorch 人工智能
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_42818403/article/details/142685980
版权

基于物理信息神经网络（PINN）求解Burgers方程

在这篇博客中，我们将展示如何通过物理信息神经网络（Physics-Informed Neural Network, PINN）求解经典的 Burgers 方程。PINN 不仅依赖于训练数据的监督学习，还将偏微分方程的物理信息嵌入损失函数，从而在满足边界和初始条件的同时，约束神经网络解的物理一致性。

Burgers 方程在流体动力学、非线性波传播等领域有广泛的应用，是测试数值求解方法的经典模型之一。

1. 问题背景

Burgers 方程的表达式为：

u t + u u x

了解本专栏 订阅专栏 解锁全文 超级会员免费看
.图灵的猫.
关注
专栏目录
订阅专栏
PINN物理信息网络 | 基于物理信息神经网络PINN求解Burger方程
算法如诗的博客
03-20 1176
PINN物理信息网络 | 基于物理信息神经网络PINN求解Burger方程
【PINN物理信息网络】基于PINN物理信息网络求解瞬态薛定谔方程（python)
k8291121的博客
01-02 1674
【PINN物理信息网络】基于PINN物理信息网络求解瞬态薛定谔方程（python)
PINN神经网络源代码解析(pyTorch)
李文韬的博客
08-16 1万+
来源于Github [https://github.com/jayroxis/PINNs](https://github.com/jayroxis/PINNs)
方程自己解（1）——物理信息神经网络（PINN）
热门推荐
Liu Feng's Blog
10-13 4万+
文章目录前言(一) 物理神经网络（PINN）解读1.1 PINN基本背景1.2 PINN算法描述 前言   最近正在看利用“深度学习”（大概吧，其实只是利用了neural network的自动微分特性（AD）），在看一些文章的同时，将文章中提到的开源代码用起来和复现一些基本方程求解能够加快我学习的进度，这里将持续贴出一些方程和代码的求解过程。当然非常希望同学和朋友们可以给我指出错误，最后如果能够坚持下去，这个系列的工作会分享到github，同时如果对各个开源程序有所帮助那就更好了！   由于会参考到很多文章
物理知情神经网络（PINN）的简易PyTorch实现：打破传统解方程的方式
gitblog_00037的博客
06-05 1207
物理知情神经网络（PINN）的简易PyTorch实现：打破传统解方程的方式 PINN项目地址:https://gitcode.com/gh_mirrors/pin/PINN 在深度学习的浪潮中，物理知情神经网络（Physics-Informed Neural Networks, 简称PINNs）作为一种革命性的方法脱颖而出，它将物理定律与神经网络的力量相结合，开启了解决复杂科学问题的新纪元。今天...
【物理应用】一种分层归一化物理信息神经网络hnPINN来解决偏微分方程问题附matlab代码
m0_57702748的博客
05-04 790
物理信息神经网络 (PINN) 在求解偏微分方程 (PDE) 时通常面临着巨大的挑战，因为训练过程中梯度消失会导致许多病态问题。特别是，常规的 PINN 方法可以对简单问题进行良好的预测，但当 PDE 系数和/或物理域大小发生变化时，它们可能无法学习到解决方案。为了克服上述限制，本文提出了一种分层归一化 PINN (hnPINN)。hnPINN 的核心思想是：一方面，将原始 PDE 系统转换为两种提出的无量纲形式之一，以减轻 PDE 系数和域大小的负面影响；
深度学习求解微分方程系列二：PINN求解burger方程正问题
山里娃的博客
11-11 2717
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的PINN求解框架实现求解含时间项的一维burger方程。
【PINN物理信息网络】基于PINN物理信息网络求解泊松方程（python)
k8291121的博客
01-02 1674
【PINN物理信息网络】基于PINN物理信息网络求解泊松方程（python)
信息物理神经网络—PINN
qq_54220687的博客
06-21 800
简单来说PINN = NN + physics，我们可以从上图看出，一个全连接神经网络的损失函数变成了几个部分，训练数据的损失函数、微分方程的损失函数、初始约束的损失函数以及边界条件的损失函数。如上图一个全连接神经网络通过数据得出了一个输出u，这个u通过微分算子计算得出了一部分微分方程，这些微分方程组成了新的损失函数。同样如此，分别对不同的输出进行微分计算，得到其微分表达式，然后进而得到损失函数进行反向传播。这是一个传统的神经网络，通过反向传播对权重和偏执进行更新，得到符合要求的模型。
PINNs:物理信息神经网络，对Burgers和Navier Stokes方程进行建模
04-06
PINNs（Physics-Informed Neural Networks，物理信息神经网络）是一种深度学习方法，它结合了传统的数值模拟和神经网络的优点，用于解决复杂的偏微分方程（PDEs）。PINNs在处理不可解析或难以直接求解的物理问题时...
基于PINN物理信息网络结合求解瞬态薛定谔方程（python)
01-02
基于PINN物理信息网络结合求解瞬态薛定谔方程（python) 基于PINN物理信息网络结合求解瞬态薛定谔方程（python) 基于PINN物理信息网络结合求解瞬态薛定谔方程（python) 基于PINN物理信息网络结合求解瞬态薛定谔方程...
基于PINN物理信息网络求解微分方程的方法（python）
01-02
基于PINN物理信息网络求解微分方程的方法（python） 基于PINN物理信息网络求解微分方程的方法（python） 基于PINN物理信息网络求解微分方程的方法（python） 基于PINN物理信息网络求解微分方程的方法（python） 基于...
动手学深度学习（李沐）PyTorch 第 3 章 线性神经网络
m0_51448653的博客
09-23 1113
接下来，我们必须定义模型，将模型的输入和参数同模型的输出关联起来。回想一下，要计算线性模型的输出， 我们只需计算输入特征X和模型权重w的矩阵-向量乘法后加上偏置b。注意，上面的Xw是一个向量，而b是一个标量。回想一下 2.1.3节中描述的广播机制： 当我们用一个向量加一个标量时，标量会被加到向量的每个分量上。"""线性回归模型"""因为需要计算损失函数的梯度，所以我们应该先定义损失函数。这里我们使用 3.1节中描述的平方损失函数。在实现中，我们需要将真实值y的形状转换为和预测值y_hat的形状相同。
浅谈计算机神经网络基础与应用
最新发布
梵心白莲的博客
09-26 840
探讨了AI中的不同类型神经网络及其在实际应用中的表现和影响。我们从神经网络的基本概念入手，逐步解析了其工作原理、结构特点以及在AI领域的广泛应用。通过介绍前馈神经网络、卷积神经网络、循环神经网络、生成对抗网络和图神经网络等不同类型的神经网络，我们展示了神经网络在处理各种复杂任务方面的强大能力和灵活性。同时，我们还探讨了神经网络在图像与视频识别、自然语言处理、语音识别与合成以及推荐系统等领域的具体应用案例，进一步证明了神经网络在推动AI技术发展方面的重要性
深入探讨AI 神经网络：类型、特点与创新应用
梵心白莲的博客
09-26 1063
深入剖析不同类型神经网络的特点及在 AI 中的创新应用是本论文的主要目的。通过对各种神经网络的结构、原理、特点进行分析，我们可以更好地理解它们在人工智能中的作用。同时，结合实际应用案例，探讨不同类型神经网络在图像识别、语音识别、自然语言处理等领域的创新应用，为人工智能的发展提供理论支持和实践指导。
CNN-LSTM预测 | MATLAB实现CNN-LSTM卷积长短期记忆神经网络时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
09-25 339
CNN-LSTM预测 | MATLAB实现CNN-LSTM卷积长短期记忆神经网络时间序列预测
【深度学习】（7）--神经网络之保存最优模型
m0_74896766的博客
09-25 1112
本篇介绍了： 为什么随着迭代次数越来越多，模型的准确率会上下震荡甚至于下降。—> 过拟合 pt\pth,t7三个扩展名，用于保存完整模型或者模型参数。 模型的好坏，通过体现在测试集的结果上。 保存最优模型的两种方法：保存模型参数和保存完整模型。
一起了解计算机神经网络
梵心白莲的博客
09-26 803
本文简单介绍计算机神经网络的基本原理、主要类型及其在各个领域的应用。我们将从神经网络的基础概念出发，逐步深入探讨各种类型的神经网络架构，以及它们在解决实际问题中的具体应用。此外，我们还将讨论当前面临的挑战和未来的发展趋势，帮助读者更好地理解这一前沿技术。
生成用PINN求解薛定谔方程的pytorch代码
06-13
下面是一个用 PINN（Physics-Informed Neural Networks）求解一维薛定谔方程的 PyTorch 代码示例： ``` import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt # 设置随机数种子 np.random.seed(1234) torch.manual_seed(1234) # 定义神经网络模型 class SchrodingerPINN(nn.Module): def __init__(self): super(SchrodingerPINN, self).__init__() self.fc1 = nn.Linear(1, 50) self.fc2 = nn.Linear(50, 50) self.fc3 = nn.Linear(50, 50) self.fc4 = nn.Linear(50, 1) def forward(self, x): u = torch.sin(np.pi * x) x = torch.cat([x, u], 1) x = torch.tanh(self.fc1(x)) x = torch.tanh(self.fc2(x)) x = torch.tanh(self.fc3(x)) x = self.fc4(x) return x # 定义损失函数 def loss_fn(model, x_bc, u_bc, x_ic): # 边界条件损失 u_bc_pred = model(x_bc) loss_bc = torch.mean(torch.abs(u_bc - u_bc_pred)) # 初始条件损失 u_ic_pred = model(x_ic) loss_ic = torch.mean(torch.square(u_ic_pred)) # 总损失 loss = loss_bc + loss_ic return loss # 定义训练函数 def train(model, x_bc, u_bc, x_ic, epochs): optimizer = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(epochs): optimizer.zero_grad() loss = loss_fn(model, x_bc, u_bc, x_ic) loss.backward() optimizer.step() if epoch % 1000 == 0: print(f"Epoch {epoch}, Loss {loss.item()}") # 定义边界条件和初始条件 x_bc = torch.tensor([[0.0], [1.0]], requires_grad=True) u_bc = torch.tensor([[0.0], [0.0]], requires_grad=True) x_ic = torch.tensor([[0.5]], requires_grad=True) # 创建神经网络模型 model = SchrodingerPINN() # 训练模型 train(model, x_bc, u_bc, x_ic, epochs=5000) # 可视化结果 x = torch.linspace(0.0, 1.0, 100).reshape(-1, 1) u_pred = model(x).detach().numpy() plt.plot(x, np.sin(np.pi * x), label="True solution") plt.plot(x, u_pred, label="PINN solution") plt.legend() plt.show() ``` 在上面的代码中，我们定义了一个 `SchrodingerPINN` 类作为神经网络模型，其中包含了 4 个全连接层。在训练函数中，我们使用 Adam 优化器对模型进行训练。 损失函数包含了边界条件损失和初始条件损失。在边界条件损失中，我们计算了边界点处的函数值和模型预测值之间的平均绝对误差；在初始条件损失中，我们计算了初始点处的函数值和模型预测值之间的平均平方误差。 最后，我们使用 matplotlib 可视化了真实解和模型预测解的比较。
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

.图灵的猫.

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