Physics-Informed Neural Networks (PINNs)用于流体力学：输入到输出过程分析

最新推荐文章于 2025-02-28 10:50:10 发布
最新推荐文章于 2025-02-28 10:50:10 发布
阅读量1.1k 收藏 3
点赞数
分类专栏： 深度学习驱动流体力学 文章标签： 人工智能 深度学习
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/weixin_41194129/article/details/141025897
版权

在Physics-Informed Neural Networks (PINNs)用于流体力学问题的应用中，模型的输入和输出通过求解与物理问题相关的方程来进行过渡。下面是如何从输入过渡到输出的详细说明，基于流体力学中的不同问题和方程：

1. Navier-Stokes方程（不可压缩流体）

  • 输入: 空间坐标 (x,y,z)(x, y, z)(x,y,z) 和时间坐标 ttt
    • 说明: 这些坐标定义了流体在空间和时间中的位置，描述了流体的运动情况。
  • 输出: 速度分量 (u,v,w)(u, v, w)(u,v,w) 和压力 ppp
    • 说明: 这些是流体在每个空间点和时间点的主要物理量。速度分量 (u,v,w)(u, v, w)(u,v,w) 描述流体的速度场，压力 ppp 描述流体的压力场。

过渡过程：

  1. 模型输入: 将空间和时间坐标输入神经网络。
  2. 网络预测: 神经网络预测速度场 (u,v,w)(u, v, w)(u,v,w) 和压力场 ppp。
  3. 物理约束: 使用Navier-St
了解本专栏 订阅专栏 解锁全文
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 7101
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。
​（Physics-Informed Neural Networks）和DeepONet的区别​
最新发布
qq_40379132的博客
04-15 209
其主要特点是将物理系统的约束条件（如偏微分方程）融入到神经网络的训练过程中，使得网络不仅能学习数据中的模式，还能满足物理规律。在传统的神经网络训练中，网络的目标是通过数据来拟合目标函数，而在PINN中，网络不仅仅依赖数据，还会受到物理方程的约束。PINNs在训练过程中，不仅会根据数据进行调整，还会受到物理定律的约束，从而使得学习到的结果不仅能够拟合数据，还能够符合物理定律。这样，神经网络在学习过程中，会不断地调整自己的参数，直到它找到一个最好的答案，使得这个答案能够满足物理问题的数学方程和边界条件。
PINNs机器学习和流体力学优化
远方雪的专栏
02-28 521
通过神经网络压缩物理规律，实现流场的快速预测与优化。尽管仍需解决泛化性和物理一致性问题，但其在实时仿真、设计优化等场景已展现出颠覆性潜力，未来或成为流体力学研究的标配工具。
PINN-laminar-flow:物理信息神经网络，用于解决流体动力学问题
05-25
PINN层流 物理信息神经网络（PINN），用于解决流体动力学问题 参考纸 此回购包括论文中混合形式的物理信息神经网络的实现： 本文已由TAML发布，有权访问Elsevier数据库的人员可以访问以获取适用于照相机的版本。 每个文件夹的说明 FluentReferenceMu002 ：Ansys Fluent的参考解决方案，可实现稳定的流量； PINN_steady ：用PINN实现稳定流； PINN_unsteady ：用PINN实现非恒定流； 结果概述 穿过圆柱体的稳定流（左：物理信息神经网络；右：Ansys Fluent。） 穿过圆柱体的瞬态流（基于物理的神经网络结果） 笔记 这些实现是在TensorFlow 1.10.0的GPU版本上开发和测试的。
最新综述：物理信息神经网络及其在复杂流体动力学中的应用进展 2024.10.2
weixin_51774189的博客
11-17 1401
最后，我们通过提供针对这些交互流的代表性场景的研究，总结了PINNs在这些复杂问题中的应用潜力，展望了未来的研究方向。另一方面，作为最重要的学科之一，流体力学经历了从经典流体力学、实验流体力学和计算流体动力学(CFD)(18-20)的显著进步，到基于人工智能的现代流体动力学的开发。这些方法最终得出了关键的流体参数，例如流速、速度和压力(24,25). 然而，理论研究和数值模拟存在固有的局限性，这些局限性无法完全覆盖真实世界中的过程。在本节中，我们从全面的角度提供了PINNs的原始架构和工作原理。
不愧是PINN！Nature和Science双发！AI赋能流体力学，数值模拟更精准！
m0_73122726的博客
11-01 2445
本文提出了一种新的神经网络架构——SincKolmogorov-Arnold网络（SincKAN），该网络利用Sinc插值方法替代传统的三次样条插值，以更好地处理具有奇点的函数。PINN的优势在于它能够将神经网络的拟合能力与物理知识的约束相结合，从而提高了模型的泛化能力、预测准确性以及数据利用效率，特别是在数据较少或噪声较大的情况下表现尤为突出。该方法结合了物理定律和神经网络模型，能够在不依赖边界条件的情况下准确预测流体动力学行为，为流体力学的数值模拟提供了新的途径。
基于多尺度图神经网络的流场预测，实现精度与速度的平衡
PaddlePaddle
06-08 842
该论文主要采用图神经网络，因为在计算流体力学中计算域被网格离散化，这与图结构天然契合。论文中通过训练 CFD 仿真数据，构建一种数据驱动模型进行流场预测。本文将与大家分享基于飞桨完成该论文的复现过程，欢迎大家一起沟通学习。
Hyperbolic Graph Neural Networks
weixin_40248634的博客
04-10 3091
HGNNs摘要贡献Hyperbolic Graph Neural Networks黎曼流形上的图神经网络 代码：https://github.com/facebookresearch/hgnn 补充知识： 双曲几何：将欧几里得的第五条公设——平行公设换成了 ：过直线外一点P至少可以找到两条相异的直线，与已知直线平行。 摘要 受几何表示学习最近进展的鼓舞，我们提出一个新的GNN架构，该架构用可微...
Physics-Informed Neural Networks （PINN）
m0_57411304的博客
04-07 3552
通过合理设计神经网络的结构和损失函数，可以使得网络能够学习物理系统的行为，并在给定边界条件和初始条件的情况下预测系统的响应。与传统方法的比较：将 PINN 的结果与传统的数值模拟方法进行比较也是一种评估性能的方法。物理约束：为了验证 PINN 是否满足热传导方程，我们可以在 PINN 中输入未在训练中使用过的输入值，如在杆内部的点。PINN 的优势在于它能够将神经网络的拟合能力与物理知识的约束相结合，具有较高的灵活性和泛化能力。输入新的输入变量，通过 PINN 计算输出变量，并将其与实际观测值进行对比。
Testing-PINNs:使用物理信息神经网络求解PDE
03-15
"Testing-PINNs:使用物理信息神经网络求解PDE" 这个标题提到了“物理信息神经网络（Physics-Informed Neural Networks, PINNs）”以及它们在解决偏微分方程（Partial Differential Equations, PDEs）中的应用。PINNs...
2019-PINN-A deep learning framework for solving forward and ... nonlinear PDEs
LuckSugar
09-12 4441
2019-Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations M.Raissia, P.Perdikarisb,∗, G.E.Karniadakisa abstract 我们引入物理信息神经网络——神经网络，这些神经网络经过训练，可以解决受监督的学习任务，
基于PINN 进行混合流体中的热量与质量扩散预测
qq_36224726的博客
09-09 2119
流体力学是工程和科学中最为复杂的研究领域之一。在许多工业应用中，流体的行为、热量的传导和物质的扩散往往是相互交织在一起的，经典的数值方法（如有限元法、有限差分法）尽管精确，但计算量大，尤其在面对复杂的几何和多物理场耦合问题时。为了更高效地模拟复杂流体现象，PINN 提供了一种新颖的方法。PINN 不需要显式的离散化过程，而是通过一个神经网络学习物理定律中的偏微分方程，训练网络来近似流体流动的解。PINN 是一种结合物理定律的神经网络模型。
利用 PINN 解热传导方程的原理与实现
m0_68330627的博客
11-09 4593
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。
物理信息神经网络（PINN）: 将物理知识融合到深度学习中
热门推荐
是我的博客
02-07 12万+
物理信息神经网络（Physics-Informed Neural Networks，简称PINN）是一种结合了深度学习和物理学知识的机器学习模型。与传统的数据驱动的神经网络不同，PINNs 在学习过程中利用物理法则对模型进行指导，从而提高模型泛化能力，特别是在数据较少或噪声较大的情况下。首先，需要明确模型目标及其对应的物理定律。例如，在解决流体力学问题时，可能会涉及到Navier-Stokes方程。模型的建立和训练过程应围绕该物理定律展开。
深入了解PINN：物理信息神经网络（Physics-Informed Neural Networks）
weixin_37522117的博客
12-30 1万+
深入了解PINN：物理信息神经网络（Physics-Informed Neural Networks）
学习周报：文献阅读+Fluent案例+水力学理论学习
2301_79714145的博客
03-24 2086
在本周中，通过阅读文献，对PINN在流体力学中的研究进行了解，在本次总结中选取其中一篇，低雷诺数情况下，PINN对圆柱绕流的预测和CFD的对比进行描述。Fluent中，选用催化转换器模型的内流场仿真，了解多孔介质流动在fluent中如何实现。理论学习方面，对层流和紊流相关知识进行了学习。低雷诺数圆柱流动的物理信息神经网络（PINN）文献摘要PINN可以用于流体动力学的代替模型，以降低计算成本，本次阅读的文献以使用PINN来验证流体力学中的公式，并以经典的低雷诺数圆柱绕流的案例呈现。
物理信息神经网络（PINNs）在处理高维偏微分方程中的具体应用案例有哪些？
百态老人的博客
01-10 1019
物理信息神经网络（Physics-Informed Neural Networks, PINNs）在处理高维偏微分方程（PDEs）中的具体应用案例涵盖了多个领域和问题类型。PINNs被用于解决核反应堆中的点动能方程（Point Kinetic Equations, PKEs），特别是在温度反馈和中子源的六组延迟中子密度浓度问题上。研究表明，PINNs能够提供较小的预测误差和较快的运行时间，尽管计算时间对于实时应用可能过长。
​内嵌物理知识神经网络（PINN）是个坑吗？
Paper weekly
02-14 1万+
©PaperWeekly 原创 ·作者 | zwqwo单位 | 某知名券商计算机行业研究员研究方向 | 关注国产CAD、CAE等工业软件发展从无网格方法到内嵌物理知识的神经网络内嵌物理知...
学习记录-PINN
qq_33475749的博客
08-07 4915
PINN（物理信息神经网络） 图解 训练数据 1.初始条件和边界条件的采样点集； 2.偏微分方程残差采样（类网格点选取or位随机离散点选取）的配置点集； 3.标签数据用来辨识方程参数的已知数据样本集 发展 Jagtap等[6]在激活函数中引入超参数变为自适应激活函数，加速收敛速度； Shin等[7]针对椭圆型和抛物线型偏微分方程，证明了PINNs训练得到的网络可以一致收敛到偏微分方程的解 Lu等[8]基于Tensorflow开发了Python工具包DeepXDE整合了PINN.
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

源代码杀手

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