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

于 2024-08-08 14:21:23 发布
阅读量12 收藏
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-Stokes方程（动量方程和连续性方程）作为约束，通过PINN模型优化预测结果，确保物理一致性。

2. 热传导方程

  • 输入: 空间坐标 (x,y)(x, y)(x,y) 和时间坐标 ttt
了解本专栏 订阅专栏 解锁全文
源代码杀手
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Multi-task-Physics-informed-neural-networks
04-05
多任务物理信息神经网络 研究代码库。
基于物理信息的神经网络（Physics-informed Neural Networks；PINNs）Part-1（简单介绍）
早起CaiCai的学习空间
06-03 2634
基于物理信息的神经网络（Physics-informed Neural Networks；PINNs）Part-1（简单介绍）
PINN内嵌物理知识神经网络入门及文献总结
热门推荐
山里娃的博客
09-03 5万+
内嵌物理知识深度学习方法(PINN)已经成功用于解决各类科学计算问题，其本质是将物理先验知识嵌入神经网络训练中，将一个求解PDE的问题转化为一个优化问题。这篇博客主要记录PINN相关论文
【NeuIPS‘2023】《Hypernetwork-based Meta-Learning for Low-Rank Physics-Informed Neural Networks》
Iron_lyk Blog
11-13 229
PINNs与coordinate-based MLPs（或者叫INRs）一样，有着同样的弱点。对于一个新的data instance（a new PDE for PINNs 或 a new image for INRs），需要重新训练一个神经网络。了解决上述的问题，这篇文章提出了：1）一种PINNs的low-rank结构的神经网络架构，叫做 low-rank PINNs (LR-PINNs)；2）一种有效的rank-revealing训练算法，它自适应地调整LR-PINNs的秩以适应不同的PDE输入；
Physics-Informed Neural Networks （PINN）
m0_57411304的博客
04-07 1567
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。
matlab余玄函数代码-PiP-Planning-informed-Prediction:（ECCV2020）PiP：用于自动驾驶的计划知悉
05-25
matlab余玄函数代码规划知悉的轨迹预测（PiP） 正式实施“”（ECCV 2020）， 由，，和。 在新颖的计划-预测-耦合管道中，将自我车辆的计划告知多主体未来的预测。 有关更多详细信息，请参阅我们的/ ...
MATLAB codes for physics-informed dynamic mode decomposition
07-24
动态模式分解（Dynamic Mode Decomposition, DMD）是一种数据分析技术，尤其在流体动力学、信号处理和控制理论等领域有着广泛应用。它通过分析时间序列数据，可以揭示系统的动态行为，并提取出主要的演化模式。而...
运动想象Physics-Informed Attention Temporal Convolutional Network源码
03-06
脑电图（EEG）运动图像（MI）信号已被广泛用于许多BCI应用中以协助残疾人控制设备或环境、甚至增强人的能力。然而大脑信号解码的有限性能限制了BCI行业的广泛发展。在这篇文章中，我们提出了一个基于注意力的时间...
matlab非参数代码-score-informed-source-separation:在R.Hennequin、B.David和R.Bad
06-08
setup.m（如果询问，请单击“添加到路径”） 然后，您应该能够使用此目录中的任何函数或脚本。 您可以使用脚本 script_SISS.m 测试代码（可能需要一点时间） 执照 此代码是在 GPL 许可下发布的。 它包含 Ken Schutte...
jupyter下载
Einstein·Jun
08-06 515
Anaconda下载 参考链接：https://blog.csdn.net/qq_48372575/article/details/125630622 设置Jupyter Notebook的代码路径 在“此电脑”中搜索。删除最后一个""后面的的内容，包括“\”。 用记事本打开它。 按下ctrl+F就可以开始查找。查找内容如下： 找到之后，右键该文件，找到“发送到”，找到“桌面快捷方式”。然后就会发现桌面上已经建立好了！
电脑技巧：9个免费的AI图片无损放大工具和网站
08-05 762
今天小编给大家介绍9款免费的AI图片放大工具和网站，帮助你提高图片清晰度，感兴趣的朋友可以自己试一试！美图设计室是美图秀秀公司推出的一款在线图片编辑和设计工具箱，提供包括AI 抠图、AI海报、AI PPT、AI消除、AI文生图、AI变清晰、AI无损放大等AI图片编辑工具。其提供的图片无损放大功能，目前是限时免费中，可以帮助用户将JPG、JPEG、PNG、HEIC等格式的图片放大清晰不失真，细节更丰富。✅ 产品优点由美图推出，产品功能稳定，处理速度较快支持免费进行图片放大到8倍。
【Python】Numpy概述安装及使用
Q20011102的博客
08-03 567
Numpy是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。其提供最核心类型为多维数组类型（ndarray），支持大量的维度数组与矩阵运算，Numpy支持向量处理ndarray对象，提高程序运算速度。数组计算、数组存取函数、加权平均函数可让其在python中使用向量和数学矩阵在数据科学、人工智能（包括深度学习、语言处理分支）发挥重要作用。
RPA+AI有什么应用？6大技术融合方向分析 | 实在RPA研究
SHIZAIZHINENG的博客
08-06 986
随着数字化转型的加速，企业正寻求更高效、智能的方法来优化业务流程。机器人流程自动化（RPA）作为一种快速兴起的技术，已经证明了其在自动化重复性任务方面的能力。然而，当RPA与各种人工智能（AI）技术相结合时，其潜力将得到更全面的释放。本文将探讨不同的AI技术如何与RPA结合，以及这种结合为企业带来的变革性应用方向。机器学习 (ML)使系统能够从数据中学习和改进提高预测准确性，自动化决策制定风险管理、欺诈检测、个性化推荐银行使用ML增强RPA进行信用评分和欺诈识别计算机视觉 (CV)
线性代数课程概要介绍
最新发布
08-07 690
线性代数课程内容丰富，主要围绕向量、矩阵和线性变换等核心概念展开，旨在培养学生的空间直观和想象能力、抽象思维和逻辑推理能力。线性代数是理工科大学生必修的数学基础课之一，也是硕士研究生入学全国统一考试中必考的数学课程之一。它不仅是离散化和数值计算的理论基础，还广泛应用于自然科学、社会科学、工程技术、军事和工农业生产等领域。
打造智能障碍物检测系统：从零开始的深度学习项目
a871923942的博客
08-05 1030
随着自动驾驶技术的发展，障碍物检测成为保障行车安全的重要一环。通过深度学习模型，尤其是YOLO（You Only Look Once）模型，可以高效、准确地检测道路上的障碍物，从而提高自动驾驶系统的安全性和可靠性。
常用的机器学习模型的不同调用方式
weixin_71458119的博客
08-01 1240
不同机器学习方法的调用
动手学强化学习 第 19 章 目标导向的强化学习 训练代码
人工智能
08-02 146
这节改动不大，官方代码基本可以直接运行，应该只有一个warning。
NRK3301识别语音芯片在智能按摩椅中的应用与体验提升
jiuxindianzi的博客
08-02 280
NRK3301语音识别芯片应用于按摩椅，实现高识别准确率、快速响应、远场识别、降噪及离线操作，提供便捷高效且保护隐私的交互体验，期待在更多健康设备中应用。
用 PINN（Physics-Informed Neural Networks）求解二阶Diffusion方程的PyTorch 代码
06-13
好的，以下是用 PINN 求解二阶 Diffusion 方程的 PyTorch 代码： ```python import torch import numpy as np import matplotlib.pyplot as plt # 定义求解区域的左右边界 x_left = 0.0 x_right = 1.0 # 定义时间和空间步长 delta_t = 0.001 delta_x = 0.05 # 定义神经网络的输入维度和隐藏层维度 input_dim = 2 hidden_dim = 10 # 定义神经网络的输出维度 output_dim = 1 # 定义 Diffusion 方程的初始条件和边界条件 def u_init(x): return np.sin(np.pi * x) def u_left(t): return 0.0 def u_right(t): return 0.0 # 定义神经网络模型 class PINN(torch.nn.Module): def __init__(self): super(PINN, self).__init__() self.fc1 = torch.nn.Linear(input_dim, hidden_dim) self.fc2 = torch.nn.Linear(hidden_dim, hidden_dim) self.fc3 = torch.nn.Linear(hidden_dim, output_dim) def forward(self, x, t): # 拼接时间和空间坐标作为神经网络的输入 xt = torch.cat([x, t], dim=1) h1 = torch.tanh(self.fc1(xt)) h2 = torch.tanh(self.fc2(h1)) out = self.fc3(h2) return out # 定义 PINN 的损失函数 def pinn_loss(model, x_left, x_right, delta_t, delta_x): # 定义空间和时间的网格 x = torch.linspace(x_left, x_right, int((x_right - x_left) / delta_x) + 1).unsqueeze(1) t = torch.linspace(0, 1, int(1 / delta_t) + 1).unsqueeze(1) # 计算模型在内部网格点上的预测值 x_internal = x[1:-1] t_internal = t[1:-1] u_internal = model(x_internal, t_internal) # 计算模型在左右边界上的预测值 u_left_boundary = model(x_left, t_internal) u_right_boundary = model(x_right, t_internal) # 计算初始条件和边界条件的损失 init_loss = torch.mean((model(x, torch.zeros_like(x)) - u_init(x)) ** 2) left_boundary_loss = torch.mean((u_left_boundary - u_left(t_internal)) ** 2) right_boundary_loss = torch.mean((u_right_boundary - u_right(t_internal)) ** 2) # 计算 Diffusion 方程的残差 u_x = torch.autograd.grad(u_internal, x_internal, grad_outputs=torch.ones_like(u_internal), create_graph=True)[0] u_xx = torch.autograd.grad(u_x, x_internal, grad_outputs=torch.ones_like(u_x), create_graph=True)[0] f = u_xx - (1 / delta_t) * (u_internal - u_init(x_internal)) # 计算残差的损失 residual_loss = torch.mean(f ** 2) # 计算总的损失 loss = init_loss + left_boundary_loss + right_boundary_loss + residual_loss return loss # 初始化神经网络模型和优化器 model = PINN() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 训练神经网络模型 for i in range(10000): optimizer.zero_grad() loss = pinn_loss(model, x_left, x_right, delta_t, delta_x) loss.backward() optimizer.step() if i % 1000 == 0: print("Iteration {}, Loss = {}".format(i, loss.item())) # 使用训练好的神经网络模型进行预测 x_test = torch.linspace(x_left, x_right, 101).unsqueeze(1) t_test = torch.linspace(0, 1, 1001).unsqueeze(1) u_test = model(x_test, t_test).detach().numpy() # 绘制预测结果 X, T = np.meshgrid(x_test, t_test) plt.pcolormesh(X, T, u_test, cmap='coolwarm') plt.colorbar() plt.xlabel("x") plt.ylabel("t") plt.title("PINN Solution to Diffusion Equation") plt.show() ``` 这段代码中，首先定义了求解区域的左右边界、时间和空间步长等参数，然后定义了 Diffusion 方程的初始条件和边界条件，以及神经网络模型和损失函数。在训练神经网络模型时，使用了 Adam 优化器，最后使用训练好的模型进行预测，并绘制了预测结果。
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

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