融合物理的神经网络方法在流场重建中的应用 |
| |
引用本文: | 尧少波,何伟峰,陈丽华,吴昌聚,陈伟芳.融合物理的神经网络方法在流场重建中的应用[J].空气动力学学报,2022(5):30-38. |
| |
作者姓名: | 尧少波 何伟峰 陈丽华 吴昌聚 陈伟芳 |
| |
作者单位: | 浙江大学航空航天学院 |
| |
摘 要: | 神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型(physical-informed neural network, PINN),赋予传统神经网络所不具备的先验知识和可解释性。结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力。首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性。其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数。研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑。
|
关 键 词: | PINN神经网络 先验知识 Navier-Stokes方程 流场重建 待定系数 |
|
|