改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用

IMECH-IR > 流固耦合系统力学重点实验室

	改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用
	丘润荻 ; 王静竹 ; 黄仁芳 ; 杜特专; 王一伟; 黄晨光
发表期刊	力学学报
	2022-08-18
卷号	54 期号:08 页码:2224-2234
ISSN	0459-1879
摘要	基于相场法的物理融合神经网络PF-PINNs被成功用于两相流动的建模,为两相流动的高精度直接数值模拟提供了全新的技术手段.相场法作为一种新兴的界面捕捉方法,其引入确保了界面的质量守恒,显著提高了相界面的捕捉精度;但是相场法中高阶导数的存在也降低了神经网络的训练速度.为了提升计算训练过程的效率,本文在PF-PINNS框架下,参考深度混合残差方法 MIM,将化学能作为辅助变量以及神经网络的输出之一,并修改了物理约束项的形式,使辅助变量与相分数的关系式由硬约束转为了软约束.上述两点改进显著降低了自动微分过程中计算图的规模,节约了求导过程中的计算开销.同时,为了评估建立的PF-PINNS在雷诺数较高、计算量较大的场景中的建模能力,本文将瑞利-泰勒RT不稳定性问题作为验证算例.与高精度谱元法的定性与定量对比结果表明,改进PF-PINNs有能力捕捉到两相界面的强非线性演化过程,且计算精度接近传统算法,计算结果符合物理规律.改进前后的对比结果表明,深度混合残差方法能够显著降低PF-PINNS的训练用时.本文所述方法是进一步提升神经网络训练速度的重要参考资料,并为探索高精度智能建模方法提供了全新的见解.
关键词	瑞利-泰勒不稳定性深度混合残差方法物理融合神经网络两相流
收录类别	EI ; CSCD
语种	中文
项目资助者	国家自然科学基金(12122214,52006232,11872065) ; 中国科学院青年创新促进会(Y201906,2022019)资助项目
CSCD记录号	CSCD:7292456
论文分区	二类
力学所作者排名	1
引用统计	被引频次：2[CSCD] [CSCD记录]
文献类型	期刊论文
条目标识符	http://dspace.imech.ac.cn/handle/311007/90112
专题	流固耦合系统力学重点实验室
作者单位	1.中国科学院力学研究所流固耦合系统力学重点实验室 2.中国科学院大学未来技术学院 3.中国科学院大学工程科学学院 4.中国科学院合肥物质科学研究院
推荐引用方式 GB/T 7714	丘润荻,王静竹,黄仁芳,等. 改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用[J]. 力学学报,2022,54,08,:2224-2234.
APA	丘润荻,王静竹,黄仁芳,杜特专,王一伟,&黄晨光.(2022).改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用.力学学报,54(08),2224-2234.
MLA	丘润荻,et al."改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用".力学学报 54.08(2022):2224-2234.

条目包含的文件		下载所有文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
Jp2022F087.pdf（1454KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览下载