通过物理启发的神经网络增强重力流分析: 实验观测的见解
摘要：应用物理信息神经网络（PINNs）从光衰减技术（LAT）的测量数据中推断速度和压力场，用于预测流体环流、混合和总能量预算。通过将物理规律嵌入神经网络的损失函数中，在适应训练数据的同时，约束减小控制方程残差。PINNs能够在稀疏和噪声数据上解决不适定的逆问题，因此可应用于实际工程应用中。通过在一个二维玩具模型上基于合成数据来研究PINNs的噪声稳健性和模型参数，在锁交换配置下进行实验LAT测量数据的训练，并将推断的速度场与同时进行的PIV测量进行定量比较。最后，研究模型推导的能量通量场$J=p oldsymbol{u}$。结果表明，通过在真实实验数据上训练的PINN模型可以推导出准确且有用的物理量，这对于更好地描述重力流和改进海洋环流模型是令人鼓舞的。
作者：Micka"el Delcey, Yoann Cheny, Jean Schneider, Simon Becker, Yvan Dossmann, S''ebastien Kiesgen De Richter
论文ID：2307.14794
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-07-28