使用物理信息的图神经网络和稀疏传感器数据对氢气射流扩散建模
摘要：高效建模事故释放过程中的喷气扩散对于氢气设施的运营和维护管理至关重要。深度学习已被证明在气体喷射扩散场景中的浓度预测方面非常有效。然而，它依赖于大量的仿真数据作为训练数据，并且可能忽视物理定律，限制了其在未知事故场景中的适用性。最近，出现了物理信息神经网络（PINNs），通过使用在实际应用中容易收集到的稀疏传感器数据来重建空间信息。然而，主流方法使用全连接神经网络作为骨干结构，没有考虑传感器数据的空间依赖性，降低了浓度预测的准确性。本研究介绍了一种名为Physic_GNN的物理信息图深度学习方法，通过使用稀疏传感器数据来实现高效准确的氢气喷射扩散预测。图神经网络（GNN）用于通过使用图节点来模拟传感器数据的空间依赖性，同时在这些节点上解决描述氢气喷射扩散物理定律的方程。然后，计算得到的残差被应用于约束训练过程。使用公开的氢气喷射实验数据来比较我们提出的Physic_GNN方法和最先进的PINN方法的准确性和效率。结果表明，与PINN相比，我们的Physic_GNN在给定稀疏浓度情况下展现出更高的准确性和物理一致性，并且与OpenFOAM相比更加高效。这种方法能够使用稀疏传感器数据实现准确和稳健的实时空间后果重建和底层物理机制分析。
作者：Xinqi Zhang, Jihao Shi, Junjie Li, Guoming Chen
论文ID：2308.12621
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-08-25