物理信息神经网络用于具有时变移动边界的非定常不可压缩流动
摘要：具有物理信息的神经网络（PINNs）被用于流体力学中，主要处理静止边界。这限制了其处理涉及移动物体的各种流动问题的能力。为此，我们提出了一种新的扩展方法，使得PINNs能够解决具有时间依赖移动边界的不可压缩流动问题。具体而言，我们在移动界面上施加速度的Dirichlet约束，并为相应的训练点定义新的损失函数。此外，我们对围绕移动边界的流动进行训练点的精细调整以提高准确性。这有效地强制执行了移动边界的无滑移条件。通过初始条件，扩展的PINNs解决了具有时间依赖移动边界的非定常流动问题，并且仍然能够利用部分数据重建整个流场。因此，扩展版PINNs继承了原始PINNs的物理和数据融合特性。通过一系列典型的流动问题，我们证明了扩展的PINNs的有效性和精度。提出的概念还允许解决逆问题，这需要进一步的研究。
作者：Yongzheng Zhu, Weizhen Kong, Jian Deng and Xin Bian
论文ID：2308.13219
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-08-28