Physics-informed neural network combined with characteristic-based split for solving Navier–Stokes equations

反向传播 人工神经网络 计算机科学 边值问题 边界(拓扑) 应用数学 趋同(经济学) 流量(数学) 数学优化 算法 人工智能 数学 数学分析 几何学 经济 经济增长
作者
Shuang Hu,Meiqin Liu,Senlin Zhang,Shanling Dong,Ronghao Zheng
出处
期刊:Engineering Applications of Artificial Intelligence [Elsevier]
卷期号:128: 107453-107453 被引量:2
标识
DOI:10.1016/j.engappai.2023.107453
摘要

This paper presents a novel approach for solving the shallow-water transport equation using a physics-informed neural network (PINN) combined with characteristic-based split (CBS). Our method separates the variables, so it is no need to consider the weight coefficients between different loss functions. As not all partial derivatives are involved in the gradient backpropagation, our method can save half of the memory occupation without losing accuracy, and resulting in a significant reduction in computation time compared to traditional PINN. We solving the progress of the dispersion of hot water under known flow fields. Furthermore, we propose a boundary condition that accounts for the second-order partial derivative term, which is more appropriate for solving the diffusion equation with open domains than the commonly used assumption of zero boundary values. Our numerical results demonstrate that this boundary condition leads to improved convergence of the network. In addition, we introduce a parameter estimation method to estimate the diffusion coefficient of hot water flow, which requires information from the field at only two different times. We observe that excessive participation of variables in gradient backpropagation can lead to neural networks getting trapped in local optima. We use PINN combined with CBS method to solve 3-D incompressible flow. As the number of variables involved in gradient backpropagation increases, the accuracy of the solution decreases, which can partially support our viewpoint. The source codes for the numerical examples in this work are available at https://github.com/double110/PINN-cbs-.git.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
我是老大应助开放道天采纳,获得10
1秒前
Xzmmmm完成签到,获得积分10
4秒前
优秀的牛青完成签到 ,获得积分10
4秒前
XDM完成签到 ,获得积分10
5秒前
第3行星完成签到 ,获得积分10
10秒前
刻苦的新烟完成签到 ,获得积分10
11秒前
haochi完成签到,获得积分10
11秒前
胡萝卜佳完成签到 ,获得积分10
13秒前
啦啦啦完成签到,获得积分10
14秒前
CCsouljump完成签到 ,获得积分10
14秒前
daisy完成签到 ,获得积分10
15秒前
小静完成签到 ,获得积分10
16秒前
丰富梦容完成签到 ,获得积分20
16秒前
开放道天完成签到 ,获得积分10
17秒前
CipherSage应助科研通管家采纳,获得10
21秒前
微雨若,,完成签到 ,获得积分10
24秒前
纯真追命完成签到 ,获得积分10
28秒前
Dawn完成签到 ,获得积分10
36秒前
杨永佳666完成签到 ,获得积分10
36秒前
烟花应助小雷采纳,获得10
37秒前
pphss发布了新的文献求助30
40秒前
neilphilosci完成签到 ,获得积分10
41秒前
2024kyt完成签到 ,获得积分10
43秒前
胖胖橘完成签到 ,获得积分10
45秒前
一缕轻曲挽南墙完成签到 ,获得积分10
46秒前
汉堡包应助聪明安筠采纳,获得10
49秒前
啦啦啦完成签到 ,获得积分10
51秒前
潇湘完成签到 ,获得积分10
51秒前
看见了紫荆花完成签到 ,获得积分10
52秒前
临风浩歌完成签到 ,获得积分10
54秒前
ghost完成签到 ,获得积分10
58秒前
shimenwanzhao完成签到 ,获得积分0
59秒前
1分钟前
研友_LBRPOL完成签到 ,获得积分10
1分钟前
小雷发布了新的文献求助10
1分钟前
Cai完成签到,获得积分10
1分钟前
miyulong完成签到 ,获得积分10
1分钟前
NexusExplorer应助陈秋采纳,获得10
1分钟前
高挑的洋葱完成签到,获得积分10
1分钟前
和谐的映梦完成签到,获得积分10
1分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052652
求助须知:如何正确求助?哪些是违规求助? 2709874
关于积分的说明 7418267
捐赠科研通 2354453
什么是DOI,文献DOI怎么找? 1246090
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921