Un método de partículas neurales mejorado para la simulación de flujo de superficie libre complejo utilizando redes neuronales informadas por la física
Autores: Shao, Kaixuan; Wu, Yinghan; Jia, Suizi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un método de partículas neurales mejorado para la simulación de flujo de superficie libre complejo utilizando redes neuronales informadas por la física
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Investigación
Flujo de superficie libre
Método de Partículas Neuronales
Escenarios complejos
Tecnología alfa-forma
Condiciones de contorno
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La investigación sobre el flujo en superficies libres es de gran interés en la mecánica de fluidos, siendo la tarea principal el seguimiento y descripción del movimiento de las superficies libres. El desarrollo de técnicas de simulación numérica ha llevado a la aplicación de nuevos métodos en el estudio de problemas de flujo en superficies libres. Uno de estos métodos es el Método de Partículas Neuronales (NPM), un enfoque sin malla para resolver el flujo en superficies libres incompresibles. Este método se basa en una Red Neuronal Informada por la Física (PINN), que permite el entrenamiento y la resolución basados únicamente en condiciones iniciales y de contorno. Aunque el NPM es efectivo para tratar problemas de flujo en superficies libres, enfrenta desafíos al simular escenarios más complejos debido a la falta de algoritmos adicionales de reconocimiento de superficies. En este documento, proponemos un Método de Partículas Neuronales mejorado (INPM) para simular mejor el flujo en superficies libres complejas. Nuestro enfoque implica la incorporación de la tecnología de alpha-shape para seguir y reconocer el límite del fluido, con condiciones de contorno actualizadas constantemente durante la operación. Demostramos la efectividad de nuestro método propuesto a través de tres ejemplos numéricos con diferentes condiciones de contorno. El resultado muestra que: (1) la adición de un módulo de reconocimiento de superficies permite el seguimiento y reconocimiento preciso del límite del fluido, lo que permite una imposición más precisa de las condiciones de contorno en situaciones complejas; (2) INPM puede identificar con precisión la superficie y calcular incluso cuando las partículas están distribuidas de manera desigual. En comparación con los métodos tradicionales sin malla, INPM ofrece una mejor solución para tratar problemas complejos de flujo en superficies libres que involucran distribución aleatoria de partículas. Nuestro método propuesto puede mejorar la precisión y estabilidad de las simulaciones numéricas para problemas de flujo en superficies libres.
Descripción
La investigación sobre el flujo en superficies libres es de gran interés en la mecánica de fluidos, siendo la tarea principal el seguimiento y descripción del movimiento de las superficies libres. El desarrollo de técnicas de simulación numérica ha llevado a la aplicación de nuevos métodos en el estudio de problemas de flujo en superficies libres. Uno de estos métodos es el Método de Partículas Neuronales (NPM), un enfoque sin malla para resolver el flujo en superficies libres incompresibles. Este método se basa en una Red Neuronal Informada por la Física (PINN), que permite el entrenamiento y la resolución basados únicamente en condiciones iniciales y de contorno. Aunque el NPM es efectivo para tratar problemas de flujo en superficies libres, enfrenta desafíos al simular escenarios más complejos debido a la falta de algoritmos adicionales de reconocimiento de superficies. En este documento, proponemos un Método de Partículas Neuronales mejorado (INPM) para simular mejor el flujo en superficies libres complejas. Nuestro enfoque implica la incorporación de la tecnología de alpha-shape para seguir y reconocer el límite del fluido, con condiciones de contorno actualizadas constantemente durante la operación. Demostramos la efectividad de nuestro método propuesto a través de tres ejemplos numéricos con diferentes condiciones de contorno. El resultado muestra que: (1) la adición de un módulo de reconocimiento de superficies permite el seguimiento y reconocimiento preciso del límite del fluido, lo que permite una imposición más precisa de las condiciones de contorno en situaciones complejas; (2) INPM puede identificar con precisión la superficie y calcular incluso cuando las partículas están distribuidas de manera desigual. En comparación con los métodos tradicionales sin malla, INPM ofrece una mejor solución para tratar problemas complejos de flujo en superficies libres que involucran distribución aleatoria de partículas. Nuestro método propuesto puede mejorar la precisión y estabilidad de las simulaciones numéricas para problemas de flujo en superficies libres.