Combinación de redes neuronales informadas por la física y el método de Boltzmann de retícula de tiempo de relajación único para resolver problemas inversos en mecánica de fluidos
Autores: Liu, Zhixiang; Chen, Yuanji; Song, Ge; Song, Wei; Xu, Jingxiang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Combinación de redes neuronales informadas por la física y el método de Boltzmann de retícula de tiempo de relajación único para resolver problemas inversos en mecánica de fluidos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Redes neuronales informadas por física
PINNs
Mecánica de fluidos
SRT-LBM
Problemas inversos
Red neuronal profunda
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Las Redes Neuronales Informadas por Física (PINNs) mejoran la eficiencia de la utilización de datos al combinar principios físicos con algoritmos de redes neuronales y así garantizar que sus predicciones sean consistentes y estables con las leyes físicas. PINNs abren un nuevo enfoque para abordar problemas inversos en mecánica de fluidos. Basado en el método de la red de Boltzmann de relajación simple (SRT-LBM) con el operador de colisión Bhatnagar-Gross-Krook (BGK), se propone en este artículo el modelo PINN-SRT-LBM para resolver el problema inverso en mecánica de fluidos. El modelo PINN-SRT-LBM consta de tres componentes. El primer componente implica una red neuronal profunda que predice ecuaciones de control de equilibrio en diferentes direcciones de velocidad discretas dentro del SRT-LBM. El segundo componente emplea otra red neuronal profunda para predecir ecuaciones de control de no equilibrio, lo que permite inferir las características de no equilibrio del fluido. El tercer componente, una función informada por física, traduce las salidas de las dos primeras redes en información física. Al minimizar los residuos de las ecuaciones diferenciales parciales físicas (PDEs), la función informada por física infiere cantidades macroscópicas relevantes del flujo. El modelo desarrolla dos submodelos aplicables a diferentes dimensiones, denominados los modelos PINN-SRT-LBM-I y PINN-SRT-LBM-II según la construcción de la función informada por física. La innovación de este trabajo es la introducción de SRT-LBM y modelos de velocidad discreta como impulsores físicos en una red neuronal a través de la función de interpretación. Por lo tanto, el PINN-SRT-LBM permite que una red neuronal dada maneje problemas inversos de diversas dimensiones y se centre en la resolución específica del problema. Nuestros resultados experimentales confirman la predicción precisa por este modelo de información de flujo en diferentes números de Reynolds dentro del dominio computacional. Basándose en los modelos PINN-SRT-LBM, los problemas inversos en mecánica de fluidos pueden resolverse de manera eficiente.
Descripción
Las Redes Neuronales Informadas por Física (PINNs) mejoran la eficiencia de la utilización de datos al combinar principios físicos con algoritmos de redes neuronales y así garantizar que sus predicciones sean consistentes y estables con las leyes físicas. PINNs abren un nuevo enfoque para abordar problemas inversos en mecánica de fluidos. Basado en el método de la red de Boltzmann de relajación simple (SRT-LBM) con el operador de colisión Bhatnagar-Gross-Krook (BGK), se propone en este artículo el modelo PINN-SRT-LBM para resolver el problema inverso en mecánica de fluidos. El modelo PINN-SRT-LBM consta de tres componentes. El primer componente implica una red neuronal profunda que predice ecuaciones de control de equilibrio en diferentes direcciones de velocidad discretas dentro del SRT-LBM. El segundo componente emplea otra red neuronal profunda para predecir ecuaciones de control de no equilibrio, lo que permite inferir las características de no equilibrio del fluido. El tercer componente, una función informada por física, traduce las salidas de las dos primeras redes en información física. Al minimizar los residuos de las ecuaciones diferenciales parciales físicas (PDEs), la función informada por física infiere cantidades macroscópicas relevantes del flujo. El modelo desarrolla dos submodelos aplicables a diferentes dimensiones, denominados los modelos PINN-SRT-LBM-I y PINN-SRT-LBM-II según la construcción de la función informada por física. La innovación de este trabajo es la introducción de SRT-LBM y modelos de velocidad discreta como impulsores físicos en una red neuronal a través de la función de interpretación. Por lo tanto, el PINN-SRT-LBM permite que una red neuronal dada maneje problemas inversos de diversas dimensiones y se centre en la resolución específica del problema. Nuestros resultados experimentales confirman la predicción precisa por este modelo de información de flujo en diferentes números de Reynolds dentro del dominio computacional. Basándose en los modelos PINN-SRT-LBM, los problemas inversos en mecánica de fluidos pueden resolverse de manera eficiente.