BriefGPT - AI 论文速递
·
使用基于物理信息的神经网络学习参数化 Navier-Stokes 方程的解
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了利用物理信息神经网络（PINNs）学习参数化 Navier-Stokes 方程（NSE）的解函数的方法。通过将参数作为PINNs的输入之一，将其与生成的数值解进行训练，以插值出一系列参数的解函数。通过比较不受约束的传统神经网络（NN）和考虑了PDE正则化的PINNs在流体力学预测上的效果，证明了该方法能够优化学习解函数，同时确保流体预测符合质量和动量守恒定律。
🎯
关键要点
-
利用物理信息神经网络（PINNs）学习参数化 Navier-Stokes 方程（NSE）的解函数。
-
将参数作为 PINNs 的输入之一，与生成的数值解进行训练。
-
通过插值出一系列参数的解函数。
-
比较不受约束的传统神经网络（NN）和考虑 PDE 正则化的 PINNs 在流体力学预测上的效果。
-
证明该方法能够优化学习解函数，确保流体预测符合质量和动量守恒定律。
➡️
