关键词:
卷积
转置卷积
ConvLSTM
物理信息网络
有限差分
摘要:
本文基于ConvLSTM,构建了一种编码–解码的物理信息深度学习网络框架(PIED-Net),用于求解含时域的偏微分方程。首先,PIED-Net基于卷积网络提取图像信息中不同层次的空间特征,并使用转置卷积对提取的特征进行表达,实现从图像中学习物理约束的空间信息。为了保证时域信息的连续性,PIED-Net采用ConvLSTM模块,有效地捕捉输入序列的时序关系,提高在预测时间步骤中网络的精度。其次,控制方程、边界和初始条件被用来构建损失函数,并利用有限差分方法来计算各阶导数,进一步提高网络的准确性和稳定性。最后,将所提出的PIED-Net网络框架用来求解2D Burgers方程和2Dflowmixing方程。数值实验结果表明,该网络框架在求解含时域的偏微分方程方面具有出色的精度和运算效率。这为利用深度学习方法解决物理问题提供了一种新的途径。