关键词:
物理信息神经网络
低阶导数
流体力学
反向传播
摘要:
为加速求解流体力学问题的物理信息神经网络的训练过程,本文将Navier-Stokes方程转换成低阶导数形式,并以“硬”方式施加边界条件,构建了用于求解稳态不可压缩层流流动问题的“硬”边界低阶导数型物理信息神经网络(HLPINN)。应用HLPINN对变截面管道内的流动进行了数值模拟,并将结果与传统的“硬”边界物理信息神经网络(HPINN)结果对比。结果表明:HLPINN和HPINN均能精确模拟截面扩张和收缩管道内的流场;相较于HPINN,HLPINN可以加速反向传播过程从而加速训练过程;对于截面扩张和收缩两种工况,与HPINN相比,HLPINN的训练时间减少超60%;HLPINN可对两种优化算法进行加速,对于自适应矩估计(Adam)算法可提速超过200%,对于局部极小化(L-BFGS-B)算法可提速90%左右。此外,用于施加“硬”边界条件的距离函数的形式和值域对计算精度影响很大,但是对训练时间及优化算法计算速度的影响甚微。研究表明,连续、平缓和值域在合理范围的距离函数有助于提高计算精度。