摘要
Raissi,M.,Perdikaris,P.,Karniadakis,G.E.2019年。 《物理信息神经网络:用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》,J.Compute。 物理学。 378, 686–707. 谷歌学者 交叉引用 Raissi,M.,Perdikaris,P.,Karniadakis,G.E.,2017年。 物理学为深度学习提供了信息(第一部分):非线性偏微分方程的数据驱动解,arXiv预印本,arXiv:1711.105612017。 谷歌学者 Cai,S.、Mao,Z.、Wang,Z.,Yin,M.、Karniadakis、G.E.2022。 流体力学物理信息神经网络(PINNs):综述,机械学报。 罪。 https://doi.org/10.1007/s10409-021-01148-1。 谷歌学者 交叉引用 Krizhevsky,A.,Sutskever,I.,Hinton,G.E.,2012年。 用深度卷积神经网络对ImageNet进行分类。 高级神经信息处理系统25:1097–1105。 谷歌学者 Raissi,M.,Karniadakis,G.E.,2017年。 隐藏物理模型:非线性偏微分方程的机器学习,2017,arXiv:1708.00588。 谷歌学者 Ambikasaran,S.、Li,J.Y.、Kitanidis,P.K.、Darve,E.,2013年。 使用分层矩阵的大规模随机线性反演。 计算。 地质科学。 17 (6), 913–927. https://doi.org/10.1007/s10596-013-9364-0。 谷歌学者 交叉引用 Bengio,Y.,Delalleau,O.,Roux,N.2006年。 本地内核机器的高变量函数的诅咒。 高级Neur。 18年,107-114。 谷歌学者 Bottou,L.,Bousquet,O.2008年。 大规模学习的权衡。 高级Neur。 20年,161-168年。 谷歌学者 布劳登,C.G.1965。 求解非线性联立方程的一类方法。 数学。 计算。 19 (92), 577–593. 谷歌学者 交叉引用 霍尔特,D.I.2000。 信号强度计算中的互易原理——数学指南。 概念Magn。 Reson公司。 谷歌学者
建议
求解一维Burgers方程的五阶有限体积加权紧致格式 本文提出了一种求解一维Burgers方程的高阶有限体积紧致格式。 非线性平流项由五阶有限体积加权迎风紧致格式计算,其中非线性平流分量为零。。。