×

NSF网络

swMATH ID: 42059
软件作者: 金晓伟、蔡盛泽、李慧、乔治·埃姆·卡尼亚达克斯
描述: NSFnets(Navier-Stokes流网):不可压缩Navier-Stokes方程的物理信息神经网络。我们使用物理信息神经网络(PINN)来模拟从层流到湍流的不可压缩流动。我们通过考虑Navier-Stokes方程的两种不同公式进行PINN模拟:速度-压力(VP)公式和涡速度(VV)公式。对于Navier-Stokes流网络,我们将这些特定的PINN称为NSFnet。分析解和直接数值模拟(DNS)数据库为NSFnet模拟提供了适当的初始和边界条件。空间和时间坐标是NSF网络的输入,瞬时速度场和压力场是VP-NSF网络的输出,瞬时速度和涡度场是VV-NSF网的输出。这两种不同形式的Navier-Stokes方程以及初始和边界条件嵌入到PINN的损失函数中。没有为VP-NSFnet的压力提供数据,这是一种隐藏状态,通过不可压缩约束获得,无需分裂方程。在损失函数收敛后,我们获得了很好的NSFnet模拟结果的准确性,验证了NSFnet可以使用VP或VV公式有效地模拟复杂的不可压缩流动。我们还对数据/物理组件损失函数中使用的权重进行了系统研究,并研究了一种动态计算权重的新方法,以加速训练并提高准确性。我们的结果表明,通过适当调整损失函数中的权重(手动或动态),可以提高层流和湍流的NSF网络的准确性。
主页: https://arxiv.org/abs/2003.06496
相关软件: 亚当;DiffSharp(差异锐化);hp-车辆识别号;PhyGeoNet(物理地理网);深XDE;TensorFlow公司;DeepONet(深度网络);DGM公司;XPIN编号;FPIN编号;PIN码NTK码;PPINN公司;PyTorch公司;L-BFGS公司;AlexNet公司;图像网络;300万;SciANN公司;SimNet公司;LBFGS-B型
引用于: 70文件
全部的 前5名

213位作者引用

7 乔治·埃姆·卡尼亚达基斯
4 王建勋
伊桑·哈希亚特
2 丹尼尔·阿米尼
2 白金帅
2 蔡盛泽
2 陈勇
2 萨尔瓦多科莫
2 冯新龙
2 高,韩
2 法比奥·詹保罗
2 顾远通
2 阿米亚·贾格塔普。
2 金晓伟
2 鲁本·胡安斯
2 川口,Kenji
2 李慧
2 林顺宁
2 刘,杨
2 佩迪卡里斯,巴黎G。
2 弗朗西斯科·皮夏利
2 饶成平
2 任、浦
2 吉安路易吉·罗扎
2 孙浩
2 王思凡
2 许慧
2 杨超
1 阿格拉瓦尔,阿图尔
1 马克·安斯沃思
1 齐亚德·奥尔迪拉尼
1 Laith Alzubaidi
1 雷蒙多·阿罗亚夫
1 巴哈里法尔德,法特梅
1 白晓东
1 弗兰茨·巴默
1 克里斯蒂安·贝克
1 阿里·坎·贝卡尔
1 彼得·本纳
1 菲利普·贝兰。
1 Sarah Berkhahn
1 亚历克斯·比赫罗
1 Rikhi Bose
1 拉明·博斯塔纳巴德
1 史蒂文·布鲁顿。
1 蔡、李
1 蔡伟
1 曹、巴楚
1 曹、如实
1 曹如云
1 阿帕纳州钱德拉莫利什瓦兰
1 伯特兰·查普伦
1 陈,苏
1 陈亚萍
1 邱保雄
1 织物领
1 雷吉斯科特劳
1 戴超庆
1 刀,我的哈
1 尼古拉·德莫
1 帕维尔·迪米特洛夫
1 贾斯汀·东
1 杜秋文
1 马蒂亚斯·埃尔哈特
1 罗南·法布雷特
1 方、尹
1 劳雷拉·法通
1 弗兰克、马丁
1 Kazuko W.富奇。
1 丹尼尔·法纳罗
1 克里希纳·加里基帕蒂
1 Lucile Gaultier公司
1 阿尔夫·格里什
1 Shoaib A.Goraya。
1 巴布亚州戈亚尔
1 顾桐祥
1 郭嘉伟
1 郭玲
1 郭树奇
1 阿什什·古普塔
1 海兰德,简
1 费比安·赫尔德曼
1 肯·海斯特
1 克里斯·希尔
1 胡哲元
1 黄英辉
1 马丁·胡岑塔勒
1 斯特凡诺·伊佐
1 阿努尔夫·詹岑
1 郑晓谷
1 阿努巴夫·乔希
1 马修·杜尼珀(Matthew P.Juniper)。
1 普雷查·卡西通
1 阿里·卡什菲
1 克拉姆罗斯、凯瑟琳
1 本诺·库克
1 尼古拉·库德里亚舍夫
1 拉凯什·库马尔
1 马克·拉福雷斯特
1 詹斯·朗
……还有113位作者

按年份列出的引文