×
阿米亚·贾格塔普。;毛志平;尼古拉斯·亚当斯;乔治·埃姆·卡尼亚达基斯

超音速流动反问题的物理信息神经网络。 （英语） Zbl 07561079号

J.计算。物理学。 466，文章ID 111402，18 p.（2022）。
摘要：设计专用航空飞行器通常需要精确求解超声速可压缩流动反问题。特别是，我们考虑的问题是，我们有来自纹影摄影的密度梯度数据，以及流入和部分墙边界的数据。这些反问题是出了名的困难，传统方法可能不足以解决这种不适定的反问题。为此，我们采用了物理信息神经网络（PINNs）及其扩展版本，即扩展PINNs（XPINNs），其中域分解允许在每个子域中部署局部强大的神经网络，这可以在子域中提供额外的表达能力，而子域中需要复杂的解决方案。除了控制可压缩欧拉方程外，我们还强制使用熵条件以获得粘度解。此外，我们对密度和压力实施了正条件。我们考虑涉及二维膨胀波、二维斜激波和弓形激波的反问题。我们比较了PINN和XPINN得到的解，并引用了一些可以用来确定两种方法泛化误差的理论结果。

引用于24文件

MSC公司：

68次发射 人工智能
35磅 双曲方程和双曲系统
7.6亿 流体力学基本方法

关键词：

扩展的物理信息神经网络;熵条件;超声速可压缩流动;反问题
PDF格式BibTeX公司 XML格式引用
\textit{A.D.Jagtap}等人，J.Compute。物理。466，文章ID 111402，18 p.（2022；Zbl 07561079）
全文： 内政部 arXiv公司

参考文献：

[1] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：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。，378, 686-707 (2019) ·Zbl 1415.68175号
[2] 莱斯，M。；王，Z。；Triantafylou，M.S。；Karniadakis，G.E.，涡流诱导振动的深度学习，arXiv预印本·Zbl 1415.76177号
[3] 毛，Z。；雅格塔普，A.D。；Karniadakis，G.E.，《高速流动的物理信息神经网络》，计算。方法应用。机械。工程，360，第112789条pp.（2020）·Zbl 1442.76092号
[4] 莱斯，M。；亚兹达尼，A。；Karniadakis，G.E.，《隐藏流体力学：从流动可视化中学习速度和压力场》，《科学》，367，6481，1026-1030（2020）·Zbl 1478.76057号
[5] 雅格塔普，A.D。；Karniadakis，G.E.，扩展物理知情神经网络（xpinns）：一种基于广义时空域分解的非线性偏微分方程深度学习框架，Commun。计算。物理。，28, 5, 2002-2041 (2020) ·Zbl 07419158号
[6] 雅格塔普，A.D。；Kharazmi，E。；Karniadakis，G.E.，守恒定律离散域上的守恒物理信息神经网络：正问题和逆问题的应用，计算。方法应用。机械。工程，365，第113028条pp.（2020）·兹比尔1442.92002
[7] Shukla，K。；雅格塔普，A.D。；Blackshire，J.L。；斯帕克曼，D。；Karniadakis，G.E.，《利用超声波数据量化多晶镍微观结构特性的基于物理信息的神经网络：解决逆问题的有希望的方法》，IEEE信号处理。Mag.，39，1，68-77（2022年）
[8] Shukla，K。；雅格塔普，A.D。；Karniadakis，G.E.，通过区域分解的并行物理信息神经网络，J.Compute。物理。，447，第110683条pp.（2021）·兹伯利07516435
[9] 陈，Y。；卢，L。；Karniadakis，G.E。；Dal Negro，L.，《纳米光学和超材料反问题的物理信息神经网络》，Opt。快递，28，8，11618-11633（2020）
[10] 美国宾·瓦希德。；Haghighat，E。；阿尔卡利法，T。；宋，C。；Hao，Q.，Pinneik：利用物理信息神经网络的Eikonal解决方案，Comput。地质科学。，第104833条pp.（2021）
[11] Haghighat，E。；莱斯，M。；A.穆尔。；戈麦斯，H。；Juanes，R.，《固体力学反演和替代建模的基于物理的深度学习框架》，计算。方法应用。机械。工程，379，文章113741 pp.（2021）·Zbl 1506.74476号
[12] 杨，Y。；Perdikaris，P.，《物理信息神经网络中的对抗不确定性量化》，J.Compute。物理。，394, 136-152 (2019) ·Zbl 1452.68171号
[13] 蔡，S。；王，Z。；福斯特，F。；Jeon，Y.J。；格雷，C。；Karniadakis，G.E.，《浓缩咖啡杯上方的流动：通过物理信息神经网络从断层背景纹影推断三维速度和压力场》，J.流体力学。，915 (2021) ·Zbl 1461.76417号
[14] Kharazmi，E。；张，Z。；Karniadakis，G.E.，hp-vpins：具有区域分解的变分物理信息神经网络，计算。方法应用。机械。工程，374，文章113547 pp.（2021）·Zbl 1506.68105号
[15] 雅格塔普，A.D。；Mitsotakis，D。；Karniadakis，G.E.，《利用多保真度数据深度学习逆水波问题：应用于Serre-Green-Naghdi方程》，海洋工程，248，第110775页，（2022）
[16] Shin，Y。；Darbon，J。；Karniadakis，G.E.，《关于物理信息神经网络的收敛和推广》（2020年），arXiv:电子印刷品
[17] 米什拉，S。；Molinaro，R.，《物理信息神经网络用于逼近偏微分方程一类逆问题的泛化误差估计》，IMA J.Numer。分析。(2021)
[18] De Ryck，T。；雅格塔普，A.D。；Mishra，S.，近似Navier-Stokes方程的物理信息神经网络的误差估计（2022），arXiv预印本
[19] Anderson，J.D.，《计算流体动力学：应用基础》（1995），McGraw-Hill，国际版·Zbl 0922.76003号
[20] 贝利斯，A。；Turkel，E.，可压缩流动的远场边界条件，J.Compute。物理。，48, 2, 182-199 (1982) ·Zbl 0494.76072号
[21] 霍尔，D。；Yen，S.，流出边界处非反射边界条件的实施，（数值边界条件程序（1981）），45
[22] 帕特尔·R·G。；马尼卡姆，I。；特拉斯克，N.A。；伍德，文学硕士。；李，M。；托马斯，我。；Cyr，E.C.，双曲系统的热力学一致性物理信息神经网络，J.Compute。物理。，449，第110754条pp.（2022）·Zbl 07524762号
[23] O.福克斯。；Tchelepi，H.A.，《多孔介质中非线性两相传输的物理信息机器学习的局限性》，J.Mach。学习。模型。计算。，1, 1 (2020)
[24] 胡，Z。；雅格塔普，A.D。；Karniadakis，G.E。；Kawaguchi，K.，扩展物理信息神经网络（xpins）何时能改进泛化？（2021），arXiv预印本
[25] Magiera，J。；雷·D。；赫塞文，J.S。；Rohde，C.，Riemann问题的约束感知神经网络，J.Compute。物理。，409，第109345条pp.（2020）·兹比尔1435.76046
[26] Bezgin，D.A。；施密特，S.J。；Adams，N.A.，非经典欠压激波的数据驱动物理有限体积格式，J.Compute。物理。，437，第110324条pp.（2021）·Zbl 07505908号
[27] 毛，Z。；卢，L。；O.马尔森。；扎基，T.A。；Karniadakis，G.E.，《高超音速的Deepm&mnet：使用算符的神经网络近似预测正常激波后的耦合流动和有限速率化学》，J.Compute。物理。，447，第110698条pp.（2021）·Zbl 07516442号
[28] 蒙福特，M。；卢西亚尼，T。；Komperda，J。；齐巴特，B。；马沙耶克，F。；Marai，G.E.，识别湍流燃烧张量场中激波位置的深度学习方法，（各向异性建模、分析和可视化（2017），Springer），375-392
[29] 何，Z。；郭，E。；黄，X。；莫，C。；Kang，W。；张，F。；王，C。；张，H。；朱，X。；贾，G.，通过人工神经网络反演冲击波温度，J.Appl。物理。，127，12，第125901条pp.（2020）
[30] 库兰特，R。；Friedrichs，K.O.，《超音速流和冲击波》，第21卷（1999），施普林格科学与商业媒体
[31] 利普曼，H.W。；Roshko，A.，《气体动力学原理》（2001），Courier Corporation·Zbl 0078.39901号
[32] 朱克，R.D。；Bibarz，O.，《气体动力学基础》（2002），John Wiley&Sons
[33] Dafermos，C.M.，《连续介质物理学中的双曲守恒定律》，Grundlehren der Mathematischen Wissenschaften，第325卷（2016），Springer-Verlag:Springer-Verlag Berlin·Zbl 1364.35003号
[34] Bianchini，S。；Bressan，A.，非线性双曲方程组的消失粘性解，《数学年鉴》。，223-342 (2005) ·Zbl 1082.35095号
[35] Godlewski，E。；Raviart，P.-A.，双曲守恒律系统的数值逼近，第118卷（1996），Springer·Zbl 0860.65075号
[36] 雅格塔普，A.D。；川口，K。；Karniadakis，G.E.，《自适应激活函数加速深度和物理信息神经网络的收敛》，J.Compute。物理。，404，第109136条pp.（2020）·Zbl 1453.68165号
[37] 雅格塔普，A.D。；川口，K。；Em Karniadakis，G.E.，深度和物理信息神经网络的斜率恢复局部自适应激活函数，Proc。R.Soc.A，476，2239，第20200334条，pp.（2020）·Zbl 1472.68175号
[38] 格洛洛特，X。；Bengio，Y.，《理解深度前馈神经网络训练的困难》，（第十三届国际人工智能与统计会议论文集，JMLR研讨会和会议论文集（2010）），249-256
[39] Baydin，A.G。；Pearlmutter，文学学士。；Radul，A.A。；Siskind，J.M.，《机器学习中的自动差异化：一项调查》，J.Mach。学习。Res.，18，1-43（2018）·Zbl 06982909号
[40] 阿巴迪，M。；巴勒姆，P。；陈，J。；陈，Z。；A.戴维斯。；迪安·J。；德文，M。；Ghemawat，S。；欧文，G。；Isard，M.，Tensorflow:大规模机器学习系统，（第十二届{USENIX}操作系统设计与实现研讨会（{OSDI}16）（2016）），265-283
[41] A.Paszke、S.Gross、S.Chintala、G.Chanan、E.Yang、Z.DeVito、Z.Lin、A.Desmaison、L.Antiga、A.Lerer，《pytorch中的自动分化》。
[42] Kingma，D.P。；Ba Adam，J.，随机优化方法，arXiv预印本
[43] 伯德·R·H。；卢，P。；Nocedal，J。；Zhu，C.，有界约束优化的有限内存算法，SIAM J.Sci。计算。，16, 5, 1190-1208 (1995) ·Zbl 0836.65080号
[44] 王，S。；滕，Y。；Perdikaris，P.，《理解和缓解物理信息神经网络中的梯度流病理学》，SIAM J.Sci。计算。，43、5、A3055-A3081（2021）·Zbl 1530.68232号
[45] 雅格塔普，A.D。；Karniadakis，G.E.，《自适应激活函数加速深度和物理信息神经网络的收敛》（2019年），arXiv预印本
[46] Karpuk，S.，Openbowshock 2d，MATLAB中央文件交换
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。