×
阿曼·赛义德·艾哈迈迪；安东尼·沃克斯

粒子流中力和力矩的神经网络建模的物理启发架构。 （英语） 兹比尔1521.76755

计算。流体 238，文章ID 105379，12 p.（2022）.
摘要：我们提出了一种物理启发神经网络（PINN）模型，用于直接预测随机分布球体的静止阵列中单个粒子所经历的水动力和转矩。根据我们的发现，最近已经证明，传统的完全连接神经网络（FCNN）无法准确预测静态随机球体阵列中的力变化。这个问题是由于大量输入变量（即单个相邻粒子的位置）导致在完全连接的体系结构中存在大量训练参数而产生的。考虑到粒子重新求解模拟生成的训练数据集的大小通常有限，神经网络很容易丢失数据中的真实模式，最终导致过拟合。受我们在先前工作中开发微观结构信息概率驱动的点粒子（MPP）模型的观察结果的启发，我们在当前PINN模型的架构中纳入了两个主要特征：（1）粒子之间成对流体动力相互作用的叠加，和（2）在模拟邻居影响的NN块之间共享训练参数。这些策略有助于大幅减少自由参数的数量，从而在不影响精度的情况下控制模型的复杂性。我们证明，如果模型结构与问题的潜在物理相一致，则使用NN直接预测力和转矩确实是可行的。对于雷诺数范围为（2）和固体体积分数为（0.1）的情况，PINN的预测结果与其他现有微观结构模型的预测结果一样准确。

MSC公司：

76M99型 流体力学基本方法
68T07型 人工神经网络与深度学习
76吨20 悬架

关键词：

颗粒流；水动力和转矩模型；两两相互作用叠加；神经网络；了解物理知识；可解释性

软件：

AlexNet公司；DiffSharp（差异锐化）；ImageNet公司；凯拉斯；亚当；TensorFlow公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Seyed-Ahmadi}和\textit{A.Wachs}，计算。液体238，文章ID 105379，12 p.（2022；Zbl 1521.76755）
全文： 内政部 arXiv公司

参考文献：

[1] 安德森，T.B。；Jackson，R.，流化床的流体力学描述。理论与实验的比较，《工业工程化学基金会》，8，1，137-144（1969）
[2] Capecelatro，J。；Desjardins，O.，《模拟颗粒流的Euler-Lagrange策略》，《计算物理杂志》，238，1-31（2013）·Zbl 1286.76142号
[3] 马克西，M.R。；Riley，J.J.，非均匀流中小刚性球体的运动方程，《物理流体》，26，4，883（1983）·Zbl 0538.76031号
[4] Gatignol，R.，非定常非均匀Stokes流中刚性粒子的Faxén公式，J Méc Théor Appl，2，2，143-160（1983）·兹伯利0544.76032
[5] 巴拉昌达尔，S。；Eaton，J.K.，《湍流分散多相流》，《流体力学年鉴》，42，1，111-133（2010）·Zbl 1345.76106号
[6] Subramaniam，S。；Balachandar，S.，《朝向离散多相流建模的确定性和统计性相结合的方法》，（雾滴和喷雾：燃烧和推进应用（2018年），施普林格：施普林格新加坡），7-42
[7] 席勒，L。；Naumann，A.，《吕贝尔·格伦德登·贝里奇南根》，Z.Vereines Deutscher Ingen，77，318-321（1933）
[8] Saffman，P.G.，《低速剪切流中小球的升力》，《流体力学杂志》，22，2385-400（1965）·Zbl 0218.76043号
[9] Seifert，J.，《航空领域的马格纳斯效应综述》，《航空科学计划》，第55期，第17-45页（2012年）
[10] Batchelor，G.K.，《球体稀释分散中的沉淀》，《流体力学杂志》，52，02，245（1972）·Zbl 0252.76069号
[11] 桑加尼，A。；Acrivos，A.，《通过周期性球体阵列的慢流》，《国际多流杂志》，8，4，343-360（1982）·Zbl 0541.76041号
[12] Wen，C.Y。；Yu，Y.H.，流态化力学，（化学工程进展研讨会系列，第62卷（1966）），100-111
[13] Di Felice，R.，流体-颗粒相互作用系统的空隙率函数，国际多相流杂志，20，1，153-159（1994）·Zbl 1134.76530号
[14] Beetstra，R。；van der Hoef，医学硕士。；Kuipers，J.A.M.，通过单分散和双分散球体阵列的中间雷诺数流的阻力，AIChE J，53，2，489-501（2007）
[15] Tenneti，S。；加格·R。；Subramaniam，S.，使用粒子解析直接数值模拟球体固定组件周围流动的单分散气固系统的阻力定律，《国际多道流杂志》，37，9，1072-1092（2011）
[16] Tang，Y。；彼得斯，E.A。；Kuipers，J.A.（库佩斯，J.A.）。；Kriebitzsch，S.H。；van der Hoef，M.A.，通过单分散静态球体阵列流动的完全解析模拟得出的新阻力关联，AIChE J，61，2，688-698（2015）
[17] 博格纳，S。；莫汉蒂，S。；Rüde，U.，《使用格子Boltzmann方法的稀释和中等密度流体-颗粒系统的阻力相关性》，《国际多相流杂志》，68，71-79（2015）
[18] Akiki，G。；杰克逊，T.L。；Balachandar，S.，《单分散球形颗粒阵列内的力变化》，《流体物理学评论》，第1期，第4期（2016年）
[19] Kriebitzsch，S.H.L。；van der Hoef，医学硕士。；Kuipers，J.A.M.，《气动流化床的完全解析模拟：DEM模型的关键测试》，化学工程科学，91，1-4（2013）
[20] Esteghamatian，A。；伯纳德，M。；兰斯，M。；哈姆穆蒂，A。；Wachs，A.，均匀鼓泡状态下流化床的微观/细观模拟，《国际多相流杂志》，92，93-111（2017）
[21] Esteghamatian，A。；哈姆穆蒂，A。；兰斯，M。；Wachs，A.，液体/固体和气体/固体流化床的颗粒分解模拟，《物理流体》，29，3，第033302页，（2017）
[22] Akiki，G。；杰克逊，T.L。；Balachandar，S.，《单分散球体随机阵列的成对相互作用扩展点粒子模型》，《流体力学杂志》，813882-928（2017）·Zbl 1383.76484号
[23] Akiki，G。；摩尔，W。；Balachandar，S.，PairwiSe交互扩展的粒子流点粒子模型，《计算物理杂志》（2017）·Zbl 1383.76484号
[24] 摩尔，W.C。；巴拉昌达尔，S。；Akiki，G.，结合物理和数据驱动方法的混合点-粒子力模型，《计算物理杂志》，385187-208（2019）·兹比尔1451.76139
[25] Seyed-Ahmadi，A。；Wachs，A.，颗粒流中流体动力和转矩的微观结构信息概率驱动点粒子模型，《流体力学杂志》，900（2020）·Zbl 1460.76861号
[26] 巴拉昌达尔，S。；摩尔，W.C。；Akiki，G。；Liu，K.，《使用机器学习和两两交互扩展点粒子（PIEP）近似实现多相流Euler-Lagrange模拟中的粒子再求解精度》，Theor Compute Fluid Dyn，34，4，401-428（2020）
[27] 谢C，王杰，E.W.在湍流大涡模拟中使用空间人工神经网络模拟亚脊尺度力。《物理评论流体》5（5）：054606。
[28] Yang，X.I.A。；扎法尔，S。；王建新。；Xiao，H.，通过物理信息神经网络进行预测性大剂量模拟墙建模，Phys Rev Fluids，4，3（2019）
[29] 贝克，A。；弗拉德·D。；Munz，C.-D.，数据驱动LES闭合模型的深度神经网络，计算机物理杂志，398，文章108910 pp.（2019）
[30] 谢，C。；Wang，J。；李凯。；Ma，C.，可压缩各向同性湍流大涡模拟的人工神经网络方法，Phys Rev E，99，5（2019）
[31] Fukami，K。；Fukagata，K。；Taira，K.，用机器学习超分辨率重建湍流，J Fluid Mech，870，106-120（2019）
[32] 吴，J.-L。；Xiao，H。；Paterson，E.，《用于增强湍流模型的基于物理的机器学习方法：综合框架》，《Phys Rev Fluids》，3，7（2018）
[33] Lee S，You D.使用深度学习对圆柱上方非定常流动进行数据驱动预测。流体力学杂志879:217-54·Zbl 1430.76311号
[34] 塞卡尔，V。；Khoo，B.C.，《使用深度学习方法进行翼型快速流场预测》，《物理流体》，第31、5页，第057103条，pp.（2019）
[35] Srinivasan，P.A。；Guastoni，L。；阿齐兹普尔，H。；施拉特，P。；Vinuesa，R.，《使用深层神经网络预测湍流剪切流》，《流体物理学评论》，第4、5期（2019年）
[36] Leer M，Kempf A.使用普遍适用的机器学习概念进行各种应用的快速流场估计。流量涡轮机燃烧室107（1）：175-200。
[37] 莱斯，M。；王，Z。；Triantafylou，M.S。；Karniadakis，G.E.，《涡激振动的深度学习》，《流体力学杂志》，86119-137（2018）·兹比尔1415.76177
[38] He，L。；Tafti，D.K.，预测悬浮球形颗粒上可变阻力的监督机器学习方法，粉末技术，345379-389（2019）
[39] 姜瑜。；Kolehmainen，J。；顾毅。；Kevrekidis，Y.G。；Ozel，A。；Sundaresan，S.，《基于神经网络的气粒流过滤阻力模型》，《粉末技术》，346403-413（2019）
[40] 马，M。；卢，J。；Tryggvason，G.，《使用统计学习关闭简单气泡系统的双流体多相流方程》，《物理流体》，27，9，第092101页，（2015）
[41] 马，M。；卢，J。；Tryggvason，G.，《使用统计学习关闭垂直通道中气泡流的双流体多相流方程》，《国际多相流杂志》，85，336-347（2016）
[42] Brunton，S.L。；Noack，B.R。；Koumoutsakos，P.，《流体力学机器学习》，《流体机械年鉴》，52，1477-508（2020）·Zbl 1439.76138号
[43] Duraisamy，K。；艾卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，《流体力学年鉴》，51，1，357-377（2019）·Zbl 1412.76040号
[44] Brenner议员、Eldredge JD、Freund JB。对推进流体力学的机器学习的展望。Phys-Rev流体4（10）：100501。
[45] 霍尼克，K。；Stinchcombe先生。；White，H.，多层前馈网络是通用逼近器，神经网络，2，5，359-366（1989）·Zbl 1383.92015年
[46] Rumelhart DE、Hinton GE、Williams RJ。通过反向传播错误学习表征。《自然》323（6088）：533-6·Zbl 1369.68284号
[47] 古德费罗，I。；Y.本吉奥。；A.Courville，《深度学习》（2016），麻省理工学院出版社，http://www.deeplearningbook.org ·Zbl 1373.68009号
[48] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素》（2009），Springer:Springer New York·Zbl 1273.62005年
[49] Krizhevsky，A。；Sutskever，I。；Hinton，G.E.，用深度卷积神经网络进行ImageNet分类，（Pereira，F.；Burges，C.J.C.；Bottou，L.；Weinberger，K.Q.，《神经信息处理系统的进展》，第25卷（2012年），Curran Associates，Inc.），1097-1105
[50] Hochreiter S、Schmidhuber J.《长期短期记忆》。神经计算9（8）：1735-80。
[51] Karniadakis GE、Kevrekidis IG、Lu L、Perdikaris P、Wang S、Yang L.物理学为机器学习提供了信息。Nat Rev物理。
[52] Ling J，Jones R，Templeton J.具有不变性系统的机器学习策略。计算机物理杂志318:22-35·Zbl 1349.76124号
[53] Ling，J。；Kurzawski，A。；Templeton，J.，使用嵌入不变性的深度神经网络进行雷诺平均湍流建模，《流体力学杂志》，807155-166（2016）·兹比尔1383.76175
[54] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.，《基于物理的神经网络：解决非线性偏微分方程正问题和逆问题的深度学习框架》，《计算物理杂志》，378，686-707（2019）·Zbl 1415.68175号
[55] 金玛，D.P。；Ba，J.，Adam：随机优化方法（2017），arXiv:1412.6980
[56] M.阿巴迪。；阿加瓦尔，A。；巴勒姆，P。；Brevdo，E。；陈，Z。；Citro，C.，TensorFlow:异构系统上的大规模机器学习（2015），软件可从
[57] Cholet，F.，Keras（2015），https://keras.io网址
[58] Baydin，A.G。；Pearlmutter，B.A。；Radul，A.A。；Siskind，J.M.，《机器学习中的自动差异化：一项调查》，J Mach Learn Res，18，1，5595-5637（2017）
[59] Silverman，B.，（统计学和数据分析的密度估计。统计学和数据解析的密度估计，Chapman&Hall/CRC统计学和应用概率专著（1986），Taylor&Francis）·Zbl 0617.62042号
[60] Grohs，P。；Hornung，F。；Jentzen，A。；von Wurstemberger，P.，《人工神经网络在数值逼近black-scholes偏微分方程时克服维数灾难的证明》（2018），arXiv:1809.02362
[61] Poggio T、Mhaskar H、Rosasco L、Miranda B、Liao Q。为什么以及何时深而非浅的网络可以避免维度的诅咒：综述。国际计算机杂志14（5）：503-19。
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。