马齐亚·莱斯;王志成;Michael S.Triantafylou。;乔治·埃姆·卡尼亚达基斯 深入学习涡激振动。 （英语） Zbl 1415.76177号 J.流体力学。 861, 119-137 (2019). 小结：当涡脱落频率接近结构的固有频率时，钝体会发生涡激振动。有趣的是，在给定速度场的一些有限和分散信息的情况下，预测结构物上的升力和阻力。这是一个使用标准计算流体动力学方法无法直接解决的反问题，特别是因为没有提供压力信息。一个更大的挑战是在对流场进行一些染色或烟雾可视化的情况下推断升力和阻力。在这里，我们使用扩展的深层神经网络对不可压缩的Navier-Stokes方程和结构的动态运动方程进行编码。在第一种情况下，给定速度场和结构运动的时空分散数据，我们使用四个耦合的深度神经网络非常准确地推断出结构参数，即整个时间相关压力场（无先验训练数据），重建速度矢量场和结构的动态运动。在第二种情况下，仅在浓度场上给定时空中的散射数据，我们使用五个耦合的深度神经网络来非常准确地推断矢量速度场和所有其他感兴趣的量。流体力学中针对耦合多物理问题的这一新的推理范式能够根据小子域中的流动快照量化速度和压力，并可用于流量控制应用和系统识别。 引用于56文件 MSC公司： 76D17号 粘性涡流 74层10 流固相互作用（包括气动和水弹性、孔隙度等） 74小时45 固体力学动力学问题中的振动 关键词：计算方法;流-结构相互作用;涡旋相互作用 软件：DiffSharp（差异锐化） PDF格式BibTeX公司 XML格式引用 \textit{M.Raissi}等人，《流体力学杂志》。86119-137（2019年；Zbl 1415.76177） 全文： 内政部 arXiv公司 参考文献： [1] Abadi，M.等人，2016年Tensorflow:异构分布式系统上的大规模机器学习。arXiv:1603.04467。 [2] Baydin，A.G。；Pearlmutter，B.A。；Radul，A.A。；Siskind，J.M.，《机器学习中的自动差异：一项调查》，J.machine learning Res.，18，153，1-43，（2018）·Zbl 06982909号 [3] Beidokhti，R.S。；Malek，A.，使用神经网络和优化技术解决偏微分方程组的初始边值问题，J.Franklin Inst.，346898-913，（2009）·Zbl 1298.65155号 ·doi:10.1016/j.jfranklin.2009.05.003 [4] 波盖，R。；Karniadakis，G.E。；Triantafylou，M.S.，剪切流中长柔性圆柱体的涡激振动，流体力学杂志。，677, 342-382, (2011) ·Zbl 1241.76137号 ·doi:10.1017/jfm.2011.90 [5] Chen，T.Q.，Rubanova，Y.，Bettencourt，J.&Duvenaud，D.2018神经常微分方程。arXiv:1806.07366。 [6] Duraisamy，K.，Zhang，Z.J.&Singh，A.P.2015使用数据驱动技术的湍流和过渡建模新方法。AIAA纸张2015-1284. [7] Evangelinos，C。；Karniadakis，G.E.，受涡激振动影响的刚性和柔性圆柱体湍流尾迹中的动力学和流动结构，J.流体力学。，400, 91-124, (1999) ·Zbl 0983.76029号 ·doi:10.1017/S0022112099006606 [8] Hagge，T.，Stinis，P.，Yeung，E.&Tartakovsky，A.M.2017用递归神经网络求解具有未知本构关系的微分方程。arXiv:1710.02242。 [9] Hirn，M。；Mallat，S。；Poilvert，N.，量子化学能的小波散射回归，多尺度模型。同时。，15, 827-863, (2017) ·Zbl 1365.42030号 ·doi:10.1137/16M1075454 [10] 霍尼克，K。；Stinchcombe，M。；White，H.，多层前馈网络是通用逼近器，神经网络，2359-366，（1989）·Zbl 1383.92015年 ·doi:10.1016/0893-6080（89）90020-8 [11] Karniadakis，G.E。；Sherwin，S.，《计算流体动力学的谱/hp元方法》，（2005），牛津大学出版社·Zbl 1116.76002号 ·doi:10.1093/acprof:oso/9780198528692.0001 [12] Kingma，D.P.&Ba，J.2014亚当：随机优化方法。arXiv:1412.6980。 [13] Kondor，R.2018 N体网络：用于学习原子势的协变层次神经网络结构。arXiv:1803.01588。 [14] Kondor，R.&Trivedi，S.2018关于将神经网络中的等方差和卷积推广到紧群的作用。第三十五届机器学习国际会议论文集，瑞典斯德哥尔摩，ICML。 [15] 拉加里斯，I.E。；利卡斯，A。；Fotiadis，D.I.，求解常微分方程和偏微分方程的人工神经网络，IEEE Trans。神经网络，9987-1000，（1998）·doi:10.1109/72.7712178 [16] 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，J.流体力学。，807, 155-166, (2016) ·Zbl 1383.76175号 ·doi:10.1017/jfm.2016.615 [17] Ling，J。；Templeton，J.，用于预测雷诺平均Navier-Stokes不确定性较高区域的机器学习算法的评估，Phys。流体，27，（2015）·doi:10.1063/1.4927765 [18] Mallat，S.，《理解深卷积网络》，Phil.Trans。R.Soc.伦敦。A、 374（2016） [19] 米兰，M。；Koumoutsakos，P.，近壁湍流的神经网络建模，J.Compute。物理。，182, 1-26, (2002) ·Zbl 1090.76535号 ·doi:10.1006/jcph.2002.7146 [20] 纽曼，D.J。；Karniadakis，G.E.，《自由振动缆绳绕流的直接数值模拟研究》，J.流体力学。，344, 95-136, (1997) ·Zbl 0901.76062号 ·doi:10.1017/S002211209700582X [21] Owhadi，H.，贝叶斯数值均匀化，多尺度模型。同时。，13, 812-828, (2015) ·Zbl 1322.35002号 ·数字对象标识代码：10.1137/140974596 [22] 奥瓦迪，H。；Scovel，C。；Sullivan，T.，连续世界中有限信息下贝叶斯推理的脆性，电子。J.统计。，9, 1-79, (2015) ·Zbl 1305.62123号 ·doi:10.1214/15-EJS989 [23] Paidoussis，M.P.1998流体-结构相互作用：细长结构和轴向流，第1卷。学术出版社。 [24] Paidoussis，M.P.2004流体-结构相互作用：细长结构和轴流，第2卷。学术出版社。 [25] Pang，G.，Yang，L.&Karniadakis，G.E.2018神经网络诱导高斯过程回归函数逼近和PDE解。arXiv:1806.11187·Zbl 1451.68242号 [26] E.J.帕里什。；Duraisamy，K.，《使用场反演和机器学习的数据驱动预测建模范式》，J.Compute。物理。，305, 758-774, (2016) ·兹比尔1349.76006 ·doi:10.1016/j.jcp.2015.11.012 [27] 佩迪卡里斯，P。；莱斯，M。；Damianou，A。；劳伦斯，北卡罗来纳州。；Karniadakis，G.E.，《数据高效多保真建模的非线性信息融合算法》，Proc。R.Soc.伦敦。A、 473（2017）·Zbl 1407.62252号 [28] 佩迪卡里斯，P。；文丘里，D。；Karniadakis，G.E.，《高维系统和海量数据集的多保真信息融合算法》，SIAM J.Sci。计算。，38，B521-B538，（2016）·Zbl 1342.62110号 ·doi:10.1137/15M1055164 [29] Psichogios，哥伦比亚特区。；Ungar，L.H.，过程建模的混合神经网络第一原理方法，AIChE J.，381499-1511，（1992）·数字对象标识代码：10.1002/aic.690381003 [30] Raghu，M.、Poole，B.、Kleinberg，J.、Ganguli，S.和Sohl-Dickstein，J.2016关于深层神经网络的表达能力。arXiv:1606.05336。 [31] Raissi，M.2017大数据的参数高斯过程回归。arXiv:1704.03144·Zbl 1471.62272号 [32] 莱斯，M.2018一深层物理模型：非线性偏微分方程的深层学习。arXiv:1801.06637·Zbl 1439.68021号 [33] 莱斯，M.2018b条前向倒向随机神经网络：高维偏微分方程的深度学习。arXiv:1804.07010。 [34] Raissi，M.和Karniadakis，G.2016深多保真度高斯过程。arXiv:1604.07484。 [35] 莱斯，M。；Karniadakis，G.E.，《隐藏物理模型：非线性偏微分方程的机器学习》，J.Compute。物理。，357, 125-141, (2018) ·兹比尔1381.68248 ·doi:10.1016/j.jcp.2017.11.039 [36] Raissi，M.，Perdikaris，P.&Karniadakis，G.E.2017年一物理学为深度学习提供了信息（第二部分）：非线性偏微分方程的数据驱动发现。arXiv:1711.10566·Zbl 1380.68339号 [37] Raissi，M.，Perdikaris，P.&Karniadakis，G.E.2017年b条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:1711.10561·Zbl 1382.65229号 [38] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《利用噪声多保真数据推断微分方程解》，J.Compute。物理。，335736-746（2017）·Zbl 1382.65229号 ·doi:10.1016/j.jcp.2017.01.060 [39] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，使用高斯过程的线性微分方程机器学习，J.Compute。物理。，348, 683-693, (2017) ·Zbl 1380.68339号 ·doi:10.1016/j.jcp.2017.07.050 [40] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，含时和非线性偏微分方程的数值高斯过程，SIAM J.Sci。计算。，40，A172-A198，（2018）·Zbl 1386.65030号 ·doi:10.1137/17M1120762 [41] Raissi，M.，Perdikaris，P.&Karniadakis，G.E.2018年b条用于数据驱动的非线性动力系统发现的多步神经网络。arXiv:1801.01236·Zbl 1386.65030号 [42] Raissi，M.、Yazdani，A.和Karniadakis，G.E.2018隐藏流体力学：Navier-Stokes提供的深度学习框架，用于同化流动可视化数据。arXiv:1808.04327。 [43] Rasmussen，C.E.&Williams，C.K.2006机器学习的高斯过程，第1卷。麻省理工学院出版社·兹比尔1177.68165 [44] Rico-Martinez，R.、Anderson，J.和Kevrekidis，I.1994连续时间非线性信号处理：基于神经网络的灰盒识别方法。《信号处理的神经网络》第四卷，1994年IEEE研讨会论文集，第596-605页。电气与电子工程师协会。 [45] 沙赫里亚里，B。；瑞典斯威斯基。；王，Z。；亚当斯·R·P。；De Freitas，N.，《让人类走出循环：贝叶斯优化综述》，Proc。IEEE，104，148-175，（2016）·doi:10.1109/JPROC.2015.2494218 [46] Tripathy，R.&Bilionis，I.2018 Deep UQ：学习深度神经网络替代模型，用于高维不确定性量化。arXiv:1802.00850·Zbl 1419.68084号 [47] Vlachas，P.R.、Byeon，W.、Wan，Z.Y.、Sapsis，T.P.和Koumoutsakos，P.2018具有长短期记忆网络的高维混沌系统的数据驱动预测。arXiv:1802.07486·Zbl 1402.92030 [48] Wang，J.-X.，Wu，J.，Ling，J.、Iacarino，G.和Xiao，H.2017预测湍流建模的综合物理信息机器学习框架。arXiv:1701.07102。 [49] 威廉姆森，香港特别行政区。；Govardhan，R.，涡激振动，年度。流体力学版次。，36413-455，（2004年）·Zbl 1125.74323号 ·doi:10.1146/annurev.fluid.36.050802.122128 [50] Zhang，Z.J.和Duraisamy，K.2015数据驱动湍流建模的机器学习方法。AIAA纸张2015-2460. [51] Zhu，Y.&Zabaras，N.2018贝叶斯深度卷积编码器-解码器网络，用于代理建模和不确定性量化。arXiv:1801.06879·Zbl 1407.62091号 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。