启用动态权重的物理想定神经网络用于模拟受污染含水层中工程纳米颗粒的运移
通过使用 Bayesian Physics-Informed Neural Network(B-PINN)框架,该研究演示了该工具提供的预测性洞见,以开发高效的地下水修复策略。
Aug, 2023
这篇论文提出了一种无网格深度学习算法,即加强物理信息神经网络 (EPINNs),用于解决具有强耦合和非线性特性的动态泊松 - 纳斯特 - 普朗克方程。EPINNs 采用传统的物理信息神经网络作为基础框架,并通过在每次迭代中更新参数来自动分配损失函数的权重,从而添加了自适应损失权重以平衡损失函数。EPINNs 采用再采样策略来加速损失函数的收敛速度,并采用 GPU 并行计算技术来加速求解过程。通过提供四个例子来证明了所提出方法的有效性和适用性。数值结果表明,与传统数值方法相比,这种新方法在解决这种耦合非线性系统方面具有更好的适用性。更重要的是,EPINNs 比传统的物理信息神经网络更准确、稳定和快速。这项工作为解决具有任意边界形状和边界条件的 PNP 问题提供了一种简单且高性能的数值工具。
Feb, 2024
本篇论文提出了一种基于物理知识的神经网络(PINN)方法来监测柴油发动机的健康状况,并考虑将深度神经网络(DNN)与 PINN 模型相结合,以更好地适应柴油发动机的状态。
Apr, 2023
本文回顾了在流体力学问题中使用基于物理学的神经网络(PINNs)的方法,将数据和数学模型无缝集成。该方法可以用于求解涉及三维尾流、超音速流和生物流动等方面的逆向问题。
May, 2021
本文通过研究物理信息驱动的神经网络(PINNs)来编码控制方程,并评估其在两个不同系统的实验数据上的表现。我们发现,在简单的非线性摆系统中,PINNs 在理想数据情况下胜过了等效的无信息神经网络(NNs),在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下,PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍,分别对应于 67 个线性间隔和均匀分布的随机点。此外,我们还研究了物理信息驱动模型在物理系统中的可行性,并选择 FPGA 作为部署计算的基板。鉴于此,我们使用了一台 PYNQ-Z1 FPGA 进行实验,并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法,我们讨论了从这项工作中获得的见解,并列出了未来工作计划。
Jan, 2024
研究探讨了物理信息神经网络(PINN)模型在解决基于输运方程的偏微分方程(PDEs)方面的应用,主要目的是分析在 PINN 模型中不同激活函数对其预测性能的影响,特别是均方误差(MSE)和平均绝对误差(MAE)的评估。研究使用的数据集包含与支柱直径、单元格尺寸以及相应屈服应力值相关的各种输入参数。研究的结果表明,对于这个特定问题,激活函数的选择可能对模型的预测准确性产生较小的影响。PINN 模型展示了出色的泛化能力,表明其能够避免与提供的数据集过度拟合。研究强调了在选择特定实际应用的激活函数时,在性能和计算效率之间取得平衡的重要性。这些宝贵的发现有助于推动 PINN 作为解决各种科学和工程领域中具有挑战性的 PDEs 的有效工具的理解和潜在应用。
Jul, 2023
我们提出了一种使用混合的量子物理信息神经网络的方法,模拟了三维 Y 形混合器中的层流流体,该方法结合了量子模型的表达力和 PINN 的灵活性,与纯经典神经网络相比,精度提高了 21%。
Apr, 2023
精确模拟湍流流动对于气候科学、淡水科学和能源高效制造等众多科学和工程领域具有巨大重要性。本文提出了一种物理增强型神经算子(PENO)的模型,通过将偏微分方程(PDEs)的物理知识纳入模型,准确建模流动动力学,进而通过自增机制来减少长期模拟中所积累的误差。该方法在两组不同的 3D 湍流流动数据上进行了评估,展示了该模型重构高分辨率的 DNS 数据、保持流动传输的固有物理特性,并能在不同分辨率下生成流动模拟。此外,针对多个由不同 PDEs 生成的 2D 涡度流序列的实验结果突出了所提出方法的可转移性和普适性,证实了其在多种需要进行大量模拟的真实场景下的适用性。
May, 2024
文章提出了一种基于深度神经网络的新型弱形式粒子网格神经网络 (ParticleWNN) 来解决偏微分方程 (PDEs),借助试探空间作为 DNNs,测试空间由中心为粒子的紧支撑函数构成。通过 R - 自适应策略调整区域的半径来训练神经网络,具有较高效性和准确性,特别适用于高维和复杂的问题。
May, 2023