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

研究通过使用多种案例的 Physics-Informed Neural Networks (PINNs) 方法来计算生物医学管道流体动力学，并探讨网络架构、特定管道和正则化策略以优化计算结果。

Sep, 2023

我们提出了 SeqPINN 和 SP-PINN 两种基于 PINN 的训练框架，用于求解含有定常流场的 Navier-Stokes 方程，实现了比原始设计的 PINN 更快的速度，并在恢复血流速度时分别达到 1.01 cm/s 和 1.91 cm/s 的 RMSE 值（在直通血管上），以及 1.26 cm/s 和 2.56 cm/s 的 RMSE 值（在三叉血管上）。

Sep, 2023

本文利用物理信息网络解决并识别局部微分方程组，应用此方法成功地解决了雷诺 - 平均纳维尔 - 斯托克斯方程，该方程适用于不可压的湍流流动，而且不需要特定的湍流模型或假设，并仅仅需要利用域边界数据来解决方程，研究结果表明该方法可以用于压力梯度强的层流，并且可以得到小于 1％的误差，同时对于湍流流动的模拟结果也非常准确。

Jul, 2021

本文介绍了用 PINN（受物理启发的神经网络）作为传统求解器替代品解决 Navier-Stokes 方程的实验，并使用 2D 的 Taylor-Green 涡旋和圆柱流问题作为实验数据。结果表明，尽管 PINN 方法在 Taylor-Green 问题上表现良好，但在圆柱流问题上未能产生物理解。这表明 PINN 方法在无已知数据的情况下求解流动问题仍有待进一步探究。

May, 2022

该研究首次利用物理信息神经网络（PINNs）方法预测压缩器叶片的流场，通过在正向和反向问题中融入 Navier-Stokes 方程，在正向问题中，相比深度神经网络（DNNs），PINNs 能更精确地预测流场，且在无部分边界条件的反向问题中，PINNs 比传统的 CFD 方法表现出明显优势，能仅依靠部分速度向量和壁压力信息成功重构压缩器叶片的流场，证明了 PINNs 作为一种有潜力的替代方法能提供给涡轮机械设计师更高的准确性。

Jul, 2023

本文采用物理信息神经网络 (PINNs) 和合成数据推断生物材料的特性，特别是我们成功地应用于推断血栓渗透性和粘弹性模量，验证了该模型在噪声合成数据中的鲁棒性。

May, 2020

本文提出了一种基于物理引导神经网络、浸润边界方法和移动边界的方法来复现移动物体的非稳态流体力学过程，并研究了该方法的数据效率。

Jun, 2023

通过引入基于物理的规则，将 PINNs 模型用于流体动力学的代理模型，证明了其在数据缺失，边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点，包括提高模型的预测性能，提高对数据噪声的稳健性，并减少对于先前未见场景的优化收敛所需的时间。

May, 2021

本文介绍如何应用物理信息神经网络（PINNs）求解光子超材料和纳米光学技术中的逆散射问题，并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演，从而拓展超材料的设计空间和功能。

Dec, 2019