Jan, 2024

利用非线性薛定谔方程和物理信息神经网络进行水波的数据同化和参数识别

PDF
TL;DR利用物理信息神经网络技术，本研究提出在水下安装少量监测仪器的情况下，通过测量数据重建表面高度的时空范围，以解决常规数值方法无法解决的数据同化问题，并成功应用于确定性波浪预测方法的改进。
deep water gravity wave elevationsin-situ devicesdata assimilation problemphysics-informed neural networkhydrodynamic nonlinear schrödinger equation
发现论文，激发创造
  • 用物理信息指导的神经网络（PINNs）进行波传播和完全波形反演

    通过基于物理学知识的神经网络（PINNs）方法对二维声波方程进行求解和全波形反演（FWI）问题进行研究，证明其在处理不同结构复杂度的情况下表现出良好的结果，不仅适用于地震学领域，而且可以处理其他地球物理学数据集以及联合反演等问题，拓展了地球物理学反演研究的新途径。

    Aug, 2021

  • 半无限层状域地震波反演的物理知识驱动神经网络

    本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

    May, 2023

  • PINNslope：物理知情神经网络在地震数据插值和局部斜率估计中的应用

    利用物理知识神经网络 (PINN)，基于局部平面波差分方程和可用数据训练两个前馈神经网络，一个主网络用于重构地震数据，一个辅助网络估计相关的局部斜率。该方法有效地处理了非均匀采样的地震数据和数据中的大间隔，比传统的最小二乘反演方法和单个网络的 PINN 方法表现更好。通过引入一个估计局部斜率的第二个网络，同时插值混杂的数据，提高了主网络的重构能力和收敛行为，并通过额外的位置编码层使网络能够更快地收敛，提高了数据项的准确性。

    May, 2023

  • GaborPINN: 使用乘法滤波网络的高效物理信息神经网络

    我们提出了改进的基于 Gabor 基函数的 PINN 方法（GaborPINN），通过嵌入先验频率信息来加快收敛速度，与传统的 PINN 方法相比，取得了两个数量级的收敛速度提升。

    Aug, 2023

  • 基于物理信息的具有 Gabor 基函数的神经波场

    通过使用满足波动方程的 Gabor 基函数的线性组合来模拟神经网络波场解决方案，从而增强了神经网络波场解决方案的效率和准确性。

    Oct, 2023

  • 物理学启发的神经网络（PINN）在流体力学中的应用：综述

    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

  • 应用基于物理的神经网络描述融合等离子体动力学模拟中的波粒共振

    使用简化形式的 Vlasov-Poisson 系统（1D1V）作为物理启发神经网络（PINN）应用于波粒共振的测试样本。首先将 PINN 作为 Vlasov-Poisson 系统解法的压缩方法进行测试，并与标准神经网络进行比较。其次，还介绍了将 PINN 应用于 Vlasov-Poisson 系统求解，重点放在积分部分，这促使了基于自动微分求解偏微分方程和自动积分求解积分方程的 PINN 变体，称为可积性 PINN（I-PINN）的实现。

    Aug, 2023

  • 物理启发式神经网络与基于特征的分裂法相结合求解 Navier-Stokes 方程组

    本文提出了一种基于特征分裂的物理知识神经网络 (PINN)，用于解决时间依赖的 Navier-Stokes 方程，该方法既支持数据驱动的问题，也支持无数据的问题。该方法的应用于海洋工程领域表现出了很好的潜力。

    Apr, 2023

  • 基于物理知识的神经网络模拟港口航道

    本文提出了一种基于 PINN 的物理模拟神经网络，用于模拟合成港口通道中由天文潮汐引起的流动，该模型的两个创新点是将流动设置为周期性的，并在训练期间重新采样函数评估点以提高模型精度，并讨论了使用 NS 方程模拟湍流模型的局限性及其与 PINN 的交互作用。

    Dec, 2022

  • 使用基于物理信息的神经网络学习参数化 Navier-Stokes 方程的解

    我们利用物理信息神经网络（PINNs）来学习参数化 Navier-Stokes 方程（NSE）的解函数，并通过将参数作为 PINNs 的输入之一，将其与生成的数值解进行训练，以插值出一系列参数的解函数。通过比较不受约束的传统神经网络（NN）和考虑了 PDE 正则化的 PINNs 在流体力学预测上的效果，我们证明了我们提出的方法能够优化学习解函数，同时确保流体预测符合质量和动量守恒定律。

    Feb, 2024