Feb, 2024
理解输入子域级别损失函数梯度下降模型对于波浪翼无稳流动训练的影响
Understanding the training of PINNs for unsteady flow past a plunging
foil through the lens of input subdomain level loss function gradients
TL;DR近期，基于浸入边界方法的物理驱动神经网络（PINNs），包括具有移动边界功能的MB-PINNs，展示了准确重构速度和恢复压力作为不稳定流经过运动物体的隐藏变量的能力。通过全局物理损失放松和基于物理的欠采样方法来训练MB-PINNs，获得了良好的精度。本研究的目的是调查在受物理损失放松和基于物理的欠采样效应下，哪个输入空间子域对训练起作用。在MB-PINNs训练的背景下，定义了三个空间区域：运动体、尾流和外部区域。为了定量评估哪个空间区域驱动训练，从区域损失分量梯度统计和每个区域样本点的比例计算了两个新指标。结果证实，学习确实取决于区域损失分量梯度和每个区域的样本点比例的综合效果。此外，主导输入区域也是在某种意义上具有最强解梯度的区域。