Jun, 2024

HDNet：基于 Helmholtz 分解的流动估计的物理启发神经网络

PDF
TL;DR提出了一种名为 HDNet 的物理启发神经网络，可以通过 Helmholtz 分解将任意流场分解为散度和旋度两个分量，可用于解决流场估计问题。
flow estimationphysics-inspired neural networkhelmholtz decompositionincompressible flowscurl-free flows
发现论文，激发创造
  • 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

  • 基于物理知识的神经网络在血流反问题中的应用

    利用 PINNs 方法从散射二维噪声测量中估计上行主动脉中的简化模型参数和全速度场，方法在模拟数据上表现出稳定且准确的参数估计，速度重建取决于测量质量和流动模式复杂性，可用于解决临床相关反问题和复杂耦合物理系统。

    Aug, 2023

  • 多物理信息神经网络用于生物医学管道流动

    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

  • 基于量子物理的神经网络用于复杂形状的计算流体力学模拟

    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

  • 基于物理启发神经网络的压气机叶栅流动研究

    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

  • 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

  • 面向实时训练的物理知情神经网络：超快超声血流成像的应用

    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

  • 用于解决雷诺平均纳维尔 - 斯托克斯方程的受物理学指导的神经网络

    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

  • 基于知识的卷积神经网络模拟和预测两相达西流动

    通过将离散化的微分方程融入到 PINN 框架中，改进物理信息神经网络在处理不连续输入数据方面的准确性，并减少数值模拟的计算成本。

    Apr, 2024

  • NSFnets: 基于物理学知识的神经网络求解不可压 Navier-Stokes 方程组

    利用物理信息神经网络模拟不可压缩流，分别考虑速度 - 压力和涡量 - 速度两种形式的 Navier-Stokes 方程进行模拟。通过优化损失函数中的权重，改善 NSFnets 模拟的精度。

    Mar, 2020