基于物理信息神经网络求解电推进器放电腔中不可压缩气体弥散问题

分类： 核科学技术 >> 核科学技术其他学科 提交时间： 2025-05-06

吴梅起 郑金星 刘海洋 陆玉东 柯茂林 杜宜凡 吴涛 史佳明

摘要： 人工智能时代的来临使得神经网络与深度学习在不同学科领域中得到了应用，在本研究中，我们提出了一种基于深度神经网络的方法，用物理信息驱动的神经网络解决二维Navier-Stokes方程求解问题，并对整个物理系统进行建模。为了方便传统CFD(Computational Fluid Dynamics,计算流体力学)数值计算，采用推进剂通入稀薄气体空腔这一经典问题来代替真空中的不可压缩气体流动问题，以满足传统CFD方法的连续性介质假设。在本文所提出的方法中，将Navier-Stokes方程与基于物理信息神经网络(Physics-Informed Neural Networks ,PINNs）相结合，将物理信息嵌入神经网络，使结果更符合物理定律，建模性能更强。另外此研究引入了基于域分解思想的XPINN(eXtended Physics-Informed Neural Network,扩展物理信息神经网络)方法试图改进PINN建模效果。效果结果表明本文提出的方法有以下优点：（1）与传统的CFD方法相比，本研究提出的基于PINN的气体扩散场建模方法与FLUENT求解结果误差较小，可以得到比较准确的数值结果。（2）此研究提出的基于PINN的气体扩散场建模方法建模比纯数据驱动的神经网络方法建模预测精度和物理一致性。（3）可以求解PDEs(Partial Differential Equations，偏微分方程)逆问题。（4）基于域分解思想的XPINN的建模性能要比普通PINN方法表现更优秀。

 点击量 1086  下载量 76  评论 0