-
题名基于PINN的二维剪切流圆柱绕流场重构
被引量：1
- 1
-
-
作者
苑光耀
王俊淞
赵玄烈
耿敬
-
机构
哈尔滨工程大学船舶工程学院
哈尔滨工程大学三亚南海创新发展基地
-
出处
《力学学报》
北大核心
2025年第2期436-452,共17页
-
基金
海南省重点研发项目(ZDYF2023GXJS017)
中央高校优秀青年团队项目(3072023JC0101)资助。
-
文摘
随着机器学习方法的发展,基于数据驱动的流场预测成为研究热点.相比于传统神经网络对大量训练数据的依赖以及可解释性较差等问题,物理信息神经网络(PINN)通过将物理约束直接嵌入神经网络损失函数,仅需少量训练数据即可实现流场预测.文章探究了基于PINN的低雷诺数条件下剪切流圆柱绕流场重构方法.基于开源CFD软件OpenFOAM生成的数值模拟数据构建训练集,构建引入剪切流边界条件的圆柱绕流PINN模型,利用流场采样点的速度和压强信息对PINN模型进行训练,以预测不同区域内的流速和压强分布.通过将PINN预测结果与数值模拟数据进行对比,评估了PINN在重构复杂流场中的表现.同时,研究了神经网络层数、网络节点数和监测点位置等参数变化对预测结果的影响,分析了参数调整对流场预测精度的优化作用.研究结果表明,PINN不仅能有效重构剪切流绕流场的流速和压强分布,其预测精度也与数值模拟结果较为吻合,验证了PINN在剪切流圆柱绕流场重构中的实用性和准确性.对比分析表明,监测点位置对预测结果的影响较为显著,合理选取监测点位置可使PINN预测精度提升1~2个数量级.
-
关键词
物理信息神经网络
NAVIER-STOKES方程
剪切流场重构
圆柱绕流
-
Keywords
physical information neural network
Navier-Stokes equation
shear flow field reconstruction
flow around a cylinder
-
分类号
O352
[理学—流体力学]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
