期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于Runge-Kutta的自回归物理信息神经网络求解偏微分方程 被引量：2
1
作者 韦昌 樊昱晨 +3 位作者 周永清 张超群 刘欣 王赫阳 《力学学报》 EI CAS CSCD 北大核心 2024年第8期2482-2493,共12页
物理信息神经网络离散时间模型(PINN-RK)是深度学习技术与龙格库塔方法相结合的产物,在求解偏微分方程时具有非常出色的稳定性和较高的求解精度.但是,受到龙格库塔算法本身的限制,PINN-RK模型仅能实现单步时间预测,且计算效率较低.因此... 物理信息神经网络离散时间模型(PINN-RK)是深度学习技术与龙格库塔方法相结合的产物,在求解偏微分方程时具有非常出色的稳定性和较高的求解精度.但是,受到龙格库塔算法本身的限制,PINN-RK模型仅能实现单步时间预测,且计算效率较低.因此,为了实现多时间步长预测和提高模型的计算效率,提出了一种基于龙格库塔法的自回归物理信息神经网络模型(SR-PINN-RK).该模型基于自回归时间步进机制,改进了神经网络的训练流程和网络结构,相比PINN-RK模型,大幅减少了神经网络的训练参数,提高了模型的计算效率.此外,在自回归机制的作用下,该模型通过对标签数据的动态更新,成功实现了对偏微分方程解的多时间步长预测.为了验证文中模型的求解精度和计算效率,分别求解了Allen-Cahn方程和Burgers方程,并与文献中的基准解进行了对比.结果表明,模型预测解与基准解之间具有很高的一致性,求解Allen-Cahn方程和Burgers方程的最大相对误差均低于0.009. 展开更多
关键词 物理信息神经网络 自回归时间步进机制 偏微分方程 Allen-Cahn方程 BURGERS方程
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部