| 物理驱动深度学习波动数值模拟方法及应用 |
| |
| 引用本文： | 陈苏,丁毅,孙浩,赵密,王进廷,李小军.物理驱动深度学习波动数值模拟方法及应用[J].力学学报,2023,55(1):272-282. |
| |
| 作者姓名： | 陈苏 丁毅 孙浩 赵密 王进廷 李小军 |
| |
| 作者单位： | *.北京工业大学城市与工程安全减灾教育部重点实验室, 北京 100124 |
| |
| 基金项目： | 国家自然科学基金(52192675)和国家自然科学地震联合基金(U1839202)资助项目 |
| |
| 摘 要： | 近年来,物理先验融合数据的深度学习方法求解以偏微分方程为理论基础的正反演问题已成为交叉学科热点.针对地震工程波动数值模拟,本文阐明了物理驱动深度学习方法 PINN的数学概念及实现方式,以无源项一维波动为例,开展了相关理论模型构建,并与解析解及有限差分方法进行对比,分析了PINN方法与其他数值算法模拟波场的相对范数误差,验证了物理驱动深度学习方法求解波动问题的可行性.采用物理驱动深度学习方法并结合谱元法形成的稀疏初始波场数据,开展了二维波动数值模拟,实现了自由边界条件及起伏地表等典型工况的模拟,并给出了时序波场分布特性.更换不同的初始条件,测试了神经网络的泛化精度,提出可显著提高网络训练效率的迁移学习方法.通过与谱元法的结果对比,验证了本文方法模拟均质场地、空间不均匀及复杂地形场地波动问题的可靠性.结果表明,物理驱动深度学习方法具备无网格、精细化模拟等优势,并可实现自由地表及侧边界波场透射等数值模拟条件.
|
| 关 键 词： | 物理信息深度学习 神经网络 波动数值模拟 内源波动 边界条件 |
| 收稿时间： | 2022-08-30 |
METHODS AND APPLICATIONS OF PHYSICAL INFORMATION DEEP LEARNING IN WAVE NUMERICAL SIMULATION |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《力学学报》浏览原始摘要信息 |
|
点击此处可从《力学学报》下载全文 |
|
