求解浅水波方程的并行物理信息神经网络算法

双曲守恒律方程是一类比较特殊的偏微分方程,其数值求解方法的研究一直是一个热点问题,一个显著特性是即使初始条件是光滑的,其解也可能会发展成间断。浅水波方程作为非线性双曲守恒律方程,由于间断解的存在,其精确求解存在很大困难。针对浅水波方程数值求解问题,本文基于PINN(Physics informed neural networks)反问题网络结构构造新的网络,构造的网络结构包括两个并行的神经网络,其中一个网络与已知状态数据(熵稳定格式加密求出)相关,另一个网络与方程本身相关。利用已知速度数据结合浅水波方程本身求解未知水深,最终通过一些数值算例验证网络的可行性。结果表明,新的网络结构可用于浅水波方程求解,利用速度数据可以较为精确地推算出水深。     

Diffusive Regularization Inverse PINN Solutions to Discontinuous Problems北大核心CSCD

双曲守恒律方程间断问题的求解是该类方程数值求解问题研究的重点之一.采用PINN (physics-informed neural networks)求解双曲守恒律方程正问题时需要添加扩散项,但扩散项的系数很难确定,需要通过试算方法来得到,造成很大的计算浪费.为了捕捉间断并节约计算成本,对方程进行了扩散正则化处理,将正则化方程纳入损失函数中,使用守恒律方程的精确解或参考解作为训练集,学习出扩散系数,进而预测出不同时刻的解.该算法与PINN求解正问题方法相比,间断解的分辨率得到了提高,且避免了多次试算系数的麻烦.最后,通过一维和二维数值试验验证了算法的可行性,数值结果表明新算法捕捉间断能力更强、无伪振荡和抹平现象的产生,且所学习出的扩散系数为传统数值求解格式构造提供了依据.     

双曲型方程激波捕捉的物理信息神经网络（PINN）算法

双曲型方程的数值求解算法研究一直是偏微分方程研究的热点,其中,双曲型方程的间断捕捉是难点。受物理信息神经网络（physics-informed neural networks,PINN）启发,构造了改进的PINN算法,近似求解双曲型方程的间断问题。将坐标构造的数据集作为神经网络的输入,将PINN算法中的损失函数作为训练输出值与参考解（基于细网格的熵相容格式数据）或准确解的误差值,通过网络优化,最小化损失函数,得到最优网络参数。最后用数值算例验证了算法的可行性,数值结果表明,本文算法能捕捉激波,分辨率高,且未产生伪振荡。     

浅水波方程的黏性正则化PINN算法

针对经典PINN(Physics-informed Neural Networks)在求解浅水波方程间断问题时的不足，提出一种黏性耗散机制的正则化PINN算法。该算法利用黏性正则化的浅水波方程作为网络构建中的物理约束，并在损失函数中作为惩罚项，训练网络用正则化方程的光滑解逼近原方程的间断解，采用网格加密熵稳定格式的数值解作为参考，学习得原方程在整个区域的解。对满足不同初始条件的一维、二维浅水问题进行数值模拟，并与经典PINN算法进行比较，数值结果表明新算法泛化能力强，可预测任意时刻的解，分辨率高，不会出现抹平和伪振荡现象。