排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
基于相场法的物理融合神经网络PF-PINNs被成功用于两相流动的建模, 为两相流动的高精度直接数值模拟提供了全新的技术手段. 相场法作为一种新兴的界面捕捉方法, 其引入确保了界面的质量守恒, 显著提高了相界面的捕捉精度; 但是相场法中高阶导数的存在也降低了神经网络的训练速度. 为了提升计算训练过程的效率, 本文在PF-PINNS框架下, 参考深度混合残差方法MIM, 将化学能作为辅助变量以及神经网络的输出之一, 并修改了物理约束项的形式, 使辅助变量与相分数的关系式由硬约束转为了软约束. 上述两点改进显著降低了自动微分过程中计算图的规模, 节约了求导过程中的计算开销. 同时, 为了评估建立的PF-PINNS在雷诺数较高、计算量较大的场景中的建模能力, 本文将瑞利?泰勒RT不稳定性问题作为验证算例. 与高精度谱元法的定性与定量对比结果表明, 改进PF-PINNs有能力捕捉到两相界面的强非线性演化过程, 且计算精度接近传统算法, 计算结果符合物理规律. 改进前后的对比结果表明, 深度混合残差方法能够显著降低PF-PINNS的训练用时. 本文所述方法是进一步提升神经网络训练速度的重要参考资料, 并为探索高精度智能建模方法提供了全新的见解. 相似文献
1