排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
物理信息神经网络(physics-informed neural network, PINN)是将模型方程编码到神经网络中,使网络在逼近定解条件或观测数据的同时最小化方程残差,实现偏微分方程求解.该方法虽然具有无需网格划分、易于融合观测数据等优势,但目前仍存在训练成本高、求解精度低等局限性.文章提出频域物理信息神经网络(frequency domain physics-informed neural network, FD-PINN),通过从周期性空间维度对偏微分方程进行离散傅里叶变换,偏微分方程被退化为用于约束FD-PINN的频域中维度更低的微分方程组,该方程组内各方程不仅具有更少的自变量,并且求解难度更低.因此,与使用原始偏微分方程作为约束的经典PINN相比, FD-PINN实现了输入样本数目和优化难度的降低,能够在降低训练成本的同时提升求解精度.热传导方程、速度势方程和Burgers方程的求解结果表明, FD-PINN普遍将求解误差降低1~2个数量级,同时也将训练效率提升6~20倍. 相似文献
2.
1