基于物理信息神经网络的传热过程物理场代理模型的设计.pdf

简介：
本文介绍了基于物理信息神经网络设计传热过程物理场代理模型的方法，旨在提高复杂传热问题的模拟效率与准确性。通过结合物理学原理和数据驱动技术，该模型能够有效捕捉传热过程中的细微变化，为工程应用提供有力支持。 本篇论文主要探讨了利用物理信息神经网络（PINN）构建传热过程物理场代理模型的方法。PINN是一种基于深度学习的技术，能够通过建立结构化的深层神经网络体系来解决监督学习问题，并且可以结合描述自然规律的非线性偏微分方程组，如Navier-Stokes方程，在较少边界数据条件下进行训练。 文中选取了两个二维稳态导热的例子：一是具有内部热源的二维稳态导热模型，二是平板间对流传热模型。作者采用软边界和硬边界的设定方法建立PINN模型，并利用所得代理模型预测温度场的结果。研究结果表明，在硬边界条件下构建的PINN代理模型表现出更优的预测性能。 在实现过程中，文中详细描述了如何运用深度学习技术来创建结构化的深层神经网络体系，该体系可以捕捉物理定律并耦合非线性偏微分方程组。此外，作者还分析了不同边界条件设置对训练效果的影响，并对比了软边和硬边界的预测性能。 综上所述，本段落提出了一种基于PINN的传热过程物理场代理模型构建方法，该技术不仅解决了监督学习问题，还能结合非线性偏微分方程组。对于复杂传热现象的研究与模拟具有重要的实践价值。