改进的物理融合神经网络在瑞利-泰勒不稳定性问题中的应用

摘要：

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.

关键词：瑞利-泰勒不稳定性、深度混合残差方法、物理融合神经网络、两相流

所属期刊栏目：54

分类号：O357(流体力学)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;中国科学院青年创新促进会项目;中国科学院青年创新促进会项目

在线出版日期：2022-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2224-2234