首页> 中文期刊> 《力学学报》 >物理增强的流场深度学习建模与模拟方法

物理增强的流场深度学习建模与模拟方法

         

摘要

流体运动理论上可用Navier?Stokes方程描述, 但由于对流项带来的非线性, 仅在少数情况可求得方程解析解. 对于复杂工程流动问题, 数值模拟难以高效精准计算高雷诺数流场, 实验或现场测量难以获得流场丰富细节. 近年来, 人工智能技术快速发展, 深度学习等数据驱动技术可利用灵活网络结构, 借助高效优化算法, 获得对高维、非线性问题的强大逼近能力, 为研究流体力学计算方法带来新机遇. 有别于传统图像识别、自然语言处理等典型人工智能任务, 深度学习模型预测的流场需满足流体物理规律, 如Navier?Stokes方程、典型能谱等. 近期, 物理增强的流场深度学习建模与模拟方法快速发展, 正逐渐成为流体力学全新研究范式: 根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法, 直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法. 研究内容涵盖流体力学降阶模型、流动控制方程求解领域.

著录项

  • 来源
    《力学学报》 |2021年第10期|2616-2629|共14页
  • 作者

    金晓威; 赖马树金; 李惠;

  • 作者单位

    哈尔滨工业大学土木工程智能防灾减灾工业与信息化部重点实验室 哈尔滨 150090;

    哈尔滨工业大学结构工程灾变与控制教育部重点实验室 哈尔滨 150090;

    哈尔滨工业大学土木工程智能防灾减灾工业与信息化部重点实验室 哈尔滨 150090;

    哈尔滨工业大学结构工程灾变与控制教育部重点实验室 哈尔滨 150090;

    哈尔滨工业大学土木工程智能防灾减灾工业与信息化部重点实验室 哈尔滨 150090;

    哈尔滨工业大学结构工程灾变与控制教育部重点实验室 哈尔滨 150090;

    哈尔滨工业大学(深圳)粤港澳数据驱动下的流体力学与工程应用联合实验室 广东深圳 518055;

  • 原文格式 PDF
  • 正文语种 chi
  • 中图分类 应用流体力学;
  • 关键词

    物理增强的深度学习; 降阶模型; 方程求解; 湍流;

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号