Физически информированные нейронные сети для задач теплопереноса
Physics-Informed Neural Networks for Heat Transfer Problems
2021-03-17
SCID: 54.1/k8knsnmx
Discuss with AI
задача Стефанаавтоматическое дифференцированиетеплопередачасмешанная конвекцияфизически информированные нейронные сети
Figures from the paper
Abstract (AI)
Физически информированные нейронные сети (PINN) получили широкое распространение в различных инженерных областях благодаря своей эффективности при решении реалистичных задач с зашумленными данными и часто неполным описанием физики процесса. В PINN используется автоматическое дифференцирование для вычисления дифференциальных операторов без погрешностей дискретизации, а задача многозадачного обучения формулируется таким образом, чтобы одновременно аппроксимировать наблюдаемые данные и соблюдать фундаментальные законы физики, описывающие процесс. В настоящей работе представлены применения PINN к различным модельным задачам теплопереноса, прежде всего к реалистичным условиям, которые трудно рассматривать традиционными вычислительными методами. С этой целью сначала рассматриваются вынужденная и смешанная конвекция с неизвестными тепловыми граничными условиями на нагреваемых поверхностях; целью является получение полей температуры и скорости во всей области, включая границы, по разреженным измерениям температуры. Также рассматривается модельная задача Стефана для двухфазного течения, в которой по нескольким измерениям температуры внутри области требуется определить движущуюся границу раздела, поля скорости и температуры во всей области, а также различные коэффициенты теплопроводности твердой и жидкой фаз. Наконец, представлены реалистичные промышленные приложения, связанные с силовой электроникой, демонстрирующие практическую применимость PINN и эффективность нейронных сетей при решении общих задач теплопереноса промышленной сложности. В совокупности приведенные результаты показывают, что PINN способны не только решать некорректно поставленные задачи, недоступные для традиционных вычислительных методов, но и сокращать разрыв между вычислительным и экспериментальным исследованием теплопереноса.
Key Findings
1
Для задач вынужденной и смешанной конвекции PINN восстанавливают неизвестные тепловые граничные условия, а также поля температуры и скорости во всей области по разреженным измерениям температуры.
2
Для двухфазной задачи Стефана PINN по ограниченным измерениям температуры внутри области определяют движущийся интерфейс, поля скорости и температуры, а также теплопроводности твердой и жидкой фаз.
3
Применения в силовой электронике показывают, что PINN способны решать задачи теплопереноса реалистичной промышленной сложности.
4
PINN используют автоматическое дифференцирование и многозадачное обучение, одновременно соблюдая уравнения теплопереноса и подгоняя модель под наблюдаемые данные без ошибок дискретизации.
5
Результаты показывают, что PINN могут решать некорректно поставленные задачи теплопереноса, недоступные традиционным вычислительным методам, и связывать вычислительное моделирование с экспериментальными данными.
Research Object
прототипные и промышленные теплопередающие системы, включая вынужденную и смешанную конвекцию, двухфазное течение в задаче Стефана и применения в силовой электронике
Research Subject
восстановление температурных и скоростных полей, движущихся границ раздела, тепловых граничных условий и теплопроводностей фаз по разреженным измерениям температуры в реалистичных условиях теплопередачи
Publication Details
Publication Date
2021-03-17
Journal
Publisher
ISSN
Cited by
1735
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью6
Научное машинное обучение с использованием физически информированных нейронных сетей: современное состояние и дальнейшие перспективы2022
A-PINN: Вспомогательные физически информированные нейронные сети для прямых и обратных задач нелинейных интегро-дифференциальных уравнений2022
Физически информированные нейронные сети для уравнений Сен-Венана при понижении масштаба крупномасштабной речной модели2023
Физически информированное машинное обучение в геотехнической инженерии: обзор перспективных направлений2025
Нейронные сети с учетом физических законов для суррогатного моделирования аварийных сценариев на атомных электростанциях2023
Физически информированные нейронные сети для моделирования потоков воды в русле реки2022