Физически информированные нейронные сети для задач теплопереноса

Physics-Informed Neural Networks for Heat Transfer Problems
Paris G. Perdikaris, George Em Karniadakis, Sifan Wang, Shengze Cai, Zhicheng Wang
2021-03-17

задача Стефанаавтоматическое дифференцированиетеплопередачасмешанная конвекцияфизически информированные нейронные сети
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.
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.

прототипные и промышленные теплопередающие системы, включая вынужденную и смешанную конвекцию, двухфазное течение в задаче Стефана и применения в силовой электронике

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
Authors
Paris G. Perdikaris
George Em Karniadakis
Sifan Wang
Shengze Cai
Zhicheng Wang
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%