并行重采样物理信息神经网络:用于低雷诺数下不可压缩流体流动分析

来源：计算力学学报杂志2025年第4期北京时间：

作者：苟志勇,蒋权,黄文清

单位：广西民族大学 人工智能学院, 南宁 530006,广西民族大学 人工智能学院, 南宁 530006,广西混杂计算与集成电路设计分析重点实验室, 南宁 530006,广西民族大学 人工智能学院, 南宁 530006

摘要：流场重建和流场参数识别是流体力学研究中的关键任务。当使用基于物理信息神经网络PINNs(Physics-Informed Neural Networks)来解决流体流动问题时,传统的PINNs方法在模拟不可压缩流体时遭遇若干挑战,如预测精度不足、采样点布置和超参数选择难题。这些挑战使得PINNs的训练过程缓慢且难以收敛并陷入局部最优解。本文改进PINNs的主要思想为,首先,使用传统PINNs采样方式对求解域进行采样,并对其训练过程中残差较大的位置进行重采样;其次,运用并行神经网络结构以提高预测精度;最后,通过网格搜索技术来确定最优超参数。即并行重采样物理信息神经网络PRS-PINNs(Parallel Resampling PINNs)。通过两个经典的计算流体动力学问题,即低雷诺数下的Kovasznay流和圆柱绕流对PRS-PINNs进行了测试。实验结果显示,PRS-PINNs的预测结果与解析解高度一致,利用流场数据也能较为准确地推算出未知参数,为计算流体动力学问题的求解提供了一种新方法。

关键词：物理信息神经网络,重采样,并行计算,网格搜索,PDE智能求解,

基金资助：广西科技计划(桂科AD21220002);2023中央支持地方高校改革发展资金-智能信息技术现代产业学院(301021501);广西民族大学引进人才科研项目(2020KJQD24)资助.