文献类型：期刊文章

作　　者：陆至彬[1] 瞿景辉[2] 刘桦[2] 何畅[2,3] 张冰剑[2,3] 陈清林[2,3]

LU Zhibin;QU Jinghui;LIU Hua;HE Chang;ZHANG Bingjian;CHEN Qinglin(School of Materials Science and Engineering,Sun Yat-sen University,Guangzhou 510275,Guangdong,China;School of Chemical Engineering and Technology,Sun Yat-sen University,Zhuhai 519082,Guangdong,China;Guangdong Engineering Center for Petrochemical Energy Conservation,Sun Yat-sen University,Guangzhou 510275,Guangdong,China)

机构地区：[1]中山大学材料科学与工程学院,广东广州510275 [2]中山大学化学工程与技术学院,广东珠海519082 [3]广东省石化过程节能工程技术研究中心,广东广州510275

出　　处：《化工学报》

基　　金：国家自然科学基金项目(51776228);中央高校基本科研业务费专项资金(20lgpy01)。

年　　份：2021

卷　　号：72

期　　号：3

起止页码：1496-1503

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：物理信息的神经网络(PINN)通过构建结构化的深度神经网络体系,可以有效地耦合基于物理定律的非线性偏微分方程组(如Navier-Stokes方程),能够在较少量的边界数据条件下解决监督学习问题。但是,PINN训练效果与边界条件的设置方式密切相关。本工作以具有内热源的二维稳态导热方程和平板间二维稳态对流传热方程为案例,基于软边界和硬边界两种设定方法构建PINN。将训练所得到的代理模型预测温度场输出,并将其与软件模拟结果进行验证分析,结果表明硬边界PINN代理模型预测能力较优。

关 键 词：神经网络  物理定律 非线性偏微分方程组 边界设置  代理模型 传热 预测  

分 类 号：TQ021.3]