.png){kind=icon}
返回
A physics-informed data-driven model applied for gas dispersion
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jlp.2025.105703.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 首次将物理信息神经网络（PINNs）用于气体扩散，结合数据与物理模型以提高精度。
• 与计算流体动力学（CFD）结果高度吻合；速度、压力和质量分数的NMAPE均低于1%。
• Swish激活函数优于ReLU和Tanh，提升了PINN的训练稳定性。
• 实现了实时预测，为安全分析提供了比CFD更快速的替代方案。
期刊
IF:
4.2
论文数:
4.6K
被引数:
1.1W
机构
暂无机构信息
引用论文
分享收藏Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations.png)
Science
OAAI
ScienceIF0
OAAI分享收藏分享收藏LIMITATIONS OF PHYSICS INFORMED MACHINE LEARNING FOR NONLINEAR TWO-PHASE TRANSPORT IN POROUS MEDIAOAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏
查看更多内容