.png){kind=icon}
返回
A Physics-Informed Deep Neural Network based beam vibration framework for simulation and parameter identification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2024.109804.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物理信息神经网络（PINNs）将神经网络（NN）模型与由微分方程支配的物理现象相结合。本研究提出了一种PINN框架，可用于模拟梁的横向振动并确定其动态参数。先前的研究表明，神经网络难以学习高频动力学。因此，使用神经切线核（NTK）来管理高频学习中的谱偏现象。所提出的模型用于模拟不同边界条件下的案例，并通过有限元解对结果进行验证。对于正问题解，误差在低频时约为O (10⁻⁵)，在高频时约为O (10⁻¹)。对于反问题，系统参数以1.41%的误差被识别。此外，物理实验用于证明所提出框架的有效性。PINN结果与解析数据和测量数据之间的差异小于O (10⁻¹)。结果表明，PINNs具有近似高阶偏微分方程解以及识别由其支配的结构动态参数的潜力。
Keyword:
Physics-informed neural network
Free vibration
Traverse beam
Forward and inverse problem
Partial differential equation
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
Application of physics-informed neural networks for nonlinear buckling analysis of beams物理神经网络在梁非线性屈曲分析中的应用
PREAI
分享收藏A framework based on physics-informed neural networks and extreme learning for the analysis of composite structures基于物理信息神经网络和极限学习的复合结构分析框架
OAAI
OAAI分享收藏A tutorial on solving ordinary differential equations using Python and hybrid physics-informed neural network使用Python和混合物理知识神经网络求解常微分方程的教程
PREAI
分享收藏Gradient-enhanced physics-informed neural networks for forward and inverse PDE用于正向和反向PDE的梯度增强物理通知神经网络
OAAI
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