.png){kind=icon}
返回
A physics-informed neural network for solving gas–solid two-phase flow
.png){kind=icon}
PRE
AI
DOI：10.1002/aic.70614.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）为从间接测量中推断流场提供了有前景的框架，但其应用于气-固两相系统仍有限。本研究开发了一种基于PINN的方法，可直接从气相体积分数重建气相和固相速度，无需初始条件。该方法首先使用流化床的数值模拟数据进行验证，所有气相和固相速度分量的相对误差均达到10−1量级。随后将其应用于高速成像获取的实验浓度场。使用300个图像样本进行训练后，模型可同时预测浓度和速度场。预测的时间平均轴向速度剖面与模拟结果吻合良好，截面分布显示强一致性。此外，关键流动特征（包括气泡诱导结构和空隙率模式）也被准确捕捉。所提出的框架展示了PINNs在非侵入式、数据驱动的多相流场重建中的潜力。
Keyword:
flow field reconstruction
fluidized beds
gas-phase volume fraction
gas–solid two-phase flow
physics-informed neural network
期刊
IF:
4
论文数:
1.1W
被引数:
2.9W
机构
引用论文
Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations.png)
Science
OAAI
ScienceIF0
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