.png){kind=icon}
返回
Curriculum learning-driven PIELMs for fluid flow simulations
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130924.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 基于课程学习的可解释PIELMs被提出，用于求解稳态和非稳态非线性偏微分方程（PDEs）。
• 所提出的PIELMs的输入层参数具有明确的物理意义，对应于径向基函数（RBF）核的中心和标准差。
• 据我们所知，本研究首次将PIELM应用于：
- 求解Burgers方程的行进激波和驻定激波情况。
- 采用主要变量格式化，求解雷诺数Re = 100的Navier–Stokes方程。
• 所提出的PIELMs在求解弱非线性PDEs时展现出比PINNs显著的速度优势。例如，在求解雷诺数Re = 100的顶盖驱动空腔流时，先进的PINN变体SPINN需要13分钟，而PIELM仅需2分钟完成相同任务。
• 在求解强非线性PDEs方面，所提出的PIELMs在速度上与PINNs相当，同时在可学习参数数量上更为高效。
• 与典型优化算法不同，其训练历史缺乏物理意义；而在本案例中，迭代过程对应于雷诺数逐渐增大的流体流动。
• 除基准案例外，所提出的PIELM还被应用于模拟狭窄流动这一实际应用场景。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
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Local extreme learning machines and domain decomposition for solving linear and nonlinear partial differential equations求解线性和非线性偏微分方程的局部极值学习机和区域分解OAAI
OAAI分享收藏Distributed learning machines for solving forward and inverse problems in partial differential equations用于解决偏微分方程中的正反问题的分布式学习机.png)
NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容