From Particle Tracks to Velocity and Acceleration Fields Using B-Splines and Penalties
在这项工作中,重建速度和加速度场的方法描述了使用分散的粒子跟踪数据流实验作为输入。我们的目标是用有限的计算时间忠实地重建这些场,并利用已知的流动特性,例如不可压缩流的无发散速度场和无旋转加速度,如果已知由压力梯度主导,则可以提高重建的空间分辨率。
2015-10-30 physics.flu-dyn
An Efficient Wavelet-based Physics Informed Residual Neural Networks for Flow Field Reconstruction with Extremely Sparse Data
Indian Institute of Technology Mandi(印度曼迪理工学院)
本文提出了一种高效的基于小波的物理信息残差神经网络,用于极稀疏数据下的流场重构,并在正向和逆向问题中实现了高精度的PDE求解。
2026-01-26 physics.flu-dyn
Physics-informed neural network for inverse modeling of granular flows
College of New Energy Science and Engineering, China University of Petroleum-Beijing(中国石油大学(北京)新能源科学与工程学院);State Key Laboratory of Heavy Oil Processing, China University of Petroleum-Beijing(中国石油大学(北京)重油加工国家重点实验室);State Key Laboratory of Deep Geothermal Resources, China University of Petroleum-Beijing(中国石油大学(北京)深层地热资源利用国家重点实验室)
本研究开发了一种由物理机制与测量数据驱动的物理信息神经网络框架,用于从稀疏观测重构管道内颗粒流的稳态全场分布,为复杂颗粒流系统的流场重构提供了稳健方法。
2026-08-20 physics.flu-dyn
Physics-Informed Neural Network Approaches for Sparse Data Flow Reconstruction of Unsteady Flow Around Complex Geometries
Department of Ocean Engineering, Indian Institute of Technology, Madras, Chennai - 600036. INDIA(海洋工程系,印度理工学院,马德拉斯,钦奈 - 600036. 印度)
本研究提出利用物理信息神经网络(PINNs)从稀疏数据重建复杂几何周围非定常流动,涵盖二维圆柱绕流和三维超大型集装箱船湍流案例,验证了该方法在有限计算资源下的有效性。
2025-08-02 cs.LG physics.flu-dyn
Comparison of a Parametric Physics-Informed Neural Network and a Tensorial Reduced-Order Model for the Shallow-Water Dam-Break Problem
University of Houston(休斯顿大学)
该研究针对参数化一维浅水溃坝问题,对比了无需时间积分的PINN与TROM两种降阶模型,发现引入激波感知配点可提升PINN鲁棒性,为相关流体降阶模型应用提供了参考。
2026-10-06 cs.LG cs.NA math.NA
Complementary, Not Cumulative: Interaction Effects in Physics-Informed Neural Networks for Navier-Stokes Vortex Shedding
本文针对Navier-Stokes涡脱问题,研究物理信息神经网络(PINN)技术的交互效应,发现仅周期性激活函数(SIREN)与因果加权结合可实现4.1%的平均相对L2误差,额外添加技术会导致性能下降,说明PINN干预措施存在非线性交互。
2026-08-21 cs.LG physics.flu-dyn
On the Preprocessing of Physics-informed Neural Networks: How to Better Utilize Data in Fluid Mechanics
针对PINNs数据预处理领域空白限制反问题求解的问题,提出聚焦数据归一化的预处理方法,经三种湍流流场重建验证,可在无额外计算成本下提升预测精度与数据利用率,具推广潜力。
2024-07-11 physics.flu-dyn
Physics-Informed Machine Learning Approach for Augmenting Turbulence Models: A Comprehensive Framework
雷诺平均Navier-Stokes(RANS)方程在工程湍流数值模拟中有着广泛的应用。然而,由于模拟雷诺应力的不确定性,RANS预测可能有很大的差异。最近,Wang等人证明,机器学习可用于通过利用高保真度模拟的数据来改进RANS建模的雷诺应力(基于DNS数据重建雷诺应力建模差异的物理学通知机器学习方法。物理评论流体。2,034603,2017)。然而,由于雷诺应力封闭的RANS方程的潜在病态,从改进的雷诺应力求解平均流仍然构成重大挑战。实现平均速度的改进预测具有深刻的实际重要性,因为通常速度及其导出量(QoI,例如,阻力、升力、表面摩擦力),而不是雷诺应力本身,是RANS模拟的最终目的。为此,我们提出了一个全面的框架,用于增强湍流模型与物理信息的机器学习,说明了一个完整的工作流程,从输入功能的识别,最终预测的平均速度。这项工作有两个创新。首先,我们展示了一个系统的过程来生成平均流张量的完整性基础上的平均流功能。其次,我们建议使用机器学习分别预测雷诺应力张量的线性和非线性部分。受经典湍流模型中张量的有限多项式表示的启发,这种分解有助于克服RANS方程的病态。数值试验证明了所提出的框架的优点。
2018-09-09 physics.flu-dyn
An improved periodic activation for PINNs reconstructing convective flows
German Aerospace Center (DLR)(德国航空航天中心(DLR));Technische Universität Ilmenau(伊尔默瑙工业大学)
本文提出一种基于复指数函数的周期激活函数,通过同时传递正弦和余弦输出,在稀疏速度数据重构瑞利-贝纳德对流温度场中显著提升质量并降低计算成本。
2026-09-24 cs.LG physics.flu-dyn
Feature tracking in physics-informed neural networks via joint optimization of nonlinear deformation manifolds: application to shocks
University of Notre Dame(圣母大学)
提出特征跟踪PINN(FT-PINN),通过联合优化非线性变形流形与解网络,使配点沿任意几何激波集中,在有限配点预算下准确解析激波位置,优于普通PINN。
2026-10-05 cs.CE physics.comp-ph physics.flu-dyn
Inferring parameters and reconstruction of two-dimensional turbulent flows with physics-informed neural networks
本文提出利用物理信息神经网络(PINN),从稀疏含噪速度数据中重建二维湍流速度场并推断压力、驱动力、粘度和摩擦系数,有望增强粒子测速能力。
2024-09-11 physics.data-an physics.flu-dyn
A Physics-Augmented GraphGPS Framework for the Reconstruction of 3D Riemann Problems from Sparse Data
University of Cambridge(剑桥大学)
本研究提出物理增强的 GraphGPS 框架,通过改进消息传递聚合步骤以感知激波并限制信息仅从已知节点流动,实现了从稀疏数据高效且高精度地重建 3D Riemann 问题,性能优于多种机器学习基准。
2025-05-27 cs.LG physics.flu-dyn
Dual guidance: ROM-informed field reconstruction with generative models
本研究提出双重引导流场重构框架,结合ROM互信息优化的传感器布置与物理约束引导的扩散模型,在稀疏传感下实现低误差的物理一致流场重构,适用于数据受限的科学机器学习场景。
2025-06-17 cs.NA math.NA physics.flu-dyn
Estimating density, velocity, and pressure fields in supersonic flow using physics-informed BOS
Pennsylvania State University(宾夕法尼亚州立大学);CSIR-National Aerospace Laboratories(印度国家航空航天实验室);Case Western Reserve University(凯斯西储大学);National Research Council Canada(加拿大国家研究委员会)
本文提出了一种名为物理指导BOS的方法,通过物理信息神经网络同时满足测量数据和控制方程,提高超音速流动中密度估计的准确性,并获得速度和压力数据。
2023-01-03 physics.data-an physics.flu-dyn
Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem
University of Cambridge(剑桥大学)
我们制定了一个物理信息压缩感知(PICS)的方法,从噪声和稀疏的相位对比磁共振信号的速度场重建。该方法解决了逆Navier-Stokes边值问题,这使我们能够共同重建和分割的速度场,并在同一时间推断隐藏的量,如流体动压力和壁面剪应力。使用贝叶斯框架,我们正则化的问题,通过引入先验信息的形式的高斯随机场的未知参数。该先验信息使用Navier-Stokes问题(基于能量的分割函数)并且通过要求重建与$k$空间信号一致来更新。我们创建了一个算法,解决了这个重建问题,并测试它的噪音和稀疏的$k$ -空间信号的流量通过收敛喷嘴。我们发现,该方法是能够重建和分割的速度场稀疏采样(15% $k$ -空间覆盖),低($\sim$ $10$)的信噪比(SNR)的信号,重建的速度场比较以及来自全采样(100% $k$ -空间覆盖)高($>40$)SNR信号相同的流量。
2022-11-30 cs.CV math.OC physics.comp-ph
SIMR-NO: A Spectrally-Informed Multi-Resolution Neural Operator for Turbulent Flow Super-Resolution
Department of Mechanical and Aerospace Engineering, University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校机械与航空航天工程系)
本文提出SIMR-NO,一种多分辨率神经算子,通过频谱信息和多尺度结构恢复湍流流场的高分辨率。在Kolmogorov强迫的二维湍流中,从极粗的观测重建高分辨率流场,取得更低的误差和更准确的频谱复现。
2026-03-30 cs.LG physics.flu-dyn
Reconstruction of Molten Pool Flow Fields from High-Speed Video Using Physics-Informed Neural Networks
University of Kentucky(肯塔基大学);Hanoi University of Industry(河内工业大学)
本研究利用物理信息神经网络从高速视频重建丝材-电弧DED熔池表面流场,结合光流与流体方程,实现准稳态和周期性冲击下的物理约束流场诊断。
2026-09-29 eess.IV physics.flu-dyn
Physics-informed neural networks for hidden boundary detection and flow field reconstruction
State Key Laboratory of Fluid Power(流体动力国家重点实验室);Zhejiang University(浙江大学);China Ship Scientific Research Center(中国船舶科学研究中心)
针对流体力学反演挑战,提出PINN框架,通过在控制方程中引入体分数参数,利用稀疏观测同时推断隐藏固体边界与重建流场,验证了其在多种流动场景下的鲁棒性与准确性。
2025-03-31 cs.LG physics.comp-ph physics.flu-dyn
Prediction of Reynolds Stresses in High-Mach-Number Turbulent Boundary Layers using Physics-Informed Machine Learning
University of Notre Dame(圣母大学);Missouri University of Science and Technology(密苏里科技大学);Virginia Tech(弗吉尼亚理工大学)
模拟雷诺应力是雷诺平均纳维尔-斯托克斯(RANS)模拟中模型形式不确定性的主要来源。最近,物理信息机器学习(PIML)方法已被提出用于重建RANS模型雷诺应力的差异。PIML框架的优点已经在几个典型的不可压缩流中得到了证明。然而,它在高马赫数流动中的性能仍然不清楚。在这项工作中,我们使用PIML的方法来预测的差异RANS模拟雷诺应力在高马赫数平板湍流边界层通过使用现有的DNS数据库。具体而言,差异函数首先使用DNS训练流构造,然后用于校正在不同于DNS的流动条件下的RANS预测的雷诺应力。机器学习技术显着改善RANS建模的湍流正应力,湍流动能,和的湍流应力各向异性。当使用不同的训练数据集时,始终观察到改进。此外,高维可视化技术和距离度量用于提供仅基于RANS模拟的预测置信度的先验评估。这项研究表明,PIML方法是一种计算负担得起的技术,用于提高精度的RANS模拟雷诺应力高马赫数湍流时,缺乏实验和高保真度的模拟。
2018-08-19 cs.LG physics.comp-ph physics.flu-dyn
A Study on Convolution Neural Network for Reconstructing the Temperature Field of Wall-Bounded Flows
在本研究中,一个新的卷积神经网络(CNN)模型的能力进行了探讨,其首要目标是重建的温度场的壁有界流的基础上有限的一组测量点在边界的流体域。为此,我们采用了一种算法,该算法利用了CNN的能力,提供了有关物理问题的控制方程的额外信息。近年来,在使用CNN重建和表征感兴趣的物理变量的空间分布方面取得了很大进展。原则上,CNN可以用相对较少的参数来表示任何连续的数学函数。然而,根据物理问题的复杂性,这种技术变得不可行。本研究采用物理信息神经元网络技术,具有数据效率的函数逼近。作为概念证明,CNN被训练为基于放置在域边界处的有限数量的传感器来检索加热通道的温度。在这种情况下,训练数据是考虑稳态下各种流动条件的温度场解,例如改变雷诺数和普朗特数。此外,还提供了考虑更复杂的几何形状的MSR的演示案例。对CNN性能的评估是通过平均L2和最大Linf欧几里得范数来完成的,所述最大Linf欧几里得范数源自实际解与由CNN做出的预测之间的差异。最后,进行灵敏度分析,使得考虑噪声不可避免的潜在实际应用场景来测试CNN的鲁棒性。为此,原始测试输入被覆盖有随机数的正态分布,以模拟测量点中的不同噪声水平。
2022-02-01 physics.comp-ph physics.data-an physics.flu-dyn
Physics-Informed Temporal U-Net for High-Fidelity Fluid Interpolation
Department of Computer Science Engineering, PES University - Electronic City Campus(计算机科学工程系,PES大学-电子城校区)
本文提出一种融合感知损失和物理引导的时序U-Net架构,以解决稀疏时间观测下流体动力学重建的挑战,通过时间加权特征融合和抛物线边界条件提升重建质量与稳定性。
2026-04-25 cs.CV cs.LG math.DS
MRF-PINN: A Multi-Receptive-Field convolutional physics-informed neural network for solving partial differential equations
Beihang University(北京航空航天大学)
与传统的偏微分方程数值求解方法相比,物理信息神经网络(PINN)在物理场重构和反问题求解等方面表现出了极大的节省开发工作量和计算成本的优势.卷积神经网络(CNN)具有参数共享、空间特征提取和低推理代价等优点,在PINN中得到越来越多的应用。然而,仍然存在以下一些挑战。为了适应卷积PINN来解决不同的PDE,通常需要相当大的努力来调整关键的超参数。此外,有限差分精度和网格分辨率对卷积PINN预测能力的影响尚未解决。为了填补上述空白,本文提出了三个倡议:(1)多接收域PINN(2)在求解Navier-Stokes方程时,采用量纲平衡法估计损失权;(3)采用泰勒多项式填充边界附近的虚拟节点,实现高阶有限差分。通过求解三种典型的线性偏微分方程(椭圆型、抛物型、双曲型)和一系列非线性偏微分方程(Navier-Stokes偏微分方程),验证了该方法的通用性和优越性.本文表明,MRF-PINN可以适应完全不同的方程类型和网格分辨率,而无需任何超参数调整。维数平衡法节省了计算时间,提高了求解Navier-Stokes偏微分方程的收敛性。在高阶有限差分、大通道数和高网格分辨率条件下,求解误差显著减小,有望成为一种通用的卷积PINN算法。
2022-09-16 cs.LG math.AP physics.comp-ph