一类新的可积系及其耦合的Burgers方程族

基于一个新的具有三个位势函数的等谱问题 ,获得了一族新的含有任意函数的Lax可积发展方程。当位势函数取两种特例时 ,得到一组耦合的Burgers方程族 ;同时得到另一方程族具有双 -Hamilton结构 ,并且证明了它们都是Liouville可积的。

超耦合Burgers方程族及其超Hamilton结构

在李超代数B(0,1)的基的基础上,得到了超耦合Burgers方程族.与此同时,利用超迹恒等式给出了超耦合Burgers方程族的超Hamilton结构.此外,超耦合Burgers方程族具有超双Hamilton结构.

新的Liouville完全可积的广义Burgers方程族及其Ham ilton 结构

基于屠格式，从一个新的等谱问题，本文获得了一族广义Ｂｕｒｇｅｒｓ 方程及其Ｈａｍ ｉｌｔｏｎ 结构．最后证明了该族方程是Ｌｉｏｕｖｉｌｌｅ 完全可积的。

Jaulent-Miodek方程族与Burgers方程族之间的关系

给出了Burgers方程族的解到Jaulent-Miodek方程族的解之间的变换,从而通过众多的Burgers方程族的解得到Jaulent-Miodek方程族的一些特解.

广义Burgers方程族的一类扩展可积模型

首先构造了loop代数 A1的一个新的子代数,再将其扩展为一个高维的loop代数 G.利用 G设计了一个新的等谱问题,应用屠格式求出了著名的Burgers方程族的一类扩展可积模型.

关于Burgers方程族的解的注记

讨论等谱与非等谱Burgers方程族的精确解.两个方程族都可以通过Cole-Hopf变换化为线性形式,利用Wronskian方法中Wronskian元素的构造技巧给出若干不同形式的精确解,研究这些解之间的关系及动力学特征.

AKNS方程族约化为Burgers方程族

本文研究了AKNS方程族到Burgers方程族的约化关系.首先,由一阶单特征值问题出发得到了Bur-gers方程族;其次,引入了AKNS方程族,并研究了该方程族与Burgers方程族的关系;最后给出结论,AKNS方程族可以约化为Burgers方程族,这样就可以由Burgers方程族的解得到AKNS方程族的一些特殊形式的解.

超广义Burgers方程族的非线性可积耦合及其Bargmann对称约束

基于李超代数,构造了超广义Burgers方程族的非线性可积耦合,并且利用超级恒等式得到了它的超Hamilton结构.此外,该文计算出超广义Burgers方程族的非线性可积耦合的Bargmann对称约束.

一种风向监督双流神经网络--以一维Burgers方程求解为例

针对一维Burgers方程下单一建模方式难以充分考虑不同阶段风向对系数的影响比重,无法有效获得各节点间的关联信息的问题,本文提出了一种风向监督双流神经网络分别预测上下风向的有限差分系数。同时设计了一种风向判断模块,实现了对预测得到有限差分系数的权重融合。通过风向监督双流神经网络,并结合先验知识对学得的系数分配一定的权重,以突出上下风向对预测结果的不同影响,可以有效实现对不同风向上的点分别进行预测,使得空间结构特征信息挖掘更加充分,从而提高差分系数预测的精度。在比传统数值求解方法网格分辨率粗4~8倍的同时,提高了谷歌团队工作的精度,以此提高了计算的速度。

定常Burgers方程的周期解

本文首先对Burgers方程的周期解关于粘性系数ε作幂级数展开,得到逼近函数之间的递推关系。然后,通过对逼近函数作Fourier级数展开,给出了逼近函数Fourier展开的通项形式,并证明了每个逼近函数的Fourier级数是一致且绝对收敛的。

基于梯度增强物理信息神经网络的一维弱噪声随机Burgers方程求解

物理信息神经网络PINNs (Physics-Informed Neural Networks, PINNs)因其良好的可解释性和泛化能力,被当作求解偏微分方程的一类通用逼近器。传统PINNs通过在损失函数中引入方程残差,将方程所携带的物理先验信息编译至网络中,但在求解实际问题时往往需要数量足够大的训练数据集,其输出才具有较好的网络表现力和求解精度。针对一维弱噪声随机Burgers方程,提出梯度增强的物理信息神经网络(Gradient-enhanced Physics-Informed Neural Networks, G-PINNs),采用方程导数的残差作为一种优化的软约束指导网络迭代更新,理论分析PINNs与G-PINNs两种网络架构寻找方程计算域内最优解的能力。改变数据集的噪声比例和配置点数量,评估两种网络架构拟合一维Burgers方程解结构的性能差异。数值算例表明,G-PINNs在无噪声、1%、3%和5%弱噪声下求解一维Burgers方程的精度分别提高了约80%、44%、31%、和20%。相较于传统PINNs,当迭代次数相同时G-PINNs在无噪声与弱噪声的情况下均能在更少的数据集上拟合一维Burgers方程的解结构,获得精度更高的预测解。

基于PINN的Burgers方程求解模型

传统的数值求解方法面临维数灾难和效率与精度平衡问题,而基于数据驱动的神经网络求解方法又存在训练量冗余和不可解释性问题。针对此问题,物理信息神经网络(Physical Information Neural Networks,PINNs)关注了训练数据中隐含的物理先验知识,融合了神经网络拟合复杂变量的能力,赋予了传统神经网络所缺乏的物理可解释性。应用该算法模型,提出了一种基于PINN的Burgers方程求解模型,该算法模型在训练中施加物理信息约束,因此能用少量的训练样本学习预测到分布在时空域上的偏微分方程模型。实验结果表明,在1+1维Burgers方程算例下,所提方法相比于经典的机器学习算法能有效捕抓到方程的变化并进行精确模拟,相比于有限差分法,可以大幅度缩短模拟时间。通过对不同的网络参数进行比较实验,所提方法在10%的噪声破坏下能产生合理的识别准确度,网络逼近方程的待定系数误差在0.001以内。

Burgers方程的奇摄动初值问题的激波解

利用合成渐近展开法研究具有初值间断的Burgers方程的奇摄动问题.初始条件的突变使得问题的解在过渡层产生激波.首先,在激波位置两侧分别寻求具有边界层性质的近似式;再使用衔接法将对应的曲面光滑地衔接,构成激波解的形式近似;最后,运用渐近展开理论分析解的渐近性质,得到一致有效的渐近展开式.

Burgers方程族的对称、Backlund变换和Painleve性质之间的联系

在孤立子理论中,对于一个非线性演化方程来说,如果通过反散射变换可化为线性问题,则称为“S可积”的(如KdV方程等);如果能通过函数和自变量变换而化为线性方程,则称之为“C可积”的。C可积方程最典型的例子就是人们熟知的Burgers方程。至今已对它有了很多研究,如它具有无穷多个能构成一个无穷维李代数的对称,还具有Backlund变换和Painleve性质等等。

一类非线性Burgers型问题的预测校正紧差分方法

针对一类非线性Burgers型方程,提出一种预测-校正紧差分方法。首先,对时间一阶导数采用一阶Euler格式,时间积分项运用一阶卷积求积公式进行离散,并以MacCormack方法的两步预测-校正方法处理非线性项;然后采用四阶紧差分离散空间的一阶和二阶导数,构造了Euler预测-校正紧差分全离散格式。最后通过案例验证了所提出算法的有效性。

有限差分-配点法求解二维Burgers方程

将重心插值配点法结合Crank-Nicolson差分格式来求解Burgers方程.首先,利用Hopf-Cole变换将Burgers方程转化为线性热传导方程;空间方向采用重心插值配点法进行离散,时间方向采用Crank-Nicolson格式离散,导出对应的线性代数方程组,并对此计算格式进行相容性分析;最后,通过数值算例验证此计算格式具有高精度和有效性.

基于通量限制器的时间分数阶Burgers方程数值解法

对于求解可能具有激波等不连续点的时间分数阶守恒律,当分数阶γ接近于0时,目前还没有有效的方法求解时间分数阶非线性离散系统,本文以时间分数阶Burgers方程为例,运用多重网格迭代方法进行求解,对于对流项,采用通量限制器,使得新的数值通量在光滑区域变为高阶通量而在间断附近变为低阶通量,从而使问题的解达到更高阶精度,并在不同的γ取值以及不同的初边值条件下进行了有效的数值实验。

基于五阶WENO格式的时间分数阶Burgers方程的多重网格方法

我们研究一种求解时间分数阶Burgers方程的多重网格方法。离散化过程中,时间分数阶导数采用L1公式逼近,对流项运用Lax-Friedrichs通量近似计算。在数值实验中,在不同的 取值下进行了有效的数值实验,结果证明该方法可以很好地模拟间断。

一族新的Painlev可积的Burgers方程

寻找可积模型是非线性物理中的重要问题之一．Ｂｕｒｇｅｒｓ方程和ＫｄＶ方程是两个最 重要的１＋１维可积模型．最近得到了两族新的ＫｄＶ型方程的可积推广将Ｂｕｒｇｅｒｓ方程作 了类似的推广，并证明其中一族是Ｐａｉｎｌｅｖｅ可积的．

变系数Burgers方程的一些新精确解

利用齐次平衡原则 ,导出了变系数Burgers方程的B¨acklund变换 (BT) ;并由该B¨acklund变换 。