基于PFNN-2的偏微分方程参数反演

近年来,将人工神经网络用于求解偏微分方程正反问题的研究发展迅速,在正问题求解上,基于神经网络的Penalty-Free Neural Network-2(PFNN-2)方法可精确逼近问题的初始与本质边界条件,放松对解的光滑性要求,实现比较理想的求解精度(Sheng andYang,CiCP,2022)[1].在本文中,将结合PFNN-2的特点,将其扩展至偏微分方程参数反演问题当中.为了实现该目标,在原PFNN-2损失函数基础上,引入数据驱动损失项,同时制定了相应的平衡系数自适应策略.在数值实验中以Burgers方程及对流扩散方程中的参数反演为例,对提出的反演方法进行了测试,验证了方法的可行性.本研究扩展了PFNN-2方法的应用范围.