基于多域物理信息神经网络的复合地层隧道掘进地表沉降预测

复合地层中盾构掘进诱发地表沉降的准确预测是隧道工程安全建设与施工决策的关键问题。基于隧道施工诱发地层变形机制构建隧道收敛变形与掘进位置的联系,并将其耦合至深度神经网络(deep neural network,简称DNN)框架,建立了预测盾构掘进诱发地层变形的物理信息神经网络(physics-informed neural network,简称PINN)模型。针对隧道上覆多个地层的地质特征,提出了多域物理信息神经网络(multi-physics-informed neural network,简称MPINN)模型,实现了在统一的框架内对不同地层的物理信息分区域表达。结果表明:MPINN模型高度还原了有限差分法的计算结果,可以准确预测复合地层中隧道开挖诱发的地表沉降;由于融入了物理机制,MPINN模型对隧道施工诱发地表沉降的问题具有普适性,可应用于不同地质和几何条件下隧道诱发地表沉降的预测;基于工程实测数据,提出的MPINN模型准确预测了监测断面的地表沉降曲线,可为复合地层下盾构掘进过程中地表沉降的预测预警提供参考。

双曲型方程激波捕捉的物理信息神经网络(PINN)算法

双曲型方程的数值求解算法研究一直是偏微分方程研究的热点,其中,双曲型方程的间断捕捉是难点。受物理信息神经网络(physics-informed neural networks,PINN)启发,构造了改进的PINN算法,近似求解双曲型方程的间断问题。将坐标构造的数据集作为神经网络的输入,将PINN算法中的损失函数作为训练输出值与参考解(基于细网格的熵相容格式数据)或准确解的误差值,通过网络优化,最小化损失函数,得到最优网络参数。最后用数值算例验证了算法的可行性,数值结果表明,本文算法能捕捉激波,分辨率高,且未产生伪振荡。

基于物理信息神经网络的天气衍生品定价研究

基于温度指数的天气衍生品定价研究是一个热点.拟应用物理信息神经网络(PINNs)以求解基于O-U过程的天气衍生品定价偏微分方程,对HDD看跌期权进行了数值模拟.改进了PINNs算法的采样点,调整了梯度下降算法、学习率、迭代次数、权重分配等以加快收敛速度和提升拟合效果.通过与MCMC仿真模拟和单侧有限差分求解方法对比发现基于PINNs的方法具有相当的精度和计算速度,证明了PINNs算法求解天气衍生品定价偏微分方程的可行性.

基于物理信息驱动神经网络的三维初至波旅行时计算方法

在地震勘探中,初至波旅行时的精确求取是偏移成像和旅行时反演等处理技术的重要基础。基于程函方程的有限差分算法在地震波旅行时求取中展现出良好的效果,但需要付出巨大的计算成本,尤其是对多震源、高密度网格的旅行时计算。为此,提出了一种基于物理信息驱动神经网络(PINN)的三维程函方程旅行时求取算法,由三维程函方程及其物理条件信息构成损失函数,再通过最小化该损失函数训练神经网络,最终输出满足程函方程的旅行时结果。不同速度模型的数值模拟实验结果表明,所提方法相对于传统算法具有更高的计算效率和更高的精确度。

融合物理的神经网络方法在流场重建中的应用

神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型(physical-informed neural network, PINN),赋予传统神经网络所不具备的先验知识和可解释性。结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力。首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性。其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数。研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑。

PINNs算法及其在岩土工程中的应用研究

物理信息神经网络(PINNs)算法采用自动微分方法将偏微分方程直接嵌入神经网络中,从而实现对偏微分方程的智能求解,属于一种新型的无网格算法,具有收敛速度快和计算精度高等优点。PINNs不仅能够实现对偏微分方程求解,还能够对偏微分方程未知参数进行反演,因此对岩土工程复杂问题具有广泛的应用前景。为了验证PINNs算法在岩土工程领域的可行性,对连续排水边界条件下的一维固结理论进行求解和界面参数反演。计算结果表明,PINNs数值结果与解析解具有高度一致性,且界面参数反演结果准确,说明PINNs算法能够为岩土工程相关问题提供新的求解思路。

有限差分法和PINN法求解微分方程的探讨

在工程实际中的许多问题最终都可以转化为微分方程。由于一些微分方程复杂性,这些方程求解通常具有一定的难度。随着计算机的迅速发展,使得这些方程可以数值求解。如何设计高效的微分方程数值解法尤其重要。微分方程数值解法通常包括有限差分、有限元、有限体积等。近年来基于深度学习的微分方程求解方法十分火热。本文对内嵌物理信息神经网络(PINN)方法进行探讨。我们用传统的有限差分法和PINN法对常微分两点边值问题和偏微分方程中的一类热传导方程进行数值求解,对比分析两种数值解法的优缺点。从数值实验结果中可以看出用PINN相对于传统有限差分法求解微分方程具有更好的精度和效率。

基于PINN的燃料棒稳态温度分布快速预测方法研究

本研究建立了一种基于物理信息神经网络(PINN)的燃料棒稳态温度分布快速预测方法。将燃耗、线功率、温度边界、空间位置等作为特征参数,利用PINN求解参数化的固体导热方程。基于该方法分别建立了燃料芯块和包壳稳态温度分布快速预测模型,计算结果表明:快速预测模型的计算速度相比商业有限元软件而言快1000倍,同时具有较高精度,芯块和包壳稳态温度与验证集相比预测最大相对偏差分别约0.318%、0.013%,可以快速且准确地预测燃料棒稳态温度分布。

基于稀疏数据的流场结构重构方法研究

无论是基于数值模拟还是物理实验,高精度流场数据的获取数量都极为有限,并且往往伴随着高昂的成本.现有方法无法通过有限数据重构出更加精细的流场结构,这极大地制约了相关气/水动相关工程问题的设计精度与设计效率.物理信息驱动型神经网络框架的提出,使得传统数据驱动型神经网络无法处理稀疏的问题在一定程度上得到解决.文中以物理信息驱动型神经网络框架为基础,发展了基于稀疏数据的流场结构重构方法,通过耦合流场物理信息,利用少量数据训练神经网络并输出全流场数据.通过分析重构流场的水动力特性与涡脱落特性,揭示了物理信息驱动型神经网络的预测误差机理,讨论了该方法对不同流场结构的预测能力.结果表明,物理信息驱动型神经网络通过耦合NS方程,仅利用极其有限的流场数据即可实现对全流场的高精度重构,对流场涡结构也能实现较为精准捕捉.

隔室模型和深度学习模型对COVID-19的预测研究

该文以隔室模型作为主干网络,在基础的SEIRD隔室模型上,考虑疫苗对疫情的影响,增加疫苗接种隔室,形成优化的SEIRDV隔室模型。结合隔室模型的可解释性和神经网络的准确性,通过PINN神经网络对隔室模型的微分方程参数进行学习。重点关注感染隔室的数据,以解释疫情的动态变化和爆发机制,并对神经网络得到的微分方程参数进行合理性检验。

基于PINN深度机器学习技术求解多维中子学扩散方程

阐述了基于物理信息指引的神经网络模型(PINN),构造深度神经网络作为试函数,将其代入中子学扩散方程形成残差,并作为机器学习的加权损失函数,进而通过深度机器学习技术逼近中子学扩散方程数值解;针对扩散方程的特点,提出了特征值方程加速收敛方法、有效增殖系数(k_(eff))高效并行搜索技术、学习样本网格点不均匀分布策略等创新性关键技术,并对神经网络深度、神经元数量、边界条件损失函数权重等关键参数进行了敏感性分析。验证计算结果表明,该方法具有良好的精度,提出的关键技术具有显著的成效,为中子学扩散方程的数值求解探索出了新的技术途径。