通过融合物理神经网络重构稀疏或不完整数据流场的实用方法

高分辨率流场重构被普遍认为是实验流体力学领域的一项艰巨任务,因为测量数据在时间和空间上通常是稀疏或不完整的.具体而言,由于实验设备或测量技术的限制,某些关键区域的数据无法测量.本文提出了一种基于融合物理神经网络(PINN)的不完美数据重建流场的实用方法,该网络将已知数据与物理原理相结合.通过圆柱体的尾流作为测试算例.研究了两种不完美数据训练集,一种是不同稀疏度的速度数据,另一种是不同区域缺失的速度数据.为了加速训练收敛,本文采用了余弦退火算法以提高PINN的计算效率.计算结果表明,该方法不仅可以高精度地重建真实的速度场,而且即使在数据稀疏度达到1%或核心流动区域数据被截断的情况下,也可以精确地预测压力场.这项研究提供了令人鼓舞的结论,即PINN可以作为实验流体力学的有潜力的数据同化方法.