English(EN) Subgrid-Scale Parameterization in Burgers' Equation Using Structure-Preserving Neural Networks and Entropy Variables

保持结构的神经网络增强 Burgers 方程模拟

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-16 11:23

研究人员开发了一种新颖的机器学习方法，用于在偏微分方程的粗粒度模拟中创建亚网格尺度 (SGS) 参数化。该方法利用保持结构的神经网络和熵变量来学习 Burgers 方程的亚网格通量。该方法采用解耦的神经网络架构，将亚网格校正分为一个通量势能网络和一个涡粘性网络，展示了高物理保真度和鲁棒性。 AI

影响这项研究通过改进亚网格尺度建模，可能带来更复杂物理系统更高效、更准确的模拟。

排序理由该集群包含一篇学术论文，详细介绍了用于模拟偏微分方程的新机器学习方法。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Aijaz Nazir, Ilya Timofeyev · 2026-07-17 04:00

使用保持结构神经网络和熵变量对 Burgers 方程中的子网格尺度进行参数化

arXiv:2607.14855v1 Announce Type: cross Abstract: We present a machine learning approach for developing subgrid-scale (SGS) parametrizations in coarse simulations of partial differential equations. We utilize structure-preserving neural networks and entropy variables to learn sub…
arXiv cs.LG TIER_1 English(EN) · Ilya Timofeyev · 2026-07-16 11:23

使用保持结构神经网络和熵变量对Burgers方程进行子网格尺度参数化

We present a machine learning approach for developing subgrid-scale (SGS) parametrizations in coarse simulations of partial differential equations. We utilize structure-preserving neural networks and entropy variables to learn subgrid fluxes in coarse simulations of the Burgers' …