English(EN) Comparison of a Parametric Physics-Informed Neural Network and a Tensorial Reduced-Order Model for the Shallow-Water Dam-Break Problem

新模型比较了物理信息神经网络和张量降阶模型在溃坝模拟中的应用

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-31 04:00

研究人员开发并比较了两种用于浅水溃坝问题的参数化数据驱动降阶模型。这两种模型分别是物理信息神经网络（PINN）和非侵入式张量降阶模型（TROM），它们都可以在不进行时间积分的情况下，从参数直接学习到物理状态的映射。研究强调了包含激波感知配置点对于增强PINN模型鲁棒性的重要性，尤其是在样本外和外插参数值的情况下。 AI

影响这项研究有助于开发更有效的复杂物理现象模拟技术，可能对需要流体动力学建模的领域产生影响。

排序理由该集群包含一篇研究论文，详细比较了针对特定科学问题的两种建模方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细比较了针对特定科学问题的两种建模方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 72 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Anton Myshak, Md Rezwan Bin Mizan, Ilya Timofeyev · 2026-07-31 04:00

用于浅水溃坝问题的参数化物理信息神经网络与张量降阶模型对比研究

arXiv:2607.27433v1 Announce Type: cross Abstract: We develop two parametric data-driven reduced models: a physics-informed neural network (PINN) and a non-intrusive tensorial reduced-order model (TROM), and apply both approaches to the parametrized one-dimensional shallow-water d…

本文如何被排名

报道来源 [1]

用于浅水溃坝问题的参数化物理信息神经网络与张量降阶模型对比研究

相关实体

相关话题