PulseAugur
中
实时 08:59:07
English(EN) Finite basis physics-informed neural networks with hard constraints for viscous fluid flow in highly perforated domains

新的FBPINNs方法改进了多孔域中的流体流动模拟

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为有限基物理信息神经网络（FBPINNs）的新方法，以更准确地模拟高度多孔域中的粘性流体流动。传统的物理信息神经网络在处理大量孔洞引入的复杂边界条件和精细尺度流动特征时遇到困难，常常导致准确性和效率问题。FBPINNs方法通过结合域分解和局部化原理以及硬约束来精确编码边界条件，从而缓解了频谱偏差并提高了收敛性，无论孔洞数量如何，都能解决这一问题。 AI

影响 这种新的FBPINNs方法可以实现对复杂流体动力学更准确、更高效的模拟，可能对材料科学和工程等领域产生影响。

排序理由 该集群包含一篇详细介绍新的科学模拟方法的学术论文。[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 →

新的FBPINNs方法改进了多孔域中的流体流动模拟

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jeeeun Lee, Denis Korolev, Miro Duhovic, Seong Su Kim ·

    具有硬约束的有限基物理信息神经网络用于高度穿孔域中的粘性流体流动

    arXiv:2608.08114v1 Announce Type: cross Abstract: In this work, viscous fluid flow governed by the Stokes equations in highly perforated domains is studied using physics-informed neural networks (PINNs). Perforated microstructures induce complex boundary conditions and fine-scale…

相关实体

相关话题