研究人员开发了一种新颖的两域物理信息神经网络 (PINN) 框架，用于模拟污染物通过复合衬垫系统的传输。该框架采用硬约束 PINN (H-PINN) 方法，将边界和初始条件直接嵌入网络中，与标准 PINN 相比，可实现显著更准确和稳定的预测。H-PINN 在平均绝对误差和平均相对误差方面均有大幅降低，并成功扩展到逆向建模，以从观测数据中确定降解半衰期。 AI
影响 这项研究推动了人工智能在环境工程中的应用，有望实现对污染物传输和材料降解更准确的预测。
排序理由 这是一篇研究论文，详细介绍了一种使用物理信息神经网络进行特定科学建模任务的新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.04392v1 Announce Type: cross Abstract: This study develops a two-domain physics-informed neural network framework for contaminant transport through a GCL/SL composite liner system, in which the thin GCL layer is treated using a steady-state advection-dispersion-biodegr…
This study develops a two-domain physics-informed neural network framework for contaminant transport through a GCL/SL composite liner system, in which the thin GCL layer is treated using a steady-state advection-dispersion-biodegradation formulation and the underlying soil liner …