【技术实现步骤摘要】
基于物理信息神经网络的非线性波传播模拟方法与系统
[0001]本专利技术涉及波的传播分析研究领域,具体涉及一种基于物理信息神经网络的非线性波传播模拟方法与系统
。
技术介绍
[0002]非线性波传播广泛存在于众多自然现象和工程应用中,如水波
、
光波
、
声波
、
地震波等
。
非线性波传播的分析和模拟对于理解和控制这些现象具有重要的意义
。
然而,非线性波传播的数学模型通常是高度非线性的偏微分方程,它们的解析解很难推导得到或者不存在闭合的解析解,因此数值模拟是研究非线性波传播过程的主要方法之一
。
[0003]目前,已有许多数值方法如有限差分法
、
有限元法
、
谱方法和格林函数方法被成功用于求解波动方程,但是这些方法都存在一些局限性和挑战
。
例如,有限差分法和有限元法要求构造的高质量的网格或配点,谱方法和格林函数方法通常需要对整个定义域进行计算,这可能会导致计算量很大
。
此外处理非线性问题时需要附加线性项也会影响其计算结果的精度和稳定性,尤其是在求解长时间演化的非线性波传播问题时
。
物理信息神经网络
(Physics
‑
informed Neural Network
,
PINN)
将物理守恒定律和先验物理知识编码到神经网络中,通过最小化残差误差来求解偏微分方程,无需依赖网格划 ...
【技术保护点】
【技术特征摘要】
1.
一种基于物理信息神经网络的非线性波传播模拟方法,其特征在于,包括以下步骤:
(1)
获取已知的瞬态非线性波所需求解的时空域,根据描述瞬态非线性波传播的偏微分方程
、
边界条件和初始条件获得训练数据集;
(2)
以分界点
T
e
和指定的时间间隔将求解的时间域
[0,T
t
]
切片为时域扩大部分与时域迁移部分,其中时域扩大部分求解的时域变化为时域迁移部分求解的时域变化为:其中,
T
p
是可稳定求解的最大时域,是时域扩大部分第
k
个时域切片相较于前一切片所变化的时间间隔,
n
是时域扩大部分的时域切片数量,是时域迁移部分第
k
个时域切片相较于前一切片所变化的时间间隔,
m
是时域迁移部分的时域切片数量;
(3)
使用标准的物理信息神经网络模型求解第一个时域切片
[0,T
p
]
内的偏微分方程,并以
[0,T
p
]
内的预测作为额外监督学习数据集;
(4)
通过课程学习,将上一时域切片求解得到的模型与所得额外监督学习数据集导入下一时域训练中,依据步骤
(2)
的时域扩大部分将所求时间域逐步扩大;
(5)
通过迁移学习,将上一时域切片求解得到的模型与所得额外监督学习数据集以及预测的下次训练的初始数据集导入下一时域训练中,依据步骤
(2)
的时域迁移部分将扩大后的时间域逐步迁移;
(6)
利用得到的神经网络模型对非线性波传播进行长时间演化模拟
。2.
根据权利要求1所述的方法,其特征在于,步骤
(1)
中所述瞬态非线性波传播的偏微分方程表示为:其中
X
为空间位置,
Ω
为空间域,
t
为时间,
T
为求解的最终时长,为拉普拉斯算子,
c
为波的传播速度,
u
=
u(X,t)
为待求位移,
Q(X,t)
为已知波源函数,
f(u)
为非线性函数;其初始条件为:其中,
φ
(X)
和分别表示初始时刻的位移和速度分布;其边界条件表示为:其中
Γ1∪
Γ2=
Γ
,和是给定的函数
。3.
根据权利要求1所述的方法,其特征在于,步骤
(1)
得到的训练数据集包括初始条件
数据集
τ
i
、
边界条件数据集
τ
b
、
控制方程数据集
τ
r
,其中初始条件数据集
τ
i
包括初始标记点的时空坐标及其唯一确定的速度或位移的集合;边界条件数据集
τ
b
包括边界标记点的时空坐标及其唯一的确定的值的集合;控制方程数据集
τ
r
只包括标记点的时空坐标的集合;各类标记点的时空坐标以
(X
,
t)
表示,其中
X
为空间位置,
t
为时间
。4.
根据权利要求3所述的方法,其特征在于,步骤
(3)
中物理信息神经网络最小化的损失函数为:其中,
θ
表示神经网络参数,
Σ
表示总数据集,由初始条件的数据集
τ
i
、
边界条件的数据集
τ
b
和控制方程数据集
τ
r
构成,三类数据集的标记点的个数分别为
N
i
、N
b
和
N
r
;
w
i
、w
b
、w
r
分别是损失函数中每部分的权重,和分别表示初始条件和边界条件上的监督学习损失,表示在控制方程数据集中的残差损失
。5.
根据权利要求4所述的方法,其特征在于,根据速度和位移两类初始条件和两类边界条件,将
N
i
、N
b
分为两部分,则初始条件的残差项
、
边界条件的残差项
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。