Multiple scale method integrated physics-informed neural networks for reconstructing transient natural convection

物理 瞬态(计算机编程) 人工神经网络 比例(比率) 自然对流 统计物理学 对流 机械 人工智能 量子力学 计算机科学 操作系统
作者
Nagahiro Ohashi,Nam Nguyen,Leslie K. Hwang,Beomjin Kwon
出处
期刊:Physics of Fluids [American Institute of Physics]
卷期号:36 (12)
标识
DOI:10.1063/5.0243548
摘要

This study employs physics-informed neural networks (PINNs) to reconstruct multiple flow fields in a transient natural convection system solely based on instantaneous temperature data at an arbitrary moment. Transient convection problems present reconstruction challenges due to the temporal variability of fields across different flow phases. In general, large reconstruction errors are observed during the incipient phase, while the quasi-steady phase exhibits relatively smaller errors, reduced by a factor of 2–4. We hypothesize that reconstruction errors vary across different flow phases due to the changing solution space of a PINN, inferred from the temporal gradients of the fields. Furthermore, we find that reconstruction errors tend to accumulate in regions where the spatial gradients are smaller than the order of 10−6, likely due to the vanishing gradient phenomenon. In convection phenomena, field variations often manifest across multiple scales in space. However, PINN-based reconstruction tends to preserve larger-scale variations, while smaller-scale variations become less pronounced due to the vanishing gradient problem. To mitigate the errors associated with vanishing gradients, we introduce a multi-scale approach that determines scaling constants for the PINN inputs and reformulates inputs across multiple scales. This approach improves the maximum and mean errors by 72.2% and 6.4%, respectively. Our research provides insight into the behavior of PINNs when applied to transient convection problems with large solution space and field variations across multiple scales.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
herpes完成签到 ,获得积分0
刚刚
沙里飞完成签到 ,获得积分10
2秒前
5秒前
7秒前
柒八染完成签到 ,获得积分10
8秒前
852应助科研通管家采纳,获得10
11秒前
荔枝完成签到 ,获得积分10
14秒前
CodeCraft应助Bgeelyu采纳,获得10
20秒前
Jasmine Mai完成签到,获得积分10
22秒前
干辣椒完成签到 ,获得积分10
24秒前
缓慢的甜瓜完成签到 ,获得积分10
31秒前
科研狗的春天完成签到 ,获得积分10
34秒前
39秒前
Bgeelyu发布了新的文献求助10
44秒前
本草石之寒温完成签到 ,获得积分10
49秒前
村长热爱美丽完成签到 ,获得积分10
51秒前
wp4455777完成签到,获得积分10
53秒前
57秒前
jeffrey完成签到,获得积分10
58秒前
我蔡家豪实名上网完成签到 ,获得积分10
1分钟前
机智的思山完成签到 ,获得积分10
1分钟前
俭朴的乐巧完成签到 ,获得积分10
1分钟前
安静的磬发布了新的文献求助20
1分钟前
严剑封完成签到,获得积分10
1分钟前
1分钟前
沉静烨伟发布了新的文献求助10
1分钟前
wwww完成签到 ,获得积分10
1分钟前
1分钟前
Bgeelyu发布了新的文献求助10
1分钟前
歪比巴卜完成签到 ,获得积分10
1分钟前
她的城完成签到,获得积分0
1分钟前
科研通AI2S应助安静的磬采纳,获得10
1分钟前
行萱完成签到 ,获得积分10
1分钟前
轩辕白竹完成签到,获得积分10
1分钟前
雪飞杨完成签到 ,获得积分10
1分钟前
神木丽完成签到,获得积分10
1分钟前
1分钟前
谨慎冰淇淋完成签到 ,获得积分10
1分钟前
曾建完成签到 ,获得积分10
1分钟前
高分求助中
Solution Manual for Strategic Compensation A Human Resource Management Approach 1200
Natural History of Mantodea 螳螂的自然史 1000
Glucuronolactone Market Outlook Report: Industry Size, Competition, Trends and Growth Opportunities by Region, YoY Forecasts from 2024 to 2031 800
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
Treatise on Estuarine and Coastal Science (Second Edition) Volume 3: Biogeochemical Cycling 2024 500
Zeitschrift für Orient-Archäologie 500
Smith-Purcell Radiation 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3341900
求助须知:如何正确求助?哪些是违规求助? 2969256
关于积分的说明 8637992
捐赠科研通 2648930
什么是DOI,文献DOI怎么找? 1450469
科研通“疑难数据库(出版商)”最低求助积分说明 671917
邀请新用户注册赠送积分活动 660991