首页|集成分区耦合策略的物理信息神经网络模拟共轭传热过程研究

集成分区耦合策略的物理信息神经网络模拟共轭传热过程研究

扫码查看
原文链接
  • 万方数据
  • 维普
物理信息神经网络(PINN)通过对偏微分方程组进行数学编码,实现了内嵌物理知识的深度学习,已成功地应用于流体力学和传热领域.但是,由于固体导热和流体传热间强耦合关联,通用的PINN难以有效求解上述领域内普遍存在的共轭传热问题.作为应用较为广泛的分区耦合策略,传热系数正向温度反向法可通过分别独立求解流体域和固体域来灵活处理界面处的复杂耦合关系.本工作基于真实物性体系,利用传热系数正向温度反向法构建分区耦合PINN建模策略.以共轭传热二维和三维模型为例,将分区耦合PINN预测的多物理场结果与常规的CFD软件模拟结果进行对比,结果显示二维模型和三维模型的固体温度最大绝对误差分别为0.19 K和2.12 K,表明了分区耦合PINN策略处理真实物性下共轭传热建模问题的有效性.
Integrating physics-informed neural networks with partitioned coupling strategy for modeling conjugate heat transfer

陆至彬、李依梦、何畅、张冰剑、陈清林、潘明

展开 >

中山大学材料科学与工程学院,广东广州 510006

广东省石化过程节能工程技术研究中心,广东广州 510006

工数科技(广州)有限公司,广东广州 510530

物理信息神经网络 偏微分方程 分区耦合 共轭传热 传热系数正向温度反向法

国家自然科学基金面上项目国家自然科学基金面上项目广东省自然科学基金面上项目

22078372220783732022A1515010479

2022

10.11949/0438-1157.20221174

化工学报
中国化工学会 化学工业出版社

化工学报

CSTPCDCSCD北大核心
影响因子：1.26
ISSN：0438-1157
年,卷(期)：2022.73(12)
  • 1
  • 3