Neuer Einsatz für PINNs in der Strömungsmechanik
Eine kürzlich veröffentlichte Arbeit aus dem Lehrstuhl für Strömungsmechanik mit dem Titel „Potential of physics-informed neural networks for solving fluid flow problems with parametric boundary conditions“ in Journal Physics of Fluids stellt eine neuartige Methode zur Modellierung von Strömungen unter Verwendung von Physics Informed Neural Networks (PINNs) vor. Diese Methode integriert parametrische Randbedingungen direkt in das PINN-Modell, wodurch keine Trainingsdaten aus Simulationen oder Messungen benötigt werden. Bisherige datenfreie Ansätze haben in der Regel mit der Genauigkeit zu kämpfen, insbesondere bei komplexen Problemen der Fluidmechanik, die gekoppelte Systeme von 2D- oder 3D-partiellen Differentialgleichungen (PDEs) umfassen. Um diese Einschränkung zu überwinden, schlagen die Autoren einen physikalisch basierten Strafterm innerhalb des Modells vor. Die Wirksamkeit der Methode wurde an zwei Testfällen validiert und zeigte eine sehr gute Übereinstimmung mit analytischen Lösungen.
Weitere Informationen finden Sie auf der Website der Zeitschrift: https://doi.org/10.1063/5.0193952
