面向流体力学的物理神经网络综述.pdfVIP

计算机应用,2024,44(S1):133-141http：//www.joca.cn

文章编号：1001-9081（2024）S1-0133-09DOI：10.11772/j.issn.1001-9081.2023060769

面向流体力学的物理神经网络综述

1，2111*1

田松岩，黄鑫格，段焰辉，陈洪波，陈文秀

（1.中山大学系统科学与工程学院，广州510275；2.南方科技大学力学与航空航天工程系，广东深圳518055）

（∗通信作者电子邮箱chenhongbo@mail.sysu.edu.cn）

摘要：针对融合了物理控制方程，尤为适用于物理场预测的新兴神经网络方法——物理神经网络（PINN），开展深入的文

献调研，形成对面向流体力学的物理神经网络方法发展趋势的研判。首先，对神经网络融合物理信息的思路进行溯源；其次，

介绍当前物理神经网络基本架构，针对全连接型物理神经网络，从间断问题的高精度预测研究、偏微分方程（PDE）植入形式、

流场重建问题、损失函数形式、多精度数据及多尺度问题以及训练控制等方面进行文献综述；再次，对于基于卷积神经网络

（CNN）和其他新兴网络架构的物理神经网络进行文献梳理；最后，形成面向流体力学的物理神经网络发展趋势与思考。通过

对2017年至2023年间近百篇文献的研究及相关数值实验可知，针对强间断的高分辨率预测是面向高速流动问题的物理神经

网络研究中需要解决的重要问题；基于全连接网络的物理神经网络拥有无网格化的优势，可用于各类流动问题的求解；基于卷

积网络的物理神经网络具备与已有传统数值方法深度融合的优势，可有效利用已有的流场图像、物理量云图等结构化数据，进

行复杂流动问题的求解。

关键词：流场预测；物理神经网络；损失函数；偏微分方程；间断问题

中图分类号：TP183文献标志码：A

Reviewofphysics-informedneuralnetworksforfluiddynamics

1，2111*1

TIANSongyan，HUANGXinge，DUANYanhui，CHENHongbo，CHENWenxiu

（1.SchoolofSystemsScienceandEngineering，SunYat-senUniversity，GuangzhouGuangdong510275，China；

2.DepartmentofMechanicsandAerospaceEngineering，SouthernUniversityofScienceandTechnology，

ShenzhenGuangdong518055，China）

Abstract:Anin-depthliteraturereviewwascarriedoutforthenewPhysics-InformedNeuralNetwork（PINN）method，which