PINN for PDE(偏微分方程)3 - 正向问题 - Burgers’ equation
目录
一、什么是PINN的正问题
在 PINN(Physics-Informed Neural Networks,物理信息神经网络)中,**正问题(Forward Problem)**指的是:
给定一个偏微分方程(PDE)的形式、边界条件和初始条件,求解该方程在定义域内的解函数。
在 PINN 框架下,求解正问题的基本步骤如下:
- 构建神经网络 u θ ( x , t ) u_\theta(x, t) uθ(x,t) 作为 PDE 解的近似;
- 利用自动微分计算偏导数,将 PDE 表达为损失函数项;
- 同时将边界条件和初始条件也转化为损失函数;
- 通过最小化总损失来训练神经网络参数 θ \theta θ,使其近似满足物理规律。
正问题的特征是:问题的数学描述是充分确定的,即 PDE 与条件信息足够多,因此目标是通过神经网络来模拟已知物理过程。
二、求解的实际例子 - Burgers’ equation
2.1 Burgers方程
Burgers方程的定义为:
∂ u ∂ t + u ∂ u ∂ x = v ∂ 2 u ∂ x 2 , x ∈ [ − 1 , 1 ] , t ∈ [ 0 , 1 ] , u ( x , 0 ) = − sin ( π x ) , u ( − 1 , t ) = u ( 1 , t ) = 0 , \begin{array}{l} \frac{\partial u}{\partial t}+u\frac{\partial u}{\partial x}=v\frac{\partial ^2u}{\partial x^2},\quad x\in [-1,1],t\in [0,1],\\ u(x,0)=-\sin\mathrm{(}\pi x),\\ u(-1,t)=u(1,t)=0,\\ \end{array} ∂t∂u+u∂x∂u=v∂x2∂2u,x∈[−1,1],t∈[0,1],u(x,0)=−sin(πx),u(−1,t)=u(1,t)=0,
其中,u 为流速,ν 为流体的粘度。在本文中,ν 设为 0.01 / π。
2.2 无解析解解决办法 - 龙哥库达(Runge-Kutta 4th Order Method, RK4)
由于 Burgers 方程的解析解比较的复杂,并且没有显式解析解(好像看了一下是带积分的),因此本文主要采用的方法是利用4阶的龙哥库达方法进行数值求解,从而构造训练数据集。四阶龙格-库塔方法(RK4)是一种用于常微分方程初值问题(IVP)的数值求解方法,具有较高的精度与稳定性,是工程与科学计算中最常用的数值积分方法之一。
一、问题背景
考虑一个初值问题形式如下的常微分方程(ODE):
d y d t = f ( t , y ) , y ( t 0 ) = y 0 \frac{dy}{dt} = f(t, y), \quad y(t_0) = y_0 dtdy=f(t,y),y(t0)=y0
我们希望在某个时间区间内,求出 y ( t ) y(t) y(t) 的数值解。
RK4 方法通过在当前点 t n t_n tn 处对斜率的多次采样来估计下一步的解 y n + 1 y_{n+1} yn+1,实现高阶精度。
二、RK4 方法公式
设步长为 h h h,则 RK4 的迭代格式如下:
k 1 = f ( t n , y n ) k 2 = f ( t n + h 2 , y n + h 2 k 1 ) k 3 = f ( t n + h 2 , y n + h 2 k 2 ) k 4 = f ( t n + h , y n + h k 3 ) y n + 1 = y n + h 6 ( k 1 + 2 k 2 + 2 k 3 + k 4 ) \begin{aligned} k_1 &= f(t_n, y_n) \\ k_2 &= f\left(t_n + \frac{h}{2},\ y_n + \frac{h}{2}k_1\right) \\ k_3 &= f\left(t_n + \frac{h}{2},\ y_n + \frac{h}{2}k_2\right) \\ k_4 &= f\left(t_n + h,\ y_n + hk_3\right) \\ y_{n+1} &= y_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4) \end{aligned} k1k2k3k4yn+1=f(tn,yn)=f(tn+2h,
351



被折叠的 条评论
为什么被折叠?



