跳到主要内容
返回时间线
arXiv来源发表:

把涡量边界层写进试探函数:sl-PINN在六个数量级黏性下误差不随黏性变差

核心概要

二维不可压Navier–Stokes方程在小黏性下会在壁面形成宽度随黏性变薄的涡量层,均匀采样训练的物理信息神经网络难以分辨它。sl-PINN把渐近分析给出的层校正项及其壁面振幅律直接嵌入试探函数,振幅由网络自身的壁面迹决定,无需预先知道极限解。在滑移边界条件的平直通道上,涡量误差在六个数量级的黏性范围内保持均匀,而只用薄尺度、放开剖面与振幅的富集方式随黏性变小而退化。

Source-provided article image: Singular layer neural networks for the Navier-Stokes equations at small viscosity
arXiv

深度剖析

小黏性下涡量在壁面附近形成一层薄结构,网络若只靠均匀采样点学习,就无法在壁面附近还原这一层。 在解为固定光滑傅里叶模态、不含薄层的对照算例中,黏性从较大值降到很小值,误差变化不到四倍;一旦精确解带上宽度随黏性变薄的涡量层,同样的网络、采样与优化设置下涡量误差迅速增大。 在八个数量级的黏性扫描中,涡量相对误差增长约两个数量级,最大涡量误差从约10^-3升到与解同量级;而流函数与速度误差变化不到四倍,因为泊松求解把层平滑掉了。

把边界层分析给出的校正项连同固定其振幅的规律一起写进试探函数,网络只需学习随黏性不变的光滑外解。 此前同类方法只把薄尺度用于拉伸变量或复合展开,剖面与振幅仍留给网络自由学习。 在滑移边界条件的平直通道上,校正项富集的sl-PINN在六个数量级的黏性范围内涡量误差基本不变,而只用尺度的富集误差增长约三倍,其层内最大逐点误差达到层的振幅。

校正项由解析式给出后,残差中的拉普拉斯可以用粗网格上的有限体积通量差分离散,网格无需分辨薄层。 把同一离散格式直接作用在完整场上并不自洽:在黏性1e-6时,精确解的离散拉普拉斯误差达到四个数量级。 把场拆成光滑正则部分与解析层部分、只对前者用通量差分离散后,sl-FVNN在Stokes与Navier–Stokes问题上都保持与sl-PINN相同的黏性均匀精度,单步训练耗时约为sl-PINN的一半。

启示与展望

实验全部设在x方向周期、上下为滑移边界条件的平直通道上,极限流的滑移速度沿壁面为常数,因此校正项可写成闭式解;结论针对这一设定下的涡量层,而非无滑移的Prandtl层。

弯曲壁面、沿壁面变化的滑移速度和无滑移边界条件各自会恢复被当前构造消去的项,三者均未测试;变滑移速度下校正项变为Duhamel积分,解析剖面只是带余项的主阶近似。作者把变滑移速度与无滑移情形列为后续工作。