课程-迁移学习物理信息神经网络用于长时间非线性波传播模拟

作者：郭远; 傅卓佳^*; 闵建; 刘肖廷; 赵海涛^*

来源：力学学报, 2023, 1-11.

• 课程学习
• 迁移学习
• 物理信息神经网络
• 波传播分析
• 长时间模拟
• 非线性

由于传统物理信息神经网络(PINN)在长时间模拟时存在计算稳定性差甚至无法获得有效解的难题,本文提出了一种基于课程学习和迁移学习的物理信息神经网络(CTL-PINN),用于长时间非线性波传播模拟.该改进的PINN的主要思想是将原长时间历程问题转化成若干个短时间子问题,其求解过程分为三个阶段;在初始阶段,使用传统PINN来获得初始短期子问题的解;在课程学习阶段,使用包含前一步训练信息的传统PINN以时域扩大的方式逐次求解,在迁移学习阶段,使用包含前一步训练信息的传统PINN以时域迁移的方式逐次求解.这种改进的PINN可以避免传统PINN陷入局部最优解的问题.最后通过几个基准算例验证了本文所提出的CTL-PINN方法在模拟长时间非线性波传播过程的有效性和鲁棒性.

• 单位
  材料学院; 河海大学