科研之友
微信
新浪微博
Facebook
分享链接
摘要
物理信息神经网络（PINN）通过对偏微分方程组进行数学编码，实现了内嵌物理知识的深度学习，已成功地应用于流体力学和传热领域。但是，由于固体导热和流体传热间强耦合关联，通用的PINN难以有效求解上述领域内普遍存在的共轭传热问题。作为应用较为广泛的分区耦合策略，传热系数正向温度反向法可通过分别独立求解流体域和固体域来灵活处理界面处的复杂耦合关系。本工作基于真实物性体系，利用传热系数正向温度反向法构建分区耦合PINN建模策略。以共轭传热二维和三维模型为例，将分区耦合PINN预测的多物理场结果与常规的CFD软件模拟结果进行对比，结果显示二维模型和三维模型的固体温度最大绝对误差分别为0.19 K和2.12 K，表明了分区耦合PINN策略处理真实物性下共轭传热建模问题的有效性。
- 单位
