[发明专利]一种基于PINN的湍流模型系数修正方法

权利要求书

1.一种基于PINN的湍流模型系数修正方法，其特征在于，以融合物理方程的神经网络为基础，在神经网络的约束目标中构建湍流模型方程约束，结合实验数据或CFD数据，通过最小化约束目标确定湍流模型的最优的系数组合。

2.如权利要求书1所述的方法，其特征在于，包括如下步骤：

步骤(1)针对需修正系数的湍流模型，使用实验或者CFD获取原始的数据样本；

步骤(2)构建以流动信息即步骤(1)获取的样本数据为输入和输出变量的神经网络模型；

步骤(3)使用Tensorflow框架集成的自动微分机制构建湍流模型约束，设置湍流模型的系数为神经网络可训练变量，加入步骤(2)构建的神经网络约束目标中；

步骤(4)使用步骤(1)获得的数据样本，训练PINN网络，最小化其约束目标，获得能使经验公式预测值跟真实值之间的误差足够小的最优系数组合。

3.如权利要求2所述的方法，其特征在于，所述的步骤(3)具体为：

针对一个待定系数W的湍流模型：

F(X,Y,W)＝0

其中X,Y表示湍流模型的自变量和因变量,W表示该经验公式中所有需要修正的系数；

重建经验公式系数的PINN网络最小化目标Loss：

Loss＝MSE_Y+MSE(F,0)

其中PINN通过最小化MSE_Y使其预测结果跟实验结果一致：

PINN网络以X作为输入，以Y作为输出，使用自动微分构建输入和输出之间的经验公式约束F，最小化PINN预测的Y_PINN和实验获得的Y_Exp之间的误差；重建系数W使PINN预测的(W,X,Y)带入约束方程F的结果趋近于0。