[发明专利]基于深度学习的多物理场模型耦合式求解方法

权利要求书

1.一种基于深度学习的多物理场模型耦合式求解方法，其特征在于包括如下步骤：

步骤1，建立多物理场方程组模型，将多物理场方程组所蕴含的物理规律作为深度神经网络的先验信息；

步骤2，基于多物理场方程组建立基于深度学习的耦合式神经网络；

步骤3，以等式和相应的边界条件、初始条件为基础构造损失函数，选取符合模型复杂度的神经网络参数；

步骤4，神经网络训练求解多物理场方程组的数值解，训练时不断得到新的损失函数值，当其收敛到一定阈值后，结束训练，实现多物理场方程组模型的深度神经网络求解。

2.如权利要求1所述的基于深度学习的多物理场模型耦合式求解方法，其特征在于：所述建立多物理场方程组模型，将多物理场方程组所蕴含的物理规律作为深度神经网络的先验信息，具体包括：

步骤11，根据具体问题建立对应的多物理场方程组模型；

步骤12，将对应的多物理场方程组模型改写成如下一般公式：

边界条件为：

初始条件为：

其中，X(x,t)是输入量，x是空间量，t是时间量，u^m(m＝1,2,…,n)是方程组的解，具体含义取决于对应多物理场方程的类型，N^m[·；λ^m]是被λ^m参数化的非线性算子，是对应的边界值，β^m是对应的初始值。

3.如权利要求1所述的基于深度学习的多物理场模型耦合式求解方法，其特征在于：所述基于多物理场方程组建立基于深度学习的耦合式神经网络，具体包括：

步骤21，选择深度神经网络类型；

步骤22，根据多物理场方程组构造耦合式深度神经网络。

4.如权利要求3所述的基于深度学习的多物理场模型耦合式求解方法，其特征在于：所述根据多物理场方程组构造耦合式深度神经网络，具体包括：

步骤221，选择的神经网络类型构造一个神经网络；

步骤222，根据多物理场方程组，将方程组的自变量作为神经网络的输入量；

步骤223，根据多物理场方程组，将方程组的所有求解量作为神经网络的输出量。

5.如权利要求3所述的基于深度学习的多物理场模型耦合式求解方法，其特征在于：所述根据多物理场方程组构造耦合式深度神经网络，具体包括：

步骤221，选择的神经网络类型构造n个神经网络；

步骤222，根据多物理场方程组，将方程组的自变量作为各神经网络的输入量；

步骤223，根据多物理场方程组，将方程组的各求解量分别作为各神经网络的输出量。

6.如权利要求1所述的基于深度学习的多物理场模型耦合式求解方法，其特征在于：所述以等式和相应的边界条件、初始条件为基础构造损失函数，选取符合模型复杂度的神经网络参数，具体包括：

步骤31，选择充分光滑的激活函数；

步骤32，根据多物理场方程组、边界条件、初始条件构造损失函数；

步骤33，选择符合模型复杂度的神经网络层数和每层的神经元数，这些参数可以通过自动机器学习获得。

7.如权利要求7所述的基于深度学习的多物理场模型耦合式求解方法，其特征在于：所述激活函数为非线性函数。

8.如权利要求1所述的基于深度学习的多物理场模型耦合式求解方法，其特征在于：所述根据多物理场方程组、边界条件、初始条件构造损失函数，具体包括：

步骤321，根据多物理场方程组构造损失函数的第一部分L_f；

步骤322，根据边界条件构造损失函数的第二部分L_b；

步骤323，根据初始条件构造损失函数的第三部分L_i；

步骤324，构造损失函数L＝L_f+L_b+L_i。