KI und die schwierigen Probleme der Welt · Physik · arXiv · 2026-10-19
PINN-LPCDD: Physikinformiertes neuronales Netz mit lernbarer und physikalisch konsistenter Gebietszerlegung für kompressible Mehrmediumströmungen
Originaltitel: PINN-LPCDD: Physics-Informed Neural Network with Learnable and Physically Consistent Domain Decomposition for Compressible Multi-Medium Flows
Physikalisch informierte neuronale Netze (PINNs) haben Schwierigkeiten mit kompressiblen Mehrmedienströmungen, darunter das Auffinden von Grenzflächen, die Approximation von Unstetigkeiten und der Umgang mit hohen Druckverhältnissen zwischen Medien mit sehr unterschiedlicher Steifigkeit. Das vorgeschlagene PINN-LPCDD integriert die Sharp-Interface-Methode, verwendet für jedes Medium Teilnetze mit lernbaren Parametern, um die Positionen der Grenzflächen automatisch zu lernen, löst die Euler-Gleichungen mit künstlicher Viskosität für Stoßwellen und nutzt die Skalierungsinvarianz für hohe Druckverhältnisse. Numerische Experimente zu Luft-Luft-, Luft-Helium-, Luft-Wasser- und Luft-R22-Problemen zeigen eine akzeptable Genauigkeit bei der Simulation von Mehrmedienströmungen.