L'IA face aux grands problèmes du monde · Physique · arXiv · 2026-10-19
PINN-LPCDD : réseau de neurones informé par la physique avec décomposition de domaine apprenable et physiquement cohérente pour les écoulements compressibles multimilieux
Titre original: PINN-LPCDD: Physics-Informed Neural Network with Learnable and Physically Consistent Domain Decomposition for Compressible Multi-Medium Flows
Les réseaux de neurones informés par la physique peinent à traiter les écoulements compressibles multi-milieux, notamment pour localiser les interfaces, approcher les discontinuités et gérer les rapports de pression élevés entre des milieux de raideur très différente. La méthode proposée, PINN-LPCDD, intègre la méthode d'interface nette, utilise pour chaque milieu des sous-réseaux à paramètres apprenables afin d'apprendre automatiquement la position des interfaces, résout les équations d'Euler avec viscosité artificielle pour les ondes de choc, et exploite l'invariance d'échelle pour les rapports de pression élevés. Des expériences numériques sur des problèmes air-air, air-hélium, air-eau et air-R22 montrent une précision acceptable dans la simulation d'écoulements multi-milieux.