Unified Finite Volume Physics Informed Deep Learning to Solve Heat Transfer Problems
Notice bibliographique
Résumé
As an alternative for the conventional numerical solver, the emerged physics informed neural network (PINN) has the capacity to solve partial differential equations (PDEs) with noisy data or partially missing physics.Thus, it has gained popularity in fluid dynamics, e.g., solving the heat transfer problems.Nevertheless, PINN struggles with low accuracy and high computational cost when the PDE solution contains multiple scales or steep gradients, which hinders its applications to high-Reynolds-number flows.To remedy the limitations, we propose a PINN approach that unifies the sub-domain decomposition, finite volume discretization and conventional numerical solver, termed as unified finite volume PINN (UFV-PINN).The output by neural network (NN) over the boundaries of agglomerated sub-domains functions as boundary conditions (BCs).Based on this, the conventional numerical solver further solves the PDEs.The gap between NN prediction and the solution by the conventional solver within the subdomain is taken as the new loss term to enforce the conservation law of PDE.As illustration, the steady-state Reynolds-averaged Navier-Stokes (RANS) equations and advection-diffusion equation (ADE) are solved.Numerical experiments are conducted to compare the performance of the proposed UFV-PINN and the standard-PINN, as well as the conventional finite volume (FV) solver.Results indicate that UFV-PINN obtains comparable accuracy to the numerical FV solver, while outperforms the standard-PINN to a large degree in terms of accuracy, computational time, and memory consumption.The proposed UFV-PINN is promising to serve as a powerful diagnostic tool in thermal fluids or surrogate model for thermal design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».