The Development of Physical Informed Neural Networks for Fluid Flow in Infinite Parallel Plates As Compared to CFD and AI Models
Notice bibliographique
Résumé
Abstract In this study, we developed neural network models from two different perspectives; Artificial Neural Networks (ANNs) and Physics Informed Neural Networks (PINNs) to model fluid flow in infinite parallel plates under laminar flow conditions. The ANNs model compared with the theoretical solution, while the PINNs model evaluated against a Computational Fluid Dynamics (CFD) model. The ANNs model predicts the non-dimensional pressure gradient in fully developed flow between infinite parallel plates. A significant limitation lies in its requirement for extensive data, posing a considerable challenge in practical scenarios. Similar to ANNs model; PINNs model is also mesh-free, applicable to any shape, and does not require a deep understanding of physical phenomena. However, Unlike the ANNs model, the PINNs model does not require extensive data. Despite these advantages interpreting the learned parameters or hidden representations within PINNs is challenging. In contrast, the CFD model, specifically the control volume approach within the SIMPLE algorithm, provides a clear physical interpretation of the numerical solution of fluid flow problems. However, it is affected by grid dependency, highly sensitive to boundary conditions, and it is also mathematically complicated. This comprehensive analysis and comparison provide valuable theoretical and fundamental insights for interdisciplinary researchers in the field, addressing fluid dynamics challenges and offering step by step guideline for implementation of Neural Networks models to solve fluid dynamics problems.
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 ».