中物院九所！近音速流动新算法！国防类科研就是流弊！

文章预览

Physics-informed neural networks for transonic flow around a cylinder with high Reynolds number 自媒体版本： 扩展了物理信息神经网络（PINN）方法来学习和预测高雷诺数的可压缩稳态气动流动。为了更好地学习薄边界层，在深度神经网络的输入层和输出层分别显式引入采样距离函数和硬边界条件。在损失函数中考虑梯度权重因子，实现基于雷诺平均纳维-斯托克斯（RANS）和欧拉方程的PINN方法，分别记为PINN-RANS和PINN-Euler。以跨音速圆柱绕流为例，首先验证这些PINN方法学习复杂流动的能力，然后基于部分物理数据应用于预测全局流动。在基于局部关键区域的速度数据预测全局流动时，PINN-RANS方法始终能够准确预测包括边界层和尾流在内的全局流场，而PINN-Euler方法可以准确预测无粘区域。在预报不同自由流马赫数（⁠ 0.3–0.7）下的亚音速和跨音速流动时，两种方法预报的 ………………………………