渦流誘導振動(VIV)是一種典型的非線性流體-結構相互作用現象,廣泛存在於實際工程中(柔性立管、橋樑和飛機機翼等)。傳統的基於有限元模型(FEM)和資料驅動的VIV分析方法常常受到計算成本和資料集獲取的挑戰。本文提出了一種轉移學習的物理資訊神經網路(PINN)模型來研究VIV(2D)。物理資訊神經網路與遷移學習方法結合使用,提高了學習效率,並透過源模型的共同特徵知識保持目標任務的可預測性,而不需要大量的資料集。從VIV實驗中獲得的資料集被平均分為兩部分(源域和目標域),以評估模型的效能。結果表明,儘管訓練模型時獲得的資料集數量逐漸變少,但所提出的方法與文獻中使用的傳統PINN演算法的結果非常吻合。該模型的應用可以打破實際專案中監測裝置和方法的限制,並促進VIV的深入研究。
《A transfer learning enhanced the physics-informed neural network model for vortex-induced vibration》
論文地址:http://arxiv.org/abs/2112.14448v1