Redes neuronales informadas por la física con términos de Lagrangiano aumentado multietapa: Aplicaciones a la...

Área de la Ciencia:

• Dinámica de Fluidos
• Ciencia Computacional
• Aprendizaje Automático

Sus antecedentes:

• La dinámica de las burbujas en el flujo bifásico de gas y líquido es crucial para la ingeniería química, hidráulica y aeroespacial.
• La simulación precisa de la coalescencia de múltiples burbujas, incluida la subida, fusión y ruptura, es compleja.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje automático para simular la coalescencia de múltiples burbujas.
• Mejorar la precisión de la predicción integrando restricciones físicas en redes neuronales.

Principales métodos:

• Se utilizaron redes neuronales informadas por la física (PINNs) combinadas con datos y restricciones físicas.
• Se desarrolló un marco PINNs modificado con términos de Lagrangiano aumentado multietapa (MSAL-PINNs).
• Se incorporaron términos de penalización específicos de cada etapa para mejorar la precisión de la predicción del modelo.

Principales resultados:

• El marco MSAL-PINNs simuló con éxito la coalescencia de doble burbuja, la ruptura y las interacciones de múltiples burbujas.
• El modelo demostró un fuerte rendimiento en la extrapolación a través de los dominios de parámetros (σ) y tiempo.
• La validación frente a la dinámica de fluidos computacional y otros métodos PINN confirmó la precisión del marco.

Conclusiones:

• El marco MSAL-PINNs proporciona un método robusto y validado para resolver problemas complejos de dinámica de burbujas.
• Este enfoque inteligente ofrece nuevas perspectivas para explorar fenómenos de flujo bifásico de gas y líquido.