多相流中の同軸気泡合体への多段拡張ラグランジュ項付き物理情報ニューラルネットワーク：応用

科学分野:

• 流体力学
• 計算科学
• 機械学習

背景:

• ガス液二相流における気泡ダイナミクスは、化学、油圧、航空宇宙工学にとって重要です。
• 上昇、合体、分裂を含む多気泡合体の正確なシミュレーションは複雑です。

研究 の 目的:

• 多気泡合体のシミュレーションのための機械学習フレームワークを開発および検証すること。
• ニューラルネットワークに物理的制約を統合することにより、予測精度を向上させること。

主な方法:

• データと物理的制約を組み合わせた物理情報ニューラルネットワーク（PINNs）を利用しました。
• 多段拡張ラグランジュ項（MSAL-PINNs）を備えた修正PINNsフレームワークを開発しました。
• モデルの予測精度を向上させるために、段階的なペナルティ項を組み込みました。

主要な成果:

• MSAL-PINNsフレームワークは、二重気泡の合体、分裂、および多気泡相互作用を首尾よくシミュレートしました。
• モデルは、パラメータ（σ）および時間領域全体での外挿において強力なパフォーマンスを示しました。
• 計算流体力学および他のPINN法に対する検証により、フレームワークの精度が確認されました。

結論:

• MSAL-PINNsフレームワークは、複雑な気泡ダイナミクス問題を解決するための堅牢で検証済みの方法を提供します。
• このインテリジェントなアプローチは、ガス液二相流現象の探求に新たな洞察を提供します。