寫在前面：非權(quán)威解析，歡迎各位大佬提出批評指正。? ?

本次解析代碼：

1.?https://github.com/okada39/pinn_cavity（定常蓋板驅(qū)動方腔內(nèi)流場數(shù)值模擬）

2.?https://github.com/yunbattle1994/PINN-incompressive-laminar-cylinder（定常圓柱繞流問題）

關(guān)于非定常問題其基本原理基本一致，需要在增加時間項，具體可參考：

Raocp的github：https://github.com/Raocp/PINN-laminar-flow（定常及非定常圓柱繞流問題）

融合物理信息的神經(jīng)網(wǎng)絡(luò)（Physics Informed Neural Network, PINN）由布朗大學(xué)Raissi M等人提出，相關(guān)的研究成果發(fā)表于JCP（截止目前引用次數(shù)超過5000次）:

Raissi M, Perdikaris P, Karniadakis G E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational physics, 2019, 378: 686-707.

論文地址：https://www.sciencedirect.com/science/article/abs/pii/S0021999118307125

PINN將機(jī)器學(xué)習(xí)應(yīng)用于非線性偏微分方程的求解，其原理是通過訓(xùn)練最小化殘差以近似偏微分方程解。其中殘差綜合計算域內(nèi)離散點的偏微分方程、邊界條件和初始條件（非定常問題），如圖1所示。

未完待續(xù)。