参数化物理内嵌神经网络求解稳态单能中子扩散解集OA北大核心CSTPCD
Solving Steady-state Mono-energy Neutron Diffusion Solution Set with Parameterized Physics-informed Neural Network
物理内嵌神经网络(PINN)是一种结合了物理学知识的深度学习方法,近年开始被用于计算核工程领域中的堆芯中子问题.然而,PINN在求解不同问题时的网络不可复用性极大地影响了该方法的使用价值和效率.为了解决网络不可复用性问题,提出了一种基于参数化PINN的方法,开发了一种新型的中子扩散物理方程的代理模型.该代理模型具有很高的灵活性和效率,可以在无样本的前提下,快速给出任意给定参数中子扩散问题的解.此外,比较了边界软约束和硬约束下参数化PINN的代理模…查看全部>>
Physics-Informed Neural Network(PINN)is a deep learning method that incorporates physical knowledge.It has recently been applied to solve core neutron problems in computational nuclear engineering.However,the non-reusability of PINNs when solving different problems greatly hampers its value and efficiency.To address this issue,a method based on parameterized PINNs has been proposed,leading to the development of a new surrogate model for the neutron diffusion…查看全部>>
谢宇辰;马宇;王亚辉
中山大学中法核工程与技术学院,广东珠海 519082中山大学中法核工程与技术学院,广东珠海 519082中山大学中法核工程与技术学院,广东珠海 519082
核科学
物理内嵌神经网络中子扩散代理模型
physics-informed neural networkneutron diffusionsurrogate model
《原子能科学技术》 2024 (6)
1242-1249,8
国家自然科学基金(12205389)广东省基础与应用基础研究基金(2022A1515011735)
评论