Taghizadeh, Ehsan; Byrne, Helen; Wood, Brian D. · 2021 · Journal of Computational Physics

Metadata

Authors: Taghizadeh, Ehsan; Byrne, Helen; Wood, Brian D.

DOI: 10.1016/j.jcp.2021.110781

Tags: #PINNs #neural-network #continuum-mechanics #reaction-diffusion

📄 Quick Note

摘要概述

本文针对非线性多尺度问题中的闭合 (closure) 难题，提出一种"显式"物理信息神经网络 (explicit PINN) 方法，以生物组织中的传质-反应过程为应用案例。作者将形式体积平均 (volume averaging) 与深度多层感知机 (MLP) 相结合：用微尺度直接数值模拟生成的数据训练网络，学习经典 effectiveness factor，从而闭合宏尺度非线性 PDE。其关键创新在于把宏尺度浓度及其梯度作为显式特征纳入网络输入（而非像常规 PINN 那样作为隐式约束），并指出这种做法在特征数较少的上尺度化问题中可自动满足质量与通量守恒。实验表明，包含宏尺度 source terms 的网络在预测校正因子时保真度显著优于不含该特征的版本，且在脑和肝两种几何复杂度与空间尺度差异很大的组织上均表现出良好的泛化能力。

关键图表

待精读时补充。

与我的关联

该工作"显式物理特征 + 形式上尺度化"的组合思路，对将 PINN/ML 闭合方法迁移到血管生长与重塑等多尺度连续介质问题具有方法学借鉴价值，尤其是如何在上尺度化过程中保留显式的宏尺度方程形式这一点值得关注。