講演情報
[21020]拘束条件を緩和したData-Free Physics-Informed Neural Networkによる非圧縮性Navier--Stokes方程式のシミュレーション（シンポジウム講演概要）
*出口 翔大1、三目 直登1、浅井 光輝2 (1. 筑波大学、2. 九州大学)
キーワード：
科学技術機械学習、物理情報ニューラルネットワーク、非圧縮性Navier-Stokes方程式
PINNは，NNの学習において，当該の物理現象を記述する支配方程式の残差を利用する枠組みである．解くべき方程式が既知であれば観測データ無しに問題の近似解を求めることが可能であり，方程式に未知の係数が含まれる場合には観測データに基づいて方程式に含まれる係数等の逆推定が可能である．これらの柔軟性より，PINNは特に逆解析やパラメトリックな問題において有効な手段として知られている．一方，PINNが有効となる上述の問題に適用する際には，その順解析に関する精度や信頼度が十分である必要があり，PINNが非圧縮性NS式の順解析ソルバーとして，どの程度の精度と信頼性を有するか，或いはそれらを担保するための工夫については，未だ議論の余地が残されている．本研究では，PINNの非圧縮性NS式の順解析への適用に着目し，特に低～中程度のReynolds数の流れ場を堅牢に予測するための工夫を検討する．