本期结合PPT速读深度学习技术与等离子体计算技术结合初步探索的一例佳作。
机器学习、深度学习是近年来的热点技术，在图像识别、文字分析等领域应用极为广泛。目前，深度学习技术正在与诸如流体力学、燃烧学等专业技术结合，释放出了强大的应用潜力。 本期结合PPT速读深度学习技术与等离子体计算技术结合初步探索的一例佳作： [1] Zhong, L., Gu, Q. & Wu, B. Deep learning for thermal plasma simulation: Solving 1-D arc model as an example. Comput. Phys. Commun. 257, (2020).
机器学习主要兴起于图像识别领域，本质是一种强大的映射工具，通过构造复杂的函数关系，找到图像与信息之间的高度非线性关系。而等离子体系统的计算模型，本质也是强非线性的控制方程组，人工智能与基于方程描述的等离子体系统有着天然的关联。
如上图所示，常用的等离子体控制方程包括连续方程、动量方程、能量方程、气体状态方程、电场方程、磁场方程、扩散方程等，这些方程构成的体系可以理解为深度学习需要构建的，从特征空间映射到解空间的复杂非线性关系（黑盒子）。
针对前述的等离子体方程体系，构建了两级学习网络，首先学习等离子体输运特性，再将输运特性和边界条件、初始条件、控制方程产生的解等数据共同进行学习，直到误差稳定。采用深度学习算法计算了一维稳态电弧、一维瞬态电弧（含/不含径向速度）方程解并与数值模型进行了对比。 一维稳态电弧温度分布
一维瞬态电弧温度分布（无径向速度）
一维瞬态电弧温度分布（考虑径向速度）
一维瞬态电弧速度分布（考虑径向速度）
由深度学习模型计算得到的一维电弧解与通过数值模型得到的解吻合良好，验证了深度学习在求解等离子体偏微分方程组中的强大潜力，未来在分析实验数据、计算等离子体输运参数、求解等离子体方程中将发挥独有的作用。
文章作者信息：
喜欢请关注公众号：等离子体计算工坊
公众号交流微信：工坊君 你感兴趣的就是工坊希望和你共同学习的 |
