Моделирование ударных волн с помощью физически информированных нейронных сетей посредством явного включения уравнения состояния

Почему важны резкие газовые волны

Когда сверхзвуковой истребитель прорезает небо или ударная волна несётся по заполненной газом трубе, свойства среды — такие как давление и температура — меняются почти мгновенно на очень малых расстояниях. Корректное воспроизведение этих острых «скачков» критично для проектирования более безопасных самолётов, ракет и промышленных установок, но сделать это точно сложно и вычислительно дорого. В этой работе исследуется новый способ применения физически информированных нейронных сетей — типа машинного обучения, которое учитывает физические законы — для более точного моделирования ударных волн без опоры на большие наборы данных или вручную настроенные приёмы.

Сочетание уравнений и обучения

Традиционные численные симуляции течений, известные как вычислительная гидродинамика, решают управляющие уравнения движения непосредственно на сетке. Они мощные, но медленные и часто требуют экспертной настройки численных схем и граничных условий. Физически информированные нейронные сети (PINN) используют иной подход: вместо кормления большими обучающими данными исследователи обучают их минимизировать нарушение фундаментальных уравнений и граничных условий. В принципе это позволяет PINN «выучить» поле течения, которое автоматически соблюдает физику, даже когда доступно лишь небольшое количество размеченных данных.

Проблема внезапных скачков

Ударные волны представляют особую проблему для PINN. Через удар плотность и давление меняются резко, что приводит к сильному росту их пространственных производных. Обычные нейронные сети, склонные априорно к гладким функциям, с трудом воспроизводят такие резкие переходы. Ранние попытки решить эту проблему добавляли искусственную диффузию, концентрировали точки обучения вблизи удара или вводили дополнительные энтропийные ограничения и эмпирические веса. Хотя эти методы помогали, они часто требовали предварительного знания положения удара, экспериментальных данных или тщательной подстройки численных параметров — что снижало привлекательность PINN как универсального физически управляемого инструмента.

Ключевой поворот: выбор правильных выходов

Авторы предлагают, что на удивление простое решение — какие величины просить сеть предсказывать — может решающим образом повлиять на моделирование ударов. Их PINN базируется на стандартных уравнениях Эйлера для сжимаемого газового потока, но они явно включают уравнение состояния идеального газа, связывающее давление, плотность и температуру. Затем они требуют, чтобы сеть на каждом узле выдавала четыре величины: плотность, скорость, температуру и давление. Это уравнивает число неизвестных с числом уравнений, которые накладываются в функции потерь, включая уравнение состояния, и позволяет контролировать энергетическую согласованность через температуру. В отличие от этого многие предыдущие модели просили сеть предсказывать только три из этих переменных и восстанавливали четвёртую позже, что приводило к неполной реализации одного из управляющих соотношений.

Тестирование на простых, но жёстких задачах ударов

Чтобы проверить идею, исследователи рассмотрели две классические задачи. Первая — одномерная трубка Римана, где высокое давление внезапно расширяется в область низкого давления, образуя волновой вентилятор расширения, контактную поверхность и движущийся удар. Вторая — двумерный наклонный удар, когда сверхзвуковой поток срезает наклонную стенку, порождая наклонный фронт удара. Для каждого случая они сравнили несколько вариантов PINN: сети, выдающие только три переменные с восстановлением четвёртой, и новую «сбалансированную» сеть с четырьмя выходами. Они обнаружили, что только модель с четырьмя выходами смогла воспроизвести резкие скачки и правильные положения разрывов, с ошибками значительно меньшими, чем у других, и в хорошем соответствии с теоретическими решениями из учебников.

Почему полное соблюдение физики помогает

Помимо визуального согласия, авторы проанализировали более глубокие показатели, такие как энтропия — величина, показывающая, насколько физически правдоподобно решение с ударом. Поразительно, их PINN с четырьмя выходами дал почти правильные распределения энтропии без добавления каких-либо специальных энтропийных членов в функцию потерь. Это указывает на то, что когда уравнение состояния непосредственно встроено в цель обучения, а температура и давление предсказываются явно, сеть лучше соблюдает сохранение энергии и другие ограничения, даже вблизи резких разрывов. Авторы отмечают, что точная математическая причина такого улучшения пока полностью не ясна, но их результаты дают сильное эмпирическое доказательство важности этого подхода.

Что это означает в перспективе

Для непрофессионалов главный вывод таков: заставить машинное обучение уважать законы физики — это не просто добавить уравнения в функцию потерь; критически важно также правильно выбрать набор переменных, которые сеть будет изучать. Сопоставляя число предсказываемых величин с числом управляющих уравнений и явно включая газовое уравнение состояния, эта работа демонстрирует, что PINN могут точно воспроизводить ударные волны без предварительного знания их положения или произвольной настройки. Хотя текущее исследование сосредоточено на идеальных газах и невязких течениях, подход указывает путь к более надёжным физически обоснованным нейронным моделям для более сложных ситуаций — например вязких течений, неидеальных газов и сред с пылевыми включениями.

Цитирование: Mizuno, Y., Misaka, T. & Furukawa, Y. Physics-informed neural network modeling of shock waves by appropriately incorporating equation of state. Sci Rep 16, 4957 (2026). https://doi.org/10.1038/s41598-026-35369-w

Ключевые слова: физически-информированные нейронные сети, ударные волны, сжимаемая струя, уравнение состояния, научное машинное обучение