基于物理信息神经网络的短间隙流注放电模拟

• 作者: 彭长志 董旭柱 阮江军 裴学凯 张琛 邓永清
• 来源期刊: 高压电器
• 关键词: 流注放电 物理信息神经网络 DeepONet算子 深度学习
• 年，卷（期）: 2024,（9）
• 所属期刊栏目: 气固绝缘沿面放电先进仿真技术
• 页码范围: 90-97
• 页数: 8页
• 语种: 中文
• DOI: 10.13296/j.1001-1609.hva.2023.09.011

摘要

流注放电物理过程可由相互耦合的泊松方程和对流扩散方程描述，是涉及电磁学和流体动力学的多物理场问题。针对瞬态流注放电计算量大的问题，本研究提出了一种基于物理信息融合神经网络的流注放电高效求解模型，该模型相对传统的数值求解算法可大幅提高模型的求解效率。首先，基于二维泊松方程的解析解形式，获取了大量二维随机分布空间电荷的电场分布。利用电荷分布与电场分布的对应关系，作为泊松算子物理神经网络的训练集，得到预训练的泊松方程神经网络求解算子。随后，基于二维有限元求解器获取了不同边界条件下考虑等离子体化学反应的粒子对流—扩散的求解结果，将其作为用于预训练对流扩散物理信息神经网络的训练集。最后，将预训练的泊松算子和流体算子进行连接，得到流注放电求解模型。本研究中用于生成预训练模型的神经网络结构为DeepONet，该网络能够良好的学习偏微分方程。它包含两层子网络，其中分枝网络用于输入物理场，主网络用于输入几何的空间位置。模拟结果表明，该神经网络在两类方程的学习中精度较高，相对误差小于5%。通过将两个预训练的神经网络算子迭代求解，可以复现流注放电的电子动态演变过程，且相对误差小于10%。