何晶津, 卢长娜, 缪玉星
本文提出了一种基于卷积神经网络(CNN)的WENO格式,旨在通过机器学习技术优化WENO格式中的非线性权重,从而提高数值模拟的精度和鲁棒性,记为WENO-CNN.传统的WENO-JS格式通过加权组合不同的重构多项式来处理间断问题,为了使权重适应各种流动情况,WENO-CNN在指示的坏单元处采用卷积神经网络来预测权重,使其能够根据流场的特征动态调整权重,提高了数值模拟在强间断和复杂流动中的表现.本文建立了符合流场问题的卷积神经网络架构,结合残差层进行跳跃连接,同时设计了能够反映流场流动特征的输入层,采用ReLU激活函数、自定义的损失函数和Adam优化器进行训练.通过测试欧拉方程的五个经典算例,实验结果表明,WENO-CNN格式在多个典型的激波和间断问题中,更能精确地捕捉激波的细节,并在平滑区域保持较好的稳定性,有效地抑制了数值震荡.