研究模拟可压缩多介质流的机器学习建模方法, 利用神经网络实现多介质Riemann解的回归预测。为使训练结果更加符合流动物理, 根据流场间断关系构建神经网络额外的物理约束层。建立神经网络代理模型, 应用于实用虚拟流体方法(PGFM)。通过各种典型的一维与二维多介质流动问题, 对不同规模神经网络训练得到的代理模型进行数值验证。研究发现: 嵌入物理约束后, 神经网络模型的结果更符合真实情况, 而且较简单的神经网络模型即可满足计算需求。机器学习建模方法具有较高的计算精度和计算效率, 具备发展潜力。
