Фізично обґрунтовані нейронні мережі (PINN) є потужним підходом у машинному навчанні, що дозволяє розв’язувати прямі, обернені задачі та задачі ідентифікації, пов’язані з моделями, що описуються дробовими диференціальними рівняннями, за рахунок включення залишків операторних рівнянь, граничних та початкових умов в цільову функцію під час навчання.
It is proposed to refine the calculation of Nusselt numbers by considering the mass transfer coefficient in the evaporation zone, which is significantly larger than the molecular mass transfer coefficient of vapour. This refinement aims to address the discrepancy between the elevated Nusselt criteria observed during drying and the criteria determined by the thickness of the boundary layer, which provides more accurate results.
Запропоновано фракційну нейронну мережу з адаптивним темпом навчання для моделювання динаміки неізотермічного тепло- та масоперенесення в капілярно-пористих матеріалах з урахуванням ефекту пам’яті та просторової нелокальності. Використано архітектуру нейронної мережі з роз’єднаною структурою, яка базується на функціях втрат, що враховують фізичні особливості досліджуваного процесу. Для навчання мережі використано поетапний підхід, що дозволяє зменшити чутливість до помилок та збоїв.