基于物理信息神经网络增强的氢气竖炉气固耦合建模方法

本发明提出了一种基于物理信息神经网络增强的氢气竖炉气固耦合建模方法。针对气相运动建模所需的NS方程求解部分，使用Neural ODE在氢气竖炉大量历史数据基础的上增强SST k‑ω湍流模型的混合函数部分，提高SST k‑ω湍流模型在炉内不同区域的求解精度；针对固相运动建模部分，使用离散单元法（Discrete Element Method，DEM）计算固体颗粒间受力并使用牛顿定律建模固体颗粒的运动方程；针对耦合建模部分，基于曳力模型将固相运动方程和气相运动方程实现耦合。本发明利用PINN的复杂拟合能力，使得我们能够更为精准的在不同区域之间进行湍流模型的切换，进而针对氢气竖炉内部气固耦合运动建模能取得更为精准结果。