一种基于新型神经网络的符号化方法,用于处理具有表面张力的浅水波
Oswaldo González-Gaxiola,
Milisha Hart-Simmons,
Husham M. Ahmed,
Anjan Biswas
《Fluids》:A Novel Neural Network-Based Symbolic Approach for Shallow-Water Waves with Surface Tension
Oswaldo González-Gaxiola,
Milisha Hart-Simmons,
Husham M. Ahmed and
Anjan Biswas
【字体:
大
中
小
】
时间:2026年04月16日
来源:Fluids 1.8
编辑推荐:
摘要 本文研究了六阶广义布辛涅斯克方程,该方程描述了浅水波的动力学行为,包括表面张力的影响。研究首次引入了库德里亚绍夫R函数神经网络方法,旨在为表示六阶广义布辛涅斯克方程数学模型的非线性微分方程提供精确解。这种技术将非线性微分方程的解融入神经网络,并将其作
摘要 本文研究了六阶广义布辛涅斯克方程,该方程描述了浅水波的动力学行为,包括表面张力的影响。研究首次引入了库德里亚绍夫R函数神经网络方法,旨在为表示六阶广义布辛涅斯克方程数学模型的非线性微分方程提供精确解。这种技术将非线性微分方程的解融入神经网络,并将其作为隐藏层中的激活函数使用。与之前关于该主题的研究一致,推导出了两类解:孤立波解和冲击波解。此外,本文还包含了3D和2D图形,以直观展示所得到的解。关键词:神经网络;符号计算;布辛涅斯克方程;库德里亚绍夫R函数 1. 引言非线性演化方程(NLEEs)是捕捉复杂系统动态行为的重要工具,包括物理学、生物学、化学、流体力学和非线性光学等领域中的系统。寻找非线性偏微分方程的精确解对于理解这些物理过程至关重要,因此吸引了众多研究人员的关注。在过去的几十年里,已经建立并完善了许多分析技术,包括试探方程方法[1,2]、B?cklund变换[3,4,5]、Riccati–Bernoulli子ODE方法[6,7]、Jacobi椭圆函数展开方法[8]、tanh函数展开及其各种扩展[9,10]、F展开方法[11,12]、exp函数方法[13]、分解方法[14]以及库德里亚绍夫的方法[15,16,17,18,19,20,21]。这些技术在推导解方面证明了其价值,这些解不仅在数学上优雅,而且对各个领域的实际应用也非常相关。随着研究人员继续探索这些技术,发现新解并加深对复杂系统理解的潜力依然强劲。尽管付出了巨大努力,但目前尚未建立一种能够解决所有类别NLEEs的通用技术。研究人员继续探索各种专门方法,希望能够找到适用于更广泛应用的策略。非线性偏微分方程的复杂性继续构成重大挑战,考验着数学和计算技术的极限。人工智能(AI)的出现使得深度学习在科学和技术的各个领域得到了广泛应用。深度学习几乎被应用于每一个物理学分支,用于分析海量数据、模拟复杂系统,甚至发现新的模式[22,23,24,25,26,27]。神经网络(NNs)可以学习解决描述物理系统(如流体动力学、热传递或量子力学)的困难偏微分方程(PDEs)。此外,使用物理信息神经网络(PINNs)来解决PDEs也引起了人们的广泛兴趣[28,29,30,31,32]。最近的研究[33,34,35,36,37,38]引入了基于神经网络的分析方法来处理NLEEs。所提出的方法被称为基于NN的符号方法,主要涉及在神经网络的第一隐藏层中使用NN结合各种类型的激活函数。本研究提出了一种基于NN的符号方法,通过将库德里亚绍夫R函数方法集成到神经网络架构中来解决广义布辛涅斯克方程。所建议策略的基本思想是在NN的隐藏层使用库德里亚绍夫R函数作为激活函数。与PINNs相比,这些方法得出的解析解是精确的,不受计算误差影响,也不需要长时间训练。因此,这些基于NN的符号方法可以在不需要数据样本的情况下提供精确的方程解,从而降低了计算成本。我们讨论的方法与我们提出的方法的主要区别在于符号神经组件的相互作用。在我们的方法中,这种相互作用特征是R函数及其一些代数变体。本文的其余部分结构如下:第2节概述了手稿中提出的方法论,特别关注2-3-1和2-2-2-1 NN架构。第3节介绍了考虑表面张力影响的六阶布辛涅斯克方程的数学模型。第4节应用所提出的方法来推导六阶布辛涅斯克方程的精确解,使用了两种NN架构。第5节提供了应用所提方法获得结果的图形表示。最后,在第7节中,我们讨论了从整个研究中得出的结论。2. 方法论和算法在本节中,我们介绍了用于推导非线性偏微分方程解的库德里亚绍夫R函数神经网络方法(KRFNNM)的基本概念。我们将研究以下以符号形式表示的非线性偏微分方程的一般形式: ???(???(??,??))+???(???(??,??))=0, (1) 其中 ???(??,??) 表示因变量,x和t表示自变量。此外,在方程(1)中,L包含方程的所有线性项,而N表示非线性项的集合。该方法利用神经网络输出作为试探函数来推导非线性偏微分方程的解析解。我们首先通过应用试探函数将非线性微分方程转换为可解的非线性代数方程组。接下来,我们通过解决这个非线性代数方程组来确定神经网络的适当权重和偏置。为了计算非线性微分方程的解 ???(??,??),我们在神经网络的前馈计算中使用了两种特定模型:第一个模型有一个包含三个神经元的隐藏层,如图1所示;第二个模型有两个隐藏层,每个隐藏层有两个神经元,如图2所示。图1. 单隐藏层网络:2-3-1 NN架构。图2. 双隐藏层网络:2-2-2-1 NN架构。上述模型之间的数学关系可以表述如下:模型I: {????=??????????+??????????+????,??=1,2,3???(??,??)=??1??????1?(??1)+??2??????2?(??2)+??3??????3?(??3)+??4. (2) 在这里,??????? 表示将输入x连接到隐藏层中第i个神经元的权重,而 ??????? 表示将输入t连接到相同的第i个神经元的权重。此外,??????? 表示将隐藏层中的每个神经元连接到测试函数u(?? =1,2,3)的权重;最终,每个 ???? 表示偏置。模型II: ?{ {?{ {?????=??????????+??????????+????,??=1,2????=??1??????1?(??1)+??2??????2?(??2)+????,??=3,4???(??,??)=??3??????3?(??3)+??4??????4?(??4)+??5. (3) 在这里,??????? 表示将输入x连接到第一个隐藏层中第i个神经元的权重,而 ??????? 表示将输入t连接到相同的第i个神经元的权重。连接权重 ??1??? 和 ??2???(其中 ?? =3,4)是第一个隐藏层中的第一个和第二个神经元与第二个隐藏层中的第三和第四个神经元之间的连接权重。此外,??????? 表示将第二个隐藏层中的每个神经元连接到测试函数u(?? =1,2,3)的权重;最终,每个 ???? 表示偏置。在所提出的技术中,建议在第一个隐藏层中使用激活函数 ???? 为 ???( ·) 的代数幂,其中R函数 ???( ·) 定义为 ???(??)=1??1????????+??2?????????, (4) 其中 ??1、??2 和 ?? 是该函数的参数。函数R是微分方程 (??′)2=?????2?(1?4???1???2???2) 的解。[15]。R函数最初由N. A. Kudryashov引入,作为解决非线性微分方程方法的关键元素。R函数已成为研究动态系统及其行为的重要工具[16,17,18,19]。该函数具有几个特性[20,21],其中最重要的是它的所有高阶(偶数)导数都可以用R的多项式表示。然而,它的高阶(奇数)导数是R和????的多项式函数。此外,lim??→±∞????(??)=0, (6) 这在我们寻找孤立波时特别方便。所提出的方法将神经网络模型与库德里亚绍夫R函数方法结合在一起。通过将库德里亚绍夫R函数集成到神经网络中,神经网络初始隐藏层的激活函数可以表示为库德里亚绍夫R函数。这种集成有助于推导出更多且更精确的非线性偏微分方程解。基于神经网络的符号计算方法的算法通过以下步骤系统地开发:步骤1:通过选择图1和图2中所示的方案之一来构建神经网络模型。步骤2:神经网络使用R函数(作为方程(5)的解)及其一些代数幂作为第一隐藏层中的激活函数 ????。步骤3:通过将方程(2)或方程(3)中指定的试探函数代入方程(1)中的NLEE,得到一个非线性代数方程。步骤4:通过合并代数方程中的同类项、提取系数并将所有系数设为零,我们得到了一个欠定的非线性代数方程组。需要仔细分析这个系统以识别潜在的解。步骤5:使用符号计算软件计算得到的非线性代数方程组。此类软件的例子包括Mathematica或Maple。步骤6:将获得的权重和偏置以及方程(4)中 ?????(·) 的特定形式代入方程(2)或方程(3)中的NN模型,从而得到方程(1)的解析解。图3中的图表展示了所提方法算法将实施的六个阶段。表1中列出了在[33,34,35,36,37,38]中描述的基于NN的符号方法中使用的激活函数的一般形式。通过将此表中列出的激活函数与方程(4)中提供的R函数进行比较,我们发现R函数是一种合适的激活函数,因为它具有可微性、几何形状和代数可操作性。因此,KRFNNM在获得具有类似于R函数数学特性的解方面在基于NN的符号方法中具有竞争力。表1. 在[33,34,35,36,37,38]中描述的基于NN的符号方法中使用的激活函数。3. 六阶布辛涅斯克方程在本文中,我们将应用所提出的方法来获得六阶布辛涅斯克方程(6BE)的解,同时考虑表面张力的影响,其无量纲形式如下: ??????????2????????+???(??2???)?????+??1??????????????+??2??????????????+??1??????????????+??2??????????????=0. (7) 自变量包括空间变量x和时间变量t。表示波结构的因变量表示为 ???(??,??)。波算子由前两项表示,k代表波数。参数m表示一般幂律参数,而非线性系数由c表示。这个参数赋予了模型一个广义特性。原始模型还建立了受????影响的四阶色散参数与Navier–Stokes方程之间的联系。表面张力的影响贡献给了????的系数。这种联系说明了流体动力学和波动行为之间的关系,有助于更好地理解不同介质中的波传播。此外,探索这些关系可能会在工程和科学领域的预测建模及其应用中取得进展。6BE是根据2006年的基本原理构建的[39]。它描述了浅水表面小振幅长毛细-重力波的双向传播。当流动被墙壁限制时,双向传播是一个明显的例子。在三阶KdV方程或其五阶推广中无法分析墙壁反射。然而,6BE提供了这种挑战的解决方案,使得这种研究成为可能;更多细节见[39]。2023年,使用该模型进行了多项分析研究,包括推导孤立波和冲击波的解析形式,以及恢复守恒定律[40,41]。这项研究首次使用明确定义的神经网络架构全面分析了浅水波,包括表面张力的影响。6BE被用于各种数学模型中的实际应用,包括分析非线性原子链中的振动[42]、解决特定微观结构问题[43],以及检查浅层流体中的无粘流动力学[44]。这些应用展示了6BE的多样性,为各种科学领域中的复杂过程提供了洞察。在接下来的部分中,我们将描述实施所建议方法所需的步骤,并最终使用它来获得6BE的解。4.**采用建议的方法解决6BE问题**
本节将重点讨论如何应用前一节中讨论的技术来求解方程(7)中描述的6BE模型的解。所有符号计算均使用Mathematica-Wolfram版本14.2软件完成。这些模拟得出的结果将用于分析该技术的有效性。
4.1. 使用Model-I求解
为了求解方程(7)中的6BE问题,我们将使用方程(2)中所述的数学框架,该框架详细介绍了图1所示的2-3-1神经网络的结构。该神经网络在输入层有两个神经元,代表独立变量x和t;在隐藏层有三个神经元,分别标记为??1?(??1)、??2?(??2)和??3?(??3),它们代表激活函数。输出层将结合隐藏层神经元的激活值以生成最终结果。这种架构能够有效模拟输入变量之间的复杂关系。网络通过训练调整权重和偏置来学习根据输入数据准确预测结果。
**使用KRFNNM求解**
为了使用KRFNNM,我们将根据2-3-1神经网络的结构选择??1、??2和??3,例如以下三种情况:
**案例1.1:**我们选择??1?(??1) =(??1)、??2?(??2) =???(??2)和??3?(??3),则方程(2)表示为:
\[
{???(??,??)=??1????(??1)+??2???????(??2)+??3??????2?(??3)+??4,????=??????????+??????????+????,??=1,2,3.
\]
由此得出的神经网络框架下的测试函数为:
\[
???(??,??)=??1????(??1+????????1+????????1)+??2???????(??2+????????2+????????2)+??3??????2?(??3+????????3+????????3)+??4.
\]
将方程(9)代入方程(7)并注意到对于孤立波,我们必须使用?? =5/2 [40,41],通过KRFNNM可以得到以下系数解:
\[
\{
\{
\{
\{
\{
\{
\{
\{
\{\{
\{
\{\{
\{\
??1=??1,??2=??2,??1=??1,??2=??2,??=??,??1=3??????2?1,??2=?2???1???4???2+??2???2???1???2???22???2???2,??3=3???2???2???1???3,??4=3???1???2,??1???=5??????2,??2???=??3???=?2???3???2??2???3,?????1=0,?????1=0,?????2=0,?????3=0,
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\}
\]
将系数、偏置和其他参数从集合(10)代回方程(9)给出的解析测试函数中,我们可以得到在这些约束下的精确解集:
\[
??1.1?(??,??)=5??????2?(?????2?1+?????1???)?2???2???2??2???3????(??2)?2???2???2??2???3???2?(??3)+4???1???2,
\]
其中函数R在方程(4)中定义。
通过将R、??′、??′′等的系数设为零得到的代数系统见附录A。
方程(11)中给出的函数可以通过符号方法验证为方程(7)的解;详细信息见附录B。
**案例1.2:**我们选择??1?(??1) =???(??1)、??2?(??2) =???(??2)和??3?(??3) =???(??3),将其代入方程(2)得到神经网络架构下的测试函数:
\[
???(??,??)=??1????(??1+????????1+????????1)+??2???????(??2+????????2+????????2)+??3???????(??3+????????3+????????3)+??4.
\]
将方程(12)代入方程(7)并注意到对于孤立波,我们必须使用?? =3/4 [40,41],通过KRFNNM可以得到以下系数解:
\[
\{
\{
\{
\{
\{
\{
\{
\{\{
\{
\{
\{\{
\{\{
\{\
??1=??1,??2=??2,??1=??1,??2=??1,??1=?2??????1??????3??????2,??2=??2???2+??2???2?13??????1???2,??=??,??3=?????2+2???1???2???,??4=0,??1???=2???1+?????3???+??,??2???=??3???=6??????3?????1???1,?????1=2???1,?????2=??1???34,?????3=??1???22,
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\}
\},
\}
\]
将系数、偏置和其他参数从集合(13)代回方程(12)给出的解析测试函数中,我们可以得到在这些约束下的精确解集:
\[
??1.2?(??,??)=(2???1+?????3???+??)????(??1)+6??????3?????1???1????(??2)+6??????3?????1???1????(??3),
\]
其中函数R在方程(4)中定义。
**案例1.3:**我们选择??1?(??1) =(??1)、??2?(??2) =???1?(??2)和??3?(??3) =??2?(??3),将其代入方程(2)得到神经网络架构下的测试函数:
\[
???(??,??)=??1????(??1+????????1+????????1)+??2???????1?(??2+????????2+????????2)+??3??????2?(??3+????????3+????????3)+??4.
\]
将方程(15)代入方程(7)并注意到对于冲击波或尖峰型孤子,我们必须使用?? =3/2 [40,41],通过KRFNNM可以得到以下系数解:
\[
\{
\{
\{
\{
\{
\{
\{\{
\{
\{\{
\{\
??1=??1,??2=??2,??1=??1,??2=???1???1,??1=??2+?????3??????2,??2=??21+2??????2??????1,??3=??2???+4??????2,??4=2???1,??1???=±2???3???=??2???,??3???=??2???2???1???4,?????1=4???,?????2=??1???3???,?????3=??2???,?????1=0,?????2=1??1,?????3=32???3???,
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\},
\}
\}
\]
将系数、偏置和其他参数从集合(16)代回方程(15)给出的解析测试函数中,我们可以得到在这些约束下的精确解集:
\[
??1.3?(??,??)=±2???????(??2+??3?????????2+4??????)+??2???????1?(??2)+??2???2???1???4???2?(??3),
\]
其中函数R在方程(4)中定义。
4.2. 使用Model-II求解
为了求解方程(7)中的6BE问题,我们将使用方程(3)中所述的数学框架,该框架详细介绍了图2所示的2-2-2-1神经网络的结构。该神经网络在输入层有两个神经元,代表独立变量x和t;在第一个隐藏层有两个神经元,分别标记为??1?(??1)和??2?(??2),它们代表激活函数;在第二个隐藏层有两个神经元,分别为??3?(??3)和??4?(??4)。输出层将结合第一个隐藏层和第二个隐藏层的神经元激活值以获得最终结果。
**使用KRFNNM求解**
为了使用KRFNNM,我们将根据2-2-2-1神经网络的结构选择??1、??2、??3和??4,例如以下三种情况:
**案例2.1:**我们选择??1?(??1) =???(??1)、??2?(??2) =???(??2)、??3?(??3) =(??3)和??4?(??4),则方程(3)表示为:
\[
\{
\{
\{\{\{\{\{\{\{\{\{\{\{\{\{\{\nell{\n{\
????=??????????+??????????+????,??=1,2\
????=??1???????(??1)+??2???????(??2)+????,??=3,4\
???(??,??)=??3????(??3)+??4????(??4)+??5.
\}
\}
\]
第一个隐藏层有两个神经元,每个神经元使用Kudryashov的R函数作为激活函数。因此,从2-2-2-1神经网络架构得到的测试函数为:
\[
???(??,??)=??3????(??13????(?????1???+?????1???+??1)+??23????(?????2???+?????2???+??2)+??3)+??4????(??14????(?????1???+?????1???+??1)+??24????(?????2???+?????2???+??2)+??4)+??5.
\]
将方程(19)代入方程(7)并注意到对于孤立波,我们必须使用?? =3/4 [40,41],通过KRFNNM可以得到以下系数解:
\[
\{
\{
\{
\{
\{
\{
\{
\{
\{\{
\{\{
\{\
??1=??1,??2=??2,??1=??1,??2=??2,??1=??13??????2+??3???,??2=??1???32???图9. (a) 方程(27)中建模的孤立波的三维表示;(b) 包括参数??1 =3.3, ??2 =1.7, ??1 =1.2, ??2 =?3.5, ?? =8.5, ?? =?6.5, 和 ?? =5/2时的演化密度的二维示意图。6. 结果讨论在本节中,我们将分析方程(7)中系数取值对所得解动力学的影响。此外,我们还将探讨在实施所提出的方法时出现的主要约束如何影响这些动力学。图4基于表2中案例1.1指定的参数,提供了从方程(11)得到的解的视觉表示。该案例表明,当色散和表面张力符号相同时,波面的振幅较低。权重?????2、?????1和?????2调节孤子脉冲宽度的时间缩放。约束?????3 =3?????2与表面张力系数??2的反比关系直接影响传播速度,并且直接依赖于非线性系数c。另外,约束?????3 =??1???21对波的色散轴有轻微影响,该影响与色散系数??1和表面张力系数??1的乘积成正比。此外,波的振幅还受到约束?? =3???1 ??????的影响。图5基于表2中案例1.2指定的参数,提供了从方程(14)得到的解的视觉表示。该案例表明,表面张力参数的符号变化会导致波的振幅显著增加。权重?????1控制孤子脉冲宽度的时间缩放,而表面张力参数??1和??2影响波高。权重?????2 =??1???3/4和?????3 =??1???22的约束分别直接影响波轴的倾斜度,这与色散和表面张力系数成正比。此外,约束?? =3??????1???1表明波的振幅直接受到表面张力系数??1的影响。最后,约束?????3 =??2?????2表明传播速度与??2和c成反比减小。图6基于表2中案例1.3指定的参数,展示了由方程(17)得到的解对应的冲击波类型。可以观察到冲击波与周围介质相互作用时产生的不同压力和密度变化。该案例展示了非线性功率如何影响波形。权重?????2和c的值决定了冲击波的弯曲形状。同时,表面张力参数??1和??2影响波高。权重?????1 =4???和?????3 =??2???的约束直接影响波轴的斜率,这与波数成正比;此外,约束?????2 =??1???3???也影响演化轴,这与表面张力参数??1的系数成正比。约束?????2 =1??1使演化速度与色散系数??1成反比减小。最后,通过权重?????3和??3???的约束,波速受表面张力系数??2的倒数影响。图7基于表3中案例2.1指定的参数,展示了由方程(21)得到的解对应的孤立波类型。表面张力和色散参数的选择使得波随时间向右传播,同时保持较大的振幅。权重??4???和??13,结合??1和??2的符号,决定了波的振幅。同时,表面张力参数??1和??2控制波高。约束?????1 =??1???2??2?????????2直接控制演化线的倾斜度,这与色散和表面张力系数??1和??1成正比。此外,约束?????2 =??1???4??? ?2表明色散速度与表面张力系数??1成正比。图8基于表3中案例2.2指定的参数,展示了由方程(24)得到的解对应的冲击波类型。由于选择了适当的非线性功率,这些波表现为稳定的孤立解,并在无穷远处收敛到恒定值。参数?????1以及k和c的值决定了冲击波的弯曲形状。此外,表面张力参数??1和??2影响波高。波轴的斜率由约束?????2 =?????1???241???4???3决定,表明它与色散系数??1和非线性系数c成正比。约束?????1 =(?????2???1)3/2和?????2 =??1???2??????1决定了波的色散速度,这与色散系数??1和表面张力系数??2成正比。图9基于表3中案例2.3指定的参数,展示了由方程(27)得到的解对应的孤立波类型。所选择的表面张力和色散参数使得波随时间向右传播,同时保持较低的振幅。权重?????2和??14,结合??1和??2的符号,决定了波的振幅。同时,表面张力参数??1和??2控制波高。限制?????1 =6??????2 ?1影响波的发育轴,这与时空色散系数??2和表面张力系数??1成正比。此外,关系式?????1 =??2???13?????2和?????2 =3???2???1表明波速与??2和??1成正比,而与非线性系数c和表面张力系数??2成反比。7. 结论在这项研究中,我们提出了一种基于神经网络(NN)的符号方法,用于获得非线性微分方程(NLEEs)的精确符号解析解。该技术的关键点在于NN架构第一隐藏层中激活函数的选择。所提出的技术不依赖于行波变换,也不需要初始或边界条件。相反,它将非线性方程的解作为激活函数集成到NN的结构中。此外,作为该方法的应用,我们分析了描述考虑表面张力效应的浅水波动力学的六阶广义Boussinesq方程,并获得了一系列精确解,从而证明了该方法的有效性和精确性。未来的研究可能会致力于改进该方法,探索其在更复杂方程中的应用,并可能将其与先进技术集成以扩展其功能。此外,我们可以通过使用“2-3-2-1”、“2-2-3-1”和“2-4-3-2-1”之类的配置来增强神经网络模型,以提高KRFNNM的容量,或者利用“3-2-2-1”和“3-2-3-1”之类的模型来加深神经网络架构。这些改进可能会显著提高预测准确性和整体性能。因此,该方法在光纤中的孤子动力学、金融和工程等领域中的潜在应用可能会变得更加稳健和多用途。作者贡献概念化、撰写—原始草稿准备和方法论:O.G.-G.;项目管理和监督:A.B.;软件和调查:M.H.-S. 和 H.M.A. 所有作者均已阅读并同意发布的稿件版本。