用 PINN 算功能梯度材料热传导:从轮毂到"熊猫"的一次 MATLAB 复现
功能梯度材料的热导率随位置变化,控制方程里的 (k) 不能随便提到散度外面。有限元当然能算,但变系数单元、复杂孔洞和材料界面都要花时间处理。PINN 换了个思路:把控制方程残差直接写进损失函数,用自动微分求导,用配点代替网格。
这篇内容来自一次完整的 MATLAB 复现,不是概念介绍。文中的误差、耗时和图片都来自本地实际运行,代码、模型和 21 张结果图都保留在项目输出目录里。
一、研究背景
功能梯度材料(Functionally Graded Material,FGM)通过空间上的成分过渡,让热导率、弹性模量等物性连续变化。航空航天、化工装备和电子封装里都能见到这类材料。热分析时,热导率 (k(x,y)) 进入控制方程,离散格式要额外处理材料梯度项;遇到多材料界面,还要处理温度连续和热流条件。
传统有限差分、有限元和边界元方法依赖网格和前处理。几何一复杂,网格划分和界面协调就会占用大量时间。PINN 用神经网络表示温度场,把方程残差、边界条件和初始条件写成损失项,训练过程不需要划分网格。它的精度和收敛性仍有争议,但在复杂几何、多材料、逆问题和快速原型阶段有实际价值。
本文复现的对象是:
余波, 许梦强, 高强. 基于物理信息神经网络的功能梯度材料稳态/瞬态热传导分析J. 计算力学学报, 2023, 40(4): 594-601. DOI: 10.7511/jslx20211229002.
原论文讨论了 PINN 及域分解形式 XPINN 在稳态、瞬态 FGM 热传导中的适用性,并比较了不同网络结构。复现代码保留了论文的两个典型算例:轮毂瞬态问题和"熊猫"稳态多材料问题。
二、两个算例
2.1 轮毂瞬态热传导
轮毂几何用参数化方式近似重建:外圆半径 100,中心孔半径 12,轨道半径 60 上均匀分布 6 个半径 20 的孔。坐标原点取轮心,孔洞之外、外圆之内为材料域。
材料属性和制造解为:
text
k(x,y) = (x^2+y^2)/100 + 10
Q(x,y,t) = (x^2+y^2)/100 - (x^2+y^2)t/1250 - 0.4t
T_exact = 100 + (x^2+y^2)t/100
时间区间取 (t\in0,1)。外圆施加 Dirichlet 温度边界,孔壁施加 Neumann 热流边界,初始温度 (T=100)。训练时域内点取 (t=0.1,0.2,\dots,1.0) 共 10 个时间切片,初始条件单独在 (t=0) 施加。
这里有一个容易写错的地方:孔边界的外法线指向孔内,不是径向向外。代码对每个孔单独取外法线,热流目标由制造解的外法线方向导数计算,没有把论文里的正径向表达式直接套到所有偏心孔上。
2.2 "熊猫"稳态多材料问题
"熊猫"几何由椭圆和多边形布尔运算拼成,轮廓包含头部、身体、耳朵、四肢和五官。计算域被划分成三个互不重叠的材料子域:
text
子域 1:k = 2x + 1
子域 2:k = x + 2y + 1
子域 3:k = 3y + 2
制造解:T = exp(y/4) + x^2 + 1
注意式中数字 1、2、3 是子域编号,不是幂次。热源 (Q) 由制造解代回控制方程得到,对应论文式 (21)。这个算例没有时间项,属于稳态问题,主要用来观察单网络 PINN 与三子域 XPINN 在材料界面附近的差异。
三、控制方程与损失函数
3.1 控制方程
二维功能梯度材料瞬态热传导方程为:
∂∂x(k∂T∂x)+∂∂y(k∂T∂y)+Q=ρc∂T∂t \frac{\partial}{\partial x}\left(k\frac{\partial T}{\partial x}\right) +\frac{\partial}{\partial y}\left(k\frac{\partial T}{\partial y}\right) +Q=\rho c\frac{\partial T}{\partial t} ∂x∂(k∂x∂T)+∂y∂(k∂y∂T)+Q=ρc∂t∂T
稳态问题去掉右端时间项。把散度项展开:
k(∂2T∂x2+∂2T∂y2)+∂k∂x∂T∂x+∂k∂y∂T∂y+Q=ρc∂T∂t k\left(\frac{\partial^2 T}{\partial x^2}+\frac{\partial^2 T}{\partial y^2}\right) +\frac{\partial k}{\partial x}\frac{\partial T}{\partial x} +\frac{\partial k}{\partial y}\frac{\partial T}{\partial y} +Q=\rho c\frac{\partial T}{\partial t} k(∂x2∂2T+∂y2∂2T)+∂x∂k∂x∂T+∂y∂k∂y∂T+Q=ρc∂t∂T
第二、三项就是材料梯度项。复现代码没有直接写 (k\nabla^2T),而是先算热流分量 (q_x=kT_x)、(q_y=kT_y),再对热流求散度。这样做的好处是材料梯度项自动包含在计算图里,不需要手工推导展开式。
代码中的残差写成:
F=∂∂x(k∂T∂x)+∂∂y(k∂T∂y)+Q−ρc∂T∂t F=\frac{\partial}{\partial x}\left(k\frac{\partial T}{\partial x}\right) +\frac{\partial}{\partial y}\left(k\frac{\partial T}{\partial y}\right) +Q-\rho c\frac{\partial T}{\partial t} F=∂x∂(k∂x∂T)+∂y∂(k∂y∂T)+Q−ρc∂t∂T
两个制造解都取 (\rho c=1)。验证函数会把解析解代回 (F),实际最大残差为 (1.137\times10^{-13}),说明制造解、热源和材料参数三者是对齐的。
3.2 网络输出与坐标归一化
网络内部先做坐标归一化,再映射回物理温度。轮毂算例:
T(x,y,t)=100+100 N(x100,y100,2t−1) T(x,y,t)=100+100\,N\left(\frac{x}{100},\frac{y}{100},2t-1\right) T(x,y,t)=100+100N(100x,100y,2t−1)
熊猫算例:
T(x,y)=200+200 N(x−12.58.5,y−117) T(x,y)=200+200\,N\left(\frac{x-12.5}{8.5},\frac{y-11}{7}\right) T(x,y)=200+200N(8.5x−12.5,7y−11)
归一化不是装饰。物理坐标的量级从几十到上百,直接输入网络会让各方向梯度差异很大;映射到 (-1,1) 附近后,自动微分得到的导数尺度更稳定。因为整个映射写在计算图里,链式求导不会丢掉 (1/100) 或 (1/8.5) 这类尺度因子。
3.3 激活函数
轮毂和熊猫 PINN 使用余弦激活:
σ(z)=cos(20az) \sigma(z)=\cos(20az) σ(z)=cos(20az)
XPINN 的每层使用可训练斜率 (a),初始值 (a_0=0.05),此时 (20a_0=1)。余弦激活的导数有界,适合表示带振荡或局部变化的场;可训练斜率让网络自己调整频率尺度。代码里用 AdaptiveCosineLayer 把 (a) 注册成可学习参数,梯度和其他权重一起反传。
3.4 损失函数
总损失由边界、热流边界、方程残差、初始条件、界面温度和界面残差六部分组成:
L=Lb+Lq+Lf+L0+LΓT+LΓF \mathcal{L}=\mathcal{L}_b+\mathcal{L}_q+\mathcal{L}f+\mathcal{L}0+\mathcal{L}{\Gamma T}+\mathcal{L}{\Gamma F} L=Lb+Lq+Lf+L0+LΓT+LΓF
轮毂算例的归一化形式为:
Lb=1Nb∑(T−Tb100)2,Lq=1Nq∑(q−qb200)2 \mathcal{L}_b=\frac{1}{N_b}\sum\left(\frac{T-T_b}{100}\right)^2,\qquad \mathcal{L}_q=\frac{1}{N_q}\sum\left(\frac{q-q_b}{200}\right)^2 Lb=Nb1∑(100T−Tb)2,Lq=Nq1∑(200q−qb)2
Lf=1Nf∑(F100)2,L0=1N0∑(T−100100)2 \mathcal{L}_f=\frac{1}{N_f}\sum\left(\frac{F}{100}\right)^2,\qquad \mathcal{L}_0=\frac{1}{N_0}\sum\left(\frac{T-100}{100}\right)^2 Lf=Nf1∑(100F)2,L0=N01∑(100T−100)2
温度除以 100、热流除以 200、方程残差除以 100,目的是让各项量级接近。温度有 100 K 的背景值,如果不归一化,边界项很容易被大数主导,方程残差学不动。
熊猫算例使用论文给出的权重矩阵,每一行对应一个子域,五列依次是外边界、热流边界、方程、界面温度、界面残差:
text
[20 0 20 20 1]
[20 0 1 20 1]
[ 0 0 1 20 1]
单 PINN 的外边界权重为 20,三个子域的方程项权重为 1。XPINN 的三个子域方程权重分别为 20、1、1。
3.5 XPINN 的界面项
XPINN 把计算域拆成三个子网络,每个子网络负责一个材料子域。界面上的温度项约束两侧预测接近:
LΓT=∑p=23(w1T+wpT) (T1−Tp400)2‾ \mathcal{L}{\Gamma T}=\sum{p=2}^{3}(w_{1T}+w_{pT})\, \overline{\left(\frac{T_1-T_p}{400}\right)^2} LΓT=p=2∑3(w1T+wpT)(400T1−Tp)2
残差一致性项约束两侧控制方程残差接近:
LΓF=∑p=23(w1F+wpF) (F1−Fp100)2‾ \mathcal{L}{\Gamma F}=\sum{p=2}^{3}(w_{1F}+w_{pF})\, \overline{\left(\frac{F_1-F_p}{100}\right)^2} LΓF=p=2∑3(w1F+wpF)(100F1−Fp)2
代码按论文只施加温度连续和残差一致,没有额外加"界面零热流跳跃"。原因很直接:给定全域制造解和跳变热导率,法向热流跳跃一般不为零,强行加零跳跃会和制造解冲突。界面最终温度取两侧平均值,原始双侧值也保存下来,方便审计。
3.6 评价指标
评价只在独立网格上进行,域内解析温度不参与训练。指标包括:
MRE=100⋅1N∑∣T−T∗∣∣T∗∣ \mathrm{MRE}=100\cdot\frac{1}{N}\sum\frac{|T-T^*|}{|T^*|} MRE=100⋅N1∑∣T∗∣∣T−T∗∣
RelL2=100⋅∥T−T∗∥2∥T∗∥2,RiseL2=100⋅∥T−T∗∥2∥T∗−100∥2 \mathrm{RelL2}=100\cdot\frac{\|T-T^*\|_2}{\|T^*\|_2},\qquad \mathrm{RiseL2}=100\cdot\frac{\|T-T^*\|_2}{\|T^*-100\|_2} RelL2=100⋅∥T∗∥2∥T−T∗∥2,RiseL2=100⋅∥T∗−100∥2∥T−T∗∥2
MRE 是平均相对误差,MaxRE 是最大相对误差,RMSE 是均方根误差,PDE_RMS 是物理单位下方程残差的均方根。轮毂问题额外报告温升相对 L2 误差,因为 100 K 的背景温度会把温升部分的偏差压低。
四、算法步骤
整个流程可以拆成七步:
-
几何参数化与区域分类。 轮毂用解析圆和孔洞判断点是否在材料内;"熊猫"用
polyshape做椭圆、多边形和布尔运算,再用isinterior给每个点打上材料编号。域外和孔洞编号为 0。 -
配点采样。 域内点用拒绝采样,在外包矩形内撒点并按材料编号筛选;外边界按弧长均匀采样;孔壁热流点按孔周长分配数量;材料界面点先在子域边界采样,再沿法线前后各偏移 (10^{-4}) 判断两侧材料,保留真正跨界的点。
-
批次组装。 轮毂把空间配点复制到 10 个时间切片;熊猫分别组装三个子域的域内点、外边界点和两组界面点。每次迭代随机抽取小批次,监控批次固定不变,用于选择最佳模型。
-
前向计算与自动微分。 输入物理坐标,网络内部归一化,输出温度。用
dlgradient求一阶导数,再对热流分量求一次导数得到散度。两次求导都开启EnableHigherDerivatives,保证二阶项在计算图中。 -
损失组装与归一化。 按算例计算边界、热流、方程、初始和界面项,乘对应权重后相加。损失函数用
dlaccelerate加速。 -
Adam 更新与模型选择。 学习率 (8\times10^{-4}),每 50 步在固定监控集上评估一次。监控损失低于历史最佳时保存当前网络,训练结束返回最佳模型,而不是最后一次迭代的模型。
-
独立评价与出图。 在 (141\times141) 网格上筛掉孔洞和域外点,预测温度、热流和方程残差,计算指标,导出 21 张 300 DPI PNG、CSV 指标和中文结果说明。
五、技术路线与代码结构
技术路线可以概括为:
text
参数化几何
↓
区域分类与配点采样(域内 / 外边界 / 孔壁热流 / 材料界面)
↓
坐标归一化 → 全连接网络 → 余弦激活
↓
自动微分求一阶、二阶导数
↓
物理残差 + 边界 + 初始 + 界面项 → 归一化加权损失
↓
Adam 迭代 → 固定监控集选最佳模型
↓
独立网格评价 → 误差指标 / 二维图 / 三维曲面 / 诊断图
代码采用"主程序 + 独立函数"的结构,不依赖基础工作区变量:
| 文件 | 作用 |
|---|---|
main.m |
模式选择、结果保存、调用训练与绘图 |
configuration.m |
集中配置,支持运行时覆盖参数 |
make_geometry.m |
轮毂与熊猫的参数化几何 |
region_labels.m |
判断点所属材料子域 |
sample_geometry.m |
域内、边界、热流和界面采样 |
sample_batch.m |
随机批次与固定监控批次 |
build_network.m |
全连接网络与余弦激活 |
AdaptiveCosineLayer.m |
可训练斜率的余弦激活层 |
model_temperature.m |
坐标归一化与温度输出 |
physical_fields.m |
材料参数、制造解和梯度 |
pde_residual.m |
散度形式控制方程残差 |
model_loss.m |
六类损失项与加权 |
train_model.m |
自定义训练循环与最佳模型保存 |
predict_fields.m |
分块预测温度、热流和残差 |
error_metrics.m |
MRE、最大相对误差、相对 L2、RMSE |
validate_physics.m |
制造解、法向、几何和求导验证 |
plot_results.m |
21 张二维、三维和诊断图 |
write_summary.m |
CSV 指标与中文结果说明 |
训练循环没有直接用 trainnet,原因是界面项要同时耦合三个子网络,坐标二阶导也需要和损失在同一张计算图里。自定义循环可以一次反传,把界面梯度同时传给两侧网络。
六、参数设定
| 项目 | 设置 |
|---|---|
| 运行环境 | MATLAB R2025b + Deep Learning Toolbox |
| 随机种子 | 20261024 |
| 计算精度 | double |
| 优化器 | Adam |
| 学习率 | 0.0008 |
| 评价网格 | 141 × 141 |
| 输出分辨率 | 300 DPI |
| 域内批大小 | 256 |
| 边界批大小 | 64 |
| 界面批大小 | 96 |
| 监控间隔 | 每 50 步 |
| 轮毂域内配点 | 512 个空间点 × 10 个时刻 |
| 轮毂外边界配点 | 96 × 10 |
| 轮毂孔壁热流配点 | 192 × 10 |
| 轮毂结构实验 | 500 次迭代 × 8 种结构 |
| 轮毂主模型 | 4×20,追加 1500 次,共 2000 次 |
| 熊猫 PINN | 4×20,1500 次迭代 |
| 熊猫 XPINN | 4 层,宽度 30/20/30,2000 次迭代 |
| 熊猫域内配点 | 1200 / 500 / 400 |
| 熊猫外边界配点 | 160 / 100 |
| 熊猫界面配点 | 200 / 400 |
| 单次训练时间上限 | 默认不限 |
八种网络结构取深度 2、4、6、8,宽度 20、40 的组合。每组实验重置随机种子,保证配点、批次顺序和迭代预算一致。
七、实际运行结果
正式结果目录为 outputs/20261024_185516_914。这一轮在 CPU 上完成,GPU 未启用。
7.1 先验证,再训练
训练前运行了物理与几何验证:
- 制造解控制方程最大残差:(1.137\times10^{-13})
- 网络坐标导数与中心差分相对误差:(3.541\times10^{-9})
- 孔边界法向:前进一步进入孔洞,后退一步进入材料
- 二阶散度残差与有限差分相对误差:小于 (10^{-4})
- 参数反传梯度:全部为有限值
这一步很关键。PINN 出错时,损失曲线有时仍然会下降,最后表现为"图看起来像、数值不对"。先把制造解、法向和求导链路验证一遍,后面调参才有意义。
7.2 轮毂瞬态结果
| 时刻 | MRE / % | 最大相对误差 / % | 相对 L2 / % | 温升相对 L2 / % | PDE RMS |
|---|---|---|---|---|---|
| t = 0.1 | 1.0297 | 2.0607 | 1.1297 | 18.9911 | 1.7115 |
| t = 0.5 | 1.0213 | 2.7388 | 1.1007 | 4.4986 | 1.3438 |
| t = 1.0 | 0.7866 | 3.2717 | 0.8080 | 2.0302 | 1.8930 |
t=1 时,分辨率 141×141、筛掉孔洞后约 1.15 万个评价点上的平均相对误差为 0.7866%,最大相对误差 3.2717%。误差较大的位置集中在孔壁附近,符合热流边界附近梯度变化更剧烈的预期。
温升误差需要单独看。t=0.1 时最大温升只有 10 K,绝对误差约 1--2 K,折算到温升就是 18.99%;t=1 时温升达到 100 K,同样的绝对误差折算下来只有 2.03%。如果只看总温度相对误差,100 K 的背景会把早期温升误差掩盖掉。
7.3 八种网络结构
| 深度 × 宽度 | MRE / % | 最大相对误差 / % | 相对 L2 / % | 训练时间 / s |
|---|---|---|---|---|
| 2 × 20 | 17.7770 | 56.3377 | 18.2679 | 2.85 |
| 2 × 40 | 14.6148 | 46.3320 | 15.0213 | 2.84 |
| 4 × 20 | 3.1405 | 14.4435 | 3.3597 | 4.28 |
| 4 × 40 | 3.1756 | 15.0281 | 3.4604 | 5.50 |
| 6 × 20 | 3.3650 | 13.5419 | 3.4110 | 7.22 |
| 6 × 40 | 3.1234 | 12.2903 | 3.1670 | 9.24 |
| 8 × 20 | 3.2755 | 14.8492 | 3.4758 | 8.76 |
| 8 × 40 | 2.7027 | 12.4147 | 2.8771 | 11.27 |
这组数据里,深度比宽度更关键。2 层网络即使把宽度加到 40,误差仍在 14.6%;到了 4 层,20 宽已经降到 3.14%。4 层之后继续加宽或加深,收益变小,训练时间却明显上升。8×40 在本轮取得最低误差 2.7027%,但只跑 500 次迭代,不能据此认为它一定是最优结构。
主模型没有直接用 8×40,而是取 4×20 再追加 1500 次训练。这样既保留结构实验的可比性,也给最终温度场更多迭代预算。
7.4 熊猫稳态:PINN 与 XPINN
| 方法 | MRE / % | 最大相对误差 / % | 相对 L2 / % | RMSE | PDE RMS | 训练时间 / s | 迭代次数 |
|---|---|---|---|---|---|---|---|
| PINN | 0.4128 | 4.7815 | 0.3580 | 0.7553 | 7.8824 | 26.10 | 1500 |
| XPINN | 0.3980 | 5.3146 | 0.4191 | 0.8840 | 1.3296 | 81.67 | 2000 |
XPINN 的界面跳跃指标:
| 界面 | 温度跳跃 RMS | 温度跳跃最大值 | 残差跳跃 RMS |
|---|---|---|---|
| 1--2 | 1.3527 | 2.7464 | 0.7459 |
| 1--3 | 1.7170 | 4.7569 | 0.9234 |
两个方法的结果很接近。XPINN 的平均相对误差略低(0.3980% 对 0.4128%),方程残差 RMS 也从 7.8824 降到 1.3296,但最大相对误差和相对 L2 反而略高。训练时间从 26.1 秒增加到 81.7 秒,因为要同时训练三个子网络。
这组对比不能简单写成"XPINN 更好"。域分解降低了方程残差,界面附近的平均误差也有改善,但单次快速训练的最大误差仍有波动。界面温度跳跃 RMS 约 1.6 K,说明界面约束在执行,但没有到"完全连续"的程度。





















八、复现中的几个问题
孔边界法向。 论文式 (16) 是正径向表达式。轮毂的 6 个孔是偏心孔,外法线方向各不相同,不能把一个径向公式直接套到所有孔壁。代码对每个孔取单位外法线,再用制造解计算目标热流。
温度背景与温升。 轮毂温度在 100--200 K 之间,直接报告总温度相对误差会显得很小。复现代码同时给出温升相对 L2,早期时刻的误差更真实。
域内不加解析解监督。 解析解只用于边界条件、初始条件和事后评价,不进入域内损失。否则模型变成监督学习,误差数字失去意义。
几何是近似重建。 论文没有公开原始几何坐标,轮毂和熊猫都按插图做参数化近似。轮毂不含细小键槽,熊猫轮廓由固定椭圆和多边形组合。所有顶点和坐标都保存在 MAT 文件里,方便复核。
快速档不等同论文精度。 这一轮使用缩减配点、500--2000 次迭代和 CPU 训练,目的是把流程跑通并给出可复现的工程基线。迭代上限不等于充分收敛,误差数字不能直接和论文表格对比。
三维图是二维场的曲面展示。 轮毂的温度曲面是 (T(x,y)) 在三个时刻的曲面,熊猫是二维稳态温度曲面,不是三维实体热传导。
九、运行环境与复现方式
需要 MATLAB R2025b 和 Deep Learning Toolbox。GPU 加速可选,另需 Parallel Computing Toolbox 和兼容显卡;程序会自动检测,失败时退回 CPU,不强制开启 CUDA 前向兼容。
在 MATLAB 中进入项目目录后:
matlab
results = main; % 全部实验、评价和出图
results = main('wheel'); % 轮毂与八种网络结构
results = main('panda'); % 熊猫 PINN / XPINN
main('test'); % 物理、几何与求导验证
main('replot', fullfile(pwd,'outputs','批次目录','result.mat'));
也可以在不改训练函数的前提下覆盖配置:
matlab
opts = struct('device','cpu','sweepIterations',500, ...
'wheelExtraIterations',1500,'pinnIterations',1500,'xpinnIterations',2000);
results = main('all','',opts);
每次运行新建输出目录,不覆盖历史结果。main('replot',...) 只读取已保存的数值场重新出图,不重新训练,也不需要 GPU。
单次完整运行在 CPU 上的训练耗时大约:轮毂八组结构 2.8--11.3 秒/组,熊猫 PINN 26.1 秒,XPINN 81.7 秒。实际时间取决于机器和 MATLAB 版本。
十、应用场景
这套方法的直接价值在几何复杂、材料连续变化、网格划分成本高的场景:
- 航空航天热结构。 涡轮叶片、轮盘、燃烧室等 FGM 构件的稳态和瞬态温度场快速评估。
- 电子封装与功率器件。 多层材料、界面多、几何小的热分析,可以用 PINN 快速试算。
- 增材制造。 成分梯度合金的等效热物性随位置变化,适合用变系数方程描述。
- 热防护系统。 多层隔热结构、烧蚀层和金属基体的温度分布预测。
- 参数反演与代理模型。 把未知热导率或热源项设为可训练参数,用观测温度反推材料分布。
- 教学与算法验证。 制造解、自动微分、界面约束和误差评价可以拆开单独讲,代码量可控。
不适合直接套用的场景也要说清楚:三维实体、对流辐射边界、大变形、接触热阻、强非线性材料,这些都需要扩展方程和边界处理,当前代码只覆盖二维稳态/瞬态热传导。
十一、写在最后
这次复现的结论不复杂:PINN 可以在不划分网格的情况下求解 FGM 热传导,复杂孔洞和多材料界面都能处理;网络深度对精度的影响比宽度更明显;XPINN 能降低方程残差,但不保证所有误差指标都优于单网络。
更有价值的是工程细节:孔边界法向要逐个算,温度要归一化,温升误差要单独报告,域内不能偷加解析解,快速档不能冒充论文精度。把这些边界条件写清楚,结果才经得起复核。
代码、21 张 300 DPI 图片、CSV 指标和中文结果说明都在项目输出目录中。复现结果与原论文的差异,已在结果说明里逐条列出。
参考资料
1 余波, 许梦强, 高强. 基于物理信息神经网络的功能梯度材料稳态/瞬态热传导分析J. 计算力学学报, 2023, 40(4): 594-601. DOI: 10.7511/jslx20211229002.
2 Raissi M, Perdikaris P, Karniadakis G E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equationsJ. Journal of Computational Physics, 2019, 378: 686-707.
3 Jagtap A D, Karniadakis G E. Extended physics-informed neural networks (XPINNs): A generalized space-time domain decomposition based deep learning framework for nonlinear partial differential equationsJ. Communications in Computational Physics, 2020, 28(5): 2002-2041.