渦流誘導振動（VIV）是一種典型的非線性流體-結構相互作用現象，廣泛存在於實際工程中（柔性立管、橋樑和飛機機翼等）。傳統的基於有限元模型（FEM）和資料驅動的VIV分析方法常常受到計算成本和資料集獲取的挑戰。本文提出了一種轉移學習的物理資訊神經網路（PINN）模型來研究VIV（2D）。物理資訊神經網路與遷移學習方法結合使用，提高了學習效率，並透過源模型的共同特徵知識保持目標任務的可預測性，而不需要大量的資料集。從VIV實驗中獲得的資料集被平均分為兩部分（源域和目標域），以評估模型的效能。結果表明，儘管訓練模型時獲得的資料集數量逐漸變少，但所提出的方法與文獻中使用的傳統PINN演算法的結果非常吻合。該模型的應用可以打破實際專案中監測裝置和方法的限制，並促進VIV的深入研究。
《A transfer learning enhanced the physics-informed neural network model for vortex-induced vibration》
論文地址:http://arxiv.org/abs/2112.14448v1
