PDE是Plug—in Development Environment的英文缩写，即插件开发环境。它是Eclipse项目的三个子项目之一。PDE提供了大量的查看器和编辑器，以便更易于创建Eclipse插件。PDE使插件的集成变得容易而有趣。通过PDE，可以创建插件验证文件p...PDE是Plug—in Development Environment的英文缩写，即插件开发环境。它是Eclipse项目的三个子项目之一。PDE提供了大量的查看器和编辑器，以便更易于创建Eclipse插件。PDE使插件的集成变得容易而有趣。通过PDE，可以创建插件验证文件plugin．xml，对运行期插件和其它需要的插件进行说明，定义扩展点，将XML语法文件与扩展点标记联系起来以便于验证，并在其它插件的扩展点上创建扩展件(Extensions)。展开更多
近几年来,深度学习无所不在,赋能于各个领域.尤其是人工智能与传统科学的结合(AI for science,AI4Science)引发广泛关注.在AI4Science领域,利用人工智能算法求解PDEs(AI4PDEs)已成为计算力学研究的焦点.AI4PDEs的核心是将数据与方程相融...近几年来,深度学习无所不在,赋能于各个领域.尤其是人工智能与传统科学的结合(AI for science,AI4Science)引发广泛关注.在AI4Science领域,利用人工智能算法求解PDEs(AI4PDEs)已成为计算力学研究的焦点.AI4PDEs的核心是将数据与方程相融合,并且几乎可以求解任何偏微分方程问题,由于其融合数据的优势,相较于传统算法,其计算效率通常提升数万倍.因此,本文全面综述了AI4PDEs的研究,总结了现有AI4PDEs算法、理论,并讨论了其在固体力学中的应用,包括正问题和反问题,展望了未来研究方向,尤其是必然会出现的计算力学大模型.现有AI4PDEs算法包括基于物理信息神经网络(physicsinformed neural network,PINNs)、深度能量法(deep energy methods,DEM)、算子学习(operator learning),以及基于物理神经网络算子(physics-informed neural operator,PINO).AI4PDEs在科学计算中有许多应用,本文聚焦于固体力学,正问题包括线弹性、弹塑性,超弹性、以及断裂力学;反问题包括材料参数,本构,缺陷的识别,以及拓朴优化.AI4PDEs代表了一种全新的科学模拟方法,通过利用大量数据在特定问题上提供近似解,然后根据具体的物理方程进行微调,避免了像传统算法那样从头开始计算,因此AI4PDEs是未来计算力学大模型的雏形,能够大大加速传统数值算法.我们相信,利用人工智能助力科学计算不仅仅是计算领域的未来重要方向,同时也是计算力学的未来,即是智能计算力学。展开更多
In this paper,the three-variable shifted Jacobi operational matrix of fractional derivatives is used together with the collocation method for numerical solution of threedimensional multi-term fractional-order PDEs wit...In this paper,the three-variable shifted Jacobi operational matrix of fractional derivatives is used together with the collocation method for numerical solution of threedimensional multi-term fractional-order PDEs with variable coefficients.The main characteristic behind this approach is that it reduces such problems to those of solving a system of algebraic equations which greatly simplifying the problem.The approximate solutions of nonlinear fractional PDEs with variable coefficients thus obtained by threevariable shifted Jacobi polynomials are compared with the exact solutions.Furthermore some theorems and lemmas are introduced to verify the convergence results of our algorithm.Lastly,several numerical examples are presented to test the superiority and efficiency of the proposed method.展开更多
文摘目的:利用诊断离子建立了一个磷酸二酯酶-5(PDE5)型抑制剂的非目标扫描策略,通过高效液相色谱-四极杆飞行时间质谱(HPLC-QTOF/MS)1次扫描即能完成中药及保健食品中添加的PDE5型抑制剂的筛查。方法:采用Poroshell EC-C_(18)色谱柱,以0.1%乙酸-乙腈为流动相,梯度洗脱,流速为0.3 m L·min-1;采用电喷雾离子源(ESI),毛细管电压3.5 k V,碎裂电压180 V,在自动扫描模式下,对不同类型PDE5型抑制剂的裂解规律进行分析,从中寻找诊断离子建立非目标扫描策略。对MS条件进行优化,讨论了筛查策略参数对结果的影响。结果:11种典型PDE5抑制剂质量浓度在50~1 000 ng·m L-1范围内线性关系良好;平均回收率为83.7%~110.0%,RSD为1.5%~10.2%。对25批样品进行筛查,结果与目标扫描策略一致,但是诊断离子策略能够更有效地发现未知衍生物。结论:该方法简可用于已知及未知的非法添加PDE5型抑制剂的快速筛查。
文摘PDE是Plug—in Development Environment的英文缩写，即插件开发环境。它是Eclipse项目的三个子项目之一。PDE提供了大量的查看器和编辑器，以便更易于创建Eclipse插件。PDE使插件的集成变得容易而有趣。通过PDE，可以创建插件验证文件plugin．xml，对运行期插件和其它需要的插件进行说明，定义扩展点，将XML语法文件与扩展点标记联系起来以便于验证，并在其它插件的扩展点上创建扩展件(Extensions)。
文摘近几年来,深度学习无所不在,赋能于各个领域.尤其是人工智能与传统科学的结合(AI for science,AI4Science)引发广泛关注.在AI4Science领域,利用人工智能算法求解PDEs(AI4PDEs)已成为计算力学研究的焦点.AI4PDEs的核心是将数据与方程相融合,并且几乎可以求解任何偏微分方程问题,由于其融合数据的优势,相较于传统算法,其计算效率通常提升数万倍.因此,本文全面综述了AI4PDEs的研究,总结了现有AI4PDEs算法、理论,并讨论了其在固体力学中的应用,包括正问题和反问题,展望了未来研究方向,尤其是必然会出现的计算力学大模型.现有AI4PDEs算法包括基于物理信息神经网络(physicsinformed neural network,PINNs)、深度能量法(deep energy methods,DEM)、算子学习(operator learning),以及基于物理神经网络算子(physics-informed neural operator,PINO).AI4PDEs在科学计算中有许多应用,本文聚焦于固体力学,正问题包括线弹性、弹塑性,超弹性、以及断裂力学;反问题包括材料参数,本构,缺陷的识别,以及拓朴优化.AI4PDEs代表了一种全新的科学模拟方法,通过利用大量数据在特定问题上提供近似解,然后根据具体的物理方程进行微调,避免了像传统算法那样从头开始计算,因此AI4PDEs是未来计算力学大模型的雏形,能够大大加速传统数值算法.我们相信,利用人工智能助力科学计算不仅仅是计算领域的未来重要方向,同时也是计算力学的未来,即是智能计算力学。
基金This work was supported by the Collaborative Innovation Center of Taiyuan Heavy Machinery Equipment,Postdoctoral Startup Fund of Taiyuan University of Science and Technology(20152034)the Natural Science Foundation of Shanxi Province(201701D221135)National College Students Innovation and Entrepreneurship Project(201710109003)and(201610109007).
文摘In this paper,the three-variable shifted Jacobi operational matrix of fractional derivatives is used together with the collocation method for numerical solution of threedimensional multi-term fractional-order PDEs with variable coefficients.The main characteristic behind this approach is that it reduces such problems to those of solving a system of algebraic equations which greatly simplifying the problem.The approximate solutions of nonlinear fractional PDEs with variable coefficients thus obtained by threevariable shifted Jacobi polynomials are compared with the exact solutions.Furthermore some theorems and lemmas are introduced to verify the convergence results of our algorithm.Lastly,several numerical examples are presented to test the superiority and efficiency of the proposed method.
