Multiscale lubrication simulation based on fourier feature networks with trainable frequency

粗糙表面润滑仿真对于设计和优化摩擦学性能至关重要。尽管物理信息神经网络（PINNs）在流体动力学润滑分析中的应用越来越广泛，但它们的使用主要局限于光滑表面。这是因为传统的PINN方法存在谱偏差，偏向于学习低频特征，因此无法分析具有高频信号的粗糙表面。迄今为止，尚未报道任何用于粗糙表面润滑的PINN方法。为了克服这些限制，本研究引入了一种新的多尺度润滑神经网络架构，利用可训练的傅里叶特征网络。通过结合可学习的特征嵌入频率，该架构自动适应各种频率分量，从而增强对粗糙表面特性的分析。该方法已在多种表面形态上进行了测试，并与有限元方法（FEM）得到的结果进行了比较。比较分析表明，该方法与FEM结果具有高度一致性。此外，这种新型架构在准确性和计算效率方面均超过了固定特征嵌入频率的传统傅里叶特征网络。因此，多尺度润滑神经网络模型提供了一种更有效的粗糙表面润滑分析工具。

如何利用神经网络分析粗糙表面润滑情况？传统的神经网络方法无法分析高频信号，因此无法分析粗糙表面的润滑情况。

引入可训练的傅里叶特征网络的多尺度润滑神经网络架构，自适应不同频率组件，提高了对粗糙表面特征的分析。

实验结果表明，该方法与有限元方法结果高度一致，并且比传统固定特征嵌入频率的傅里叶特征网络具有更高的准确性和计算效率。

近期相关研究包括使用PINN分析润滑情况的研究，但这些研究主要局限于光滑表面。