Bài báo trình bày nghiên cứu về mạng nơ-ron tích hợp thông tin vật lý (Physics-Informed Neural Networks - PINNs) và khả năng ứng dụng của phương pháp này trong bài toán dẫn nhiệt của vật liệu đồng nhất trong không gian hai chiều. Kết quả nghiên cứu cho thấy phương pháp PINNs có khả năng tái hiện tốt phân bố nhiệt độ và dòng nhiệt, đồng thời cho kết quả phù hợp với phương pháp FEM. DOI: http://doi.org/10.64588/jc.25.04.2026
TÁC GIẢ:
TS Nguyễn Thị Hương Giang
Trường Đại học Giao thông vận tải
Email: nguyenthihuonggiang@utc.edu.vn
THÔNG TIN BÀI BÁO
Chuyên mục: Khoa học công nghệ
Ngày nhận bài: 11/3/2026
Ngày sửa bài: 20/3/2026
Ngày chấp nhận đăng: 01/4/2026
Ngày xuất bản Online: 22/4/2026
Tác giả liên hệ: Email: nguyenthihuonggiang@utc.edu.vn
TÓM TẮT
Bài báo trình bày nghiên cứu về mạng nơ-ron tích hợp thông tin vật lý (Physics-Informed Neural Networks - PINNs) và khả năng ứng dụng của phương pháp này trong bài toán dẫn nhiệt của vật liệu đồng nhất trong không gian hai chiều. Mô hình PINNs được xây dựng nhằm xác định trường nhiệt độ và trường dòng nhiệt trong miền khảo sát dựa trên các phương trình chi phối của quá trình dẫn nhiệt. Kết quả thu được từ phương pháp PINNs được so sánh với kết quả tính toán bằng phương pháp phần tử hữu hạn (Finite Element Method - FEM) nhằm đánh giá độ chính xác và độ tin cậy của mô hình. Kết quả nghiên cứu cho thấy phương pháp PINNs có khả năng tái hiện tốt phân bố nhiệt độ và dòng nhiệt, đồng thời cho kết quả phù hợp với phương pháp FEM.
Từ khóa: Mạng nơ-ron tích hợp thông tin vật lý; dẫn nhiệt; trường nhiệt độ; trường dòng nhiệt; phương pháp số.
TÀI LIỆU THAM KHẢO
[1] EL Wilson, RE Nickell. Application of the finite element method to heat conduction analysis. International Journal for Numerical Methods in Engineering, no. 4, pp. 276-286, 1966, doi: 10.1016/0029-5493(66)90051-3.
[2] Z Milka. Finite element solution of a stationary heat conduction problem with radiation boundary condition. Applications of Mathematics, no. 38, pp. 67-79, 1993, doi: dml.cz/dmlcz/104535.
[3] MOR Siddiqui, D Sun. Finite element analysis of thermal conductivity and thermal resistance of woven fabrics. Computational Materials Science, no. 75, pp. 45-51, 2013, doi: 10.1016/j.commatsci.2013.04.003.
[4]. Nguyễn Thị Hương Giang. Phương pháp số xác định hệ số dẫn ngang của vật liệu cốt sợi đồng phương. Tạp chí Giao thông vận tải, số. 6, tr. 26-28, 2021.
[5] M Raissi, P Perdikaris, GE Karniadakis. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, no. 378, pp. 686-707, 2019, doi: 10.1016/j.jcp.2018.10.045.
[6] L Qin, M Xuhui, EK George. Physics-informed neural networks for solving forward and inverse flow problems via the Boltzmann-BKG formulation. Journal of Computational Physics, no. 447, 2021, doi: 10.1016/j.jcp.2021.110676.
[7] E Haghighat, M Raissi, A Moure, H Gomez, R Juanes. A physics-informed deep learning framework for inversion and surrogate modeling in solid mechanics. Computer Methods in Applied Mechanics and Engineering, no. 379, 2021, doi: 10.1016/j.cma.2021.113741.
[8] S Cai, Z Mao, Z Wang, M Yin, GE Karniadakis. Physics-informed neural networks for heat transfer problems. Journal of Heat Transfer, no. 143(6), 2021, doi: 10.1115/1.4050542.
Xem bài báo tại đây
