Vol.25, No.2, 2025, pp. 310–318
https://doi.org/10.69644/ivk-2025-02-0310

U radu se istražuje primena neuronske mreže podržane fizičkim zakonima (PINN) za predviđanje raspodele koeficijenta pritiska na zgradi sa vetrovite strane. Ključna karakteristika ovog pristupa je upotreba kombinovane funkcije gubitka koja istovremeno uzima u obzir eksperimentalne podatke i fizička ograničenja izvedena iz Bernulijevog principa. Ova integracija omogućava PINN modelu da poveže fizičku preciznost sa visokom tačnošću u reprodukovanju eksperimentalnih podataka. Ukupna funkcija gubitka PINN modela sastoji se iz dva dela: matematičke funkcije gubitka, koja minimizuje odstupanja koja se modelom predviđaju iz eksperimentalnih podataka, i funkcije gubitka zasnovane na fizici, izvedene iz Bernulijevog principa strujanja idealnog fluida i gasa, čime se obezbeđuje usklađenost sa fizičkim zakonima. PINN model je razvijen i istreniran, pokazujući prilagodljivost različitim uslovima, uključujući uglove pravca vetra i težinsku funkciju fizičkih gubitaka. Analiza pokazuje da težinska funkcija fizičkih gubitaka značajno utiče na određivanje prioriteta predviđanja: pri manjim težinama model daje prioritet eksperimentalnim podacima, dok pri većim težinama, više prati fizičke proračune. Uočeni su slučajevi anomalija u predviđanjima, gde rezultati značajno odstupaju i od eksperimentalnih podataka i od fizičkih modela, što ukazuje na potrebu za pažljivim praćenjem izlaza modela. Buduća istraživanja uključuju uvođenje naprednijih fizičkih zakona, kao što su modeli turbulencije i trenja, radi poboljšanja tačnosti predviđanja. Dobijeni rezultati pokazuju potencijal PINN za primene u aerodinamici zgrada, efikasno kombinujući teorijske proračune i empirijske podatke za precizno modeliranje.

Ključne reči: • neuronske mreže podržane fizičkim zakonima (PINN) • aerodinamika zgrada • Bernulijev princip • modeliranje strujanja vazduha • kombinovani pristup • projektovanje konstrukcija • opterećenja od vetra