Рассмотрена задача о движении внешней нагрузки с постоянной скоростью вдоль замороженного канала с неравномерным сжатием. Лед моделируется как тонкая вязкоупругая пластина постоянной толщины. Края пластины приморожены к стенкам канала. Прогиб ледового покрова описывается в рамках линейной теории упругости. Жидкость под пластиной невязкая и несжимаемая. Течение жидкости, вызванное прогибом пластины, является потенциальным. Внешняя нагрузка моделируется движущимся с постоянной скоростью распределением давления. Задача решается с помощью преобразования Фурье вдоль канала и методом нормальных мод для формы прогибов льда поперек канала. Основным параметром для исследования в данной модели является эффект неоднородного сжатия ледового покрова.
В работе исследуется колебания упругой балки с переменной толщиной, находящейся в полном контакте с жидкостью (гидроупругие колебания) или при отсутствии жидкости (упругие колебания). Гидроупругие и упругие прогибы балки являются двумерными. Задача рассматривается без демпфирования колебаний и внешнего воздействия. Упругая балка тонкая, конечной длины, и с заданными краевыми условиями. Вычислены моды упругих и гидроупругих колебаний балки в случае линейной и кусочно-линейной толщины.
В работе рассматривается нелинейное уравнение теплопроводности в одномерном плоскосимметричном случае. Для него на отрезке [0; p] ставится задача Коши с непрерывными начальными данными. Эти данные четным образом продолжаются на отрезок [–p; 0], а затем с периодом 2p на всю числовую ось. Решение получившейся задачи Коши представляется в виде соответствующего тригонометрического ряда по косинусам от пространственной переменной. Коэффициенты ряда являются искомыми функциями от времени. Для этих коэффициентов приведена бесконечная система обыкновенных дифференциальных уравнений с соответствующими начальными условиями. Построены конечные отрезки тригонометрических сумм, приближенно передающие решения рассматриваемых задач Коши.
Рассматриваются вопросы использования метода Physics Informed Neural Networks (PINN) для численного решения нестационарной нелинейной системы дифференциальных уравнений в частных производных, описывающей процесс движения одномерного теплопроводного газа. Используемый подход основан на том, что нейронная сеть приближает решение системы дифференциальных уравнений, при этом учитывая физику моделируемого процесса. Обучение нейронной сети происходит на основе минимизации квадратичного функционала, построенного на невязке дифференциальных уравнений, граничных и начальных условий. Обсуждаются различные виды приближения исходных уравнений в случае, когда оператор по времени непрерывен или дискретен. Выполнен анализ результатов моделирования. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.