pinn/config.py

# Fisica
ALPHA   = 0.01   # diffusività termica [m²/s]
K       = 1.0    # conducibilità termica [W/m·K]
L       = 1.0    # lunghezza barra [m]
T0      = 20.0   # temperatura iniziale uniforme [°C]

# Sorgente di calore
X_SRC   = 0.35    # posizione della sorgente [m], in [0, L]
Q_VAL   = 150.0  # flusso di calore applicato [W/m²]
T_STEP  = 0.2    # istante di attivazione flusso [s]

# Convezione a x=L (Robin)
H_CONV  = 10.0   # coefficiente convettivo [W/m²·K]
T_AMB   = 20.0   # temperatura ambiente [°C]

# Dominio temporale
T_END   = 10.0    # fine simulazione [s]

# Griglia FDM
NX      = 250    # nodi spaziali
NT      = 15000  # passi temporali (verifica CFL automatica)

# Sorgente gaussiana (approssimazione continua del delta di Dirac)
GAUSS_SIGMA = 0.01  # larghezza del picco gaussiano [m]

# Architettura PINN
HIDDEN_SIZE    = 128  # neuroni per layer nascosto
N_HIDDEN_LAYERS = 4   # numero di layer nascosti

# Sampling punti di collocazione
N_F    = 6000  # punti PDE (+ 50% clustering automatico vicino a X_SRC e T_STEP)
N_IC   = 400   # punti condizione iniziale
N_BC   = 400   # punti condizioni al contorno

# Training Adam
EPOCHS  = 5000   # epoche massime
PATIENCE = 500   # early stopping
LR_ADAM  = 1e-3  # learning rate iniziale
SCHED_FACTOR   = 0.5   # ReduceLROnPlateau: fattore di riduzione
SCHED_PATIENCE = 150   # ReduceLROnPlateau: patience
SCHED_MIN_LR   = 1e-6  # ReduceLROnPlateau: lr minimo

# Fine-tuning L-BFGS
LR_LBFGS    = 0.1  # learning rate L-BFGS
LBFGS_STEPS = 200  # numero di step L-BFGS

# Pesi della loss
W_PDE = 10.0  # peso residuo PDE
W_IC  = 1.0   # peso condizione iniziale
W_BC  = 5.0   # peso condizioni al contorno