May, 2019

基于物理信息的自编码器用于 Lypunov 稳定流体流动预测

PDF
TL;DR该论文探讨了如何将物理先验知识加入数据驱动模型，提高模型的质量和稳定性，并以 Lyapunov 分析为视角，通过研究液体流动预测的典型问题，验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。
neural networksscientific problemsphysics-informed modellyapunov stabilityfluid flow prediction
发现论文，激发创造
  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • 基于物理信息的 RNN-DCT 网络用于时间依赖偏微分方程

    本文提出了一种新颖的基于物理信息的神经网络框架，用于解决时间依赖偏微分方程，利用离散余弦变换对空间频率进行编码，再利用循环神经网络处理时间演化，从而实现对问题的时空动态的潜在表达，提高了物理相关模型的效率和灵活性，并在 Navier-Stokes 方程的 Taylor-Green 涡旋解上实现了最先进的性能。

    Feb, 2022

  • 物理信息多 LSTM 网络用于非线性结构模型化

    本文介绍了一种基于物理知识的深度学习框架，其利用少量数据对非线性结构系统进行元建模，并成功演示了其对复杂结构的精确预测性能。

    Feb, 2020

  • 物理信息神经网络在流体动力学代理建模中的改进

    通过引入基于物理的规则，将 PINNs 模型用于流体动力学的代理模型，证明了其在数据缺失，边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点，包括提高模型的预测性能，提高对数据噪声的稳健性，并减少对于先前未见场景的优化收敛所需的时间。

    May, 2021

  • 使用物理信息机器学习校准宏观交通流模型

    本文提出了一种新颖的基于物理信息和深度自编码器的学习校准方法，通过结合经典的深度自编码器和交通流动模型，以相对于传统基于优化方法的方法可比甚至更好的性能处理流量和速度测量来推出合理的交通参数。同时，引入去噪自编码器来应对有缺失值的交通数据的处理，我们通过 I-210 E 的案例研究来验证了我们的方法。

    Jul, 2023

  • 基于物理先验的深度生成模型

    应用深度生成模型通过物理学定理来传递极高复杂物理系统中的不确定性。我们构建出一个隐式变分推断公式，并顺利地运用物理学原理作为模型输出的约束条件。这让模型在面对高成本数据采集以及通常小型训练数据集的物理系统建模时具备了一种可扩展的方法来描述随机输入或观测和物理系统输出的不确定性，并以传输动态为规范示例来验证了方法的有效性。

    Dec, 2018

  • 物理信息分段线性神经网络的过程优化

    提出了利用物理知识来升级神经网络模型以解决优化问题的方法，通过使用修正线性单元和分段线性逼近的双曲正切激活函数，针对三个不同的案例进行实验，结果表明这种升级模型比传统模型更接近于全局最优解，且更有效地优化了 CPU 时间。

    Feb, 2023

  • 物理学启发的神经网络（PINN）在流体力学中的应用：综述

    本文回顾了在流体力学问题中使用基于物理学的神经网络（PINNs）的方法，将数据和数学模型无缝集成。该方法可以用于求解涉及三维尾流、超音速流和生物流动等方面的逆向问题。

    May, 2021

  • 物理信息对神经网络在水力建模中的泛化能力的影响

    神经网络在河流水力学中的应用尚不成熟，尽管该领域存在数据稀缺等机器学习技术挑战。因此，本研究旨在通过在训练阶段引入物理信息来缓解这一问题，并展示了这种方法可以提高预测能力。

    Mar, 2024

  • Pi-fusion: 物理信息扩散模型用于学习流体力学

    利用物理信息引导的扩散模型 Pi-fusion，加上逆向学习策略，用于预测流体动力学中速度和压力场的时间演化，表现出较大的泛化性能。

    Jun, 2024