物理结合的卷积循环神经网络用于动态系统的源识别和预测

Apr, 2020

物理结合的卷积循环神经网络用于动态系统的源识别和预测

Physics-Incorporated Convolutional Recurrent Neural Networks for Source Identification and Forecasting of Dynamical Systems

PDF

Priyabrata Saha, Saurabh Dash, Saibal Mukhopadhyay

TL;DR本文介绍 PhICNet 的混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。实验结果表明，该模型可以长时间预测动态和确定外部引力源。

Abstract

spatio-temporal dynamics of physical processes are generally modeled using partial differential equations (PDEs). Though the core dynamics follows some principles of physics, real-world physical processes are often driven by unknown external sources. In such cases, developing a purely

spatio-temporal dynamics hybrid framework source identification deep learning phicnet

发现论文，激发创造

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

PhyCRNet: 物理知识引导的卷积 - 循环网络用于求解时空 PDEs

提出一个新的基于物理约束的卷积 - 循环神经网络（PhyCRNet 和 PhyCRNet-s）框架来解决非线性偏微分方程（PDEs），并且在 3 个非线性 PDEs 数值求解的实验中表现出了优越的解决精度、外推性和泛化性能。

Jun, 2021

利用物理引导和频率增强的循环神经网络增强时空预测

该研究论文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力，并提出了具有物理约束的自适应二阶龙格 - 库塔方法，以更准确地建模物理状态。实验结果表明，该模型在时空预测和视频预测任务中表现出色，在多个数据集上具有最佳性能，而参数数量却更少。

May, 2024

HybridNet: 将基于模型和数据驱动的学习相结合，用于预测动态系统的演化

本文提出了 HybridNet，这是一个集成数据驱动深度学习和模型驱动计算的框架，在准确掌握参数知识的情况下可靠地预测动态系统的时空演化，实验结果表明该方法比基于深度学习的现有方法具有更高的预测精度。

Jun, 2018

利用物理约束深度自回归网络模拟 PDE 系统动态

本文提出了一种基于物理约束的深度学习模型，通过自动回归密集编码器 - 解码器卷积神经网络建模非线性动力学系统，实现对时间步骤的预测量进行不确定性量化，并利用其在多个非线性瞬态偏微分方程系统上进行测试。

Jun, 2019

物理约束卷积神经网络用于时空偏微分方程的逆问题

提出一种物理约束卷积神经网络 (PC-CNN) 来解决非线性、时空变化的偏微分方程 (PDE) 逆问题，演示 PC-CNN 在处理空间可变的拟偏误数据、重构高分辨率空间解以及分析纳维 - 斯托克斯方程的表现。

Jan, 2024

无监督视频预测中解开物理动力学和未知因素的区别

介绍了一种两分支深度体系结构（PhyDNet）和新的递归物理单元（PhyCell），用于利用 PDE 描述的物理知识改进无监督视频预测方法，并且在四个不同的数据集上进行了广泛实验，表明了 PhyDNet 超越了现有方法的能力。

Mar, 2020

物理信息卷积循环代理模型在考虑井控制的储层模拟中的应用

本文提出了一种新颖的代理模型 -- 物理知识卷积递归神经网络（PICRNN），用于建模具有井控制的井下流体流动。

May, 2023

使用物理感知神经网络解决反问题偏微分方程

本文提出了一种新型的混合反向问题复合框架，将深度神经网络的高表现力与现有偏微分方程数值算法相结合，通过语义自编码器的自定义层，将计算数学、机器学习和模式识别技术融合在一起，实现了域特定知识和物理约束的综合应用，解决了大量数据中的未知字段这个问题，称之为混合反向 PDE 网络 (BiPDE 网络)，并在一维和二维空间中的泊松问题中，以及一维的时间依赖和非线性 Burgers 方程中，应用和证明了其可行性和噪声鲁棒性。

Jan, 2020

基于物理引导的循环神经网络模型用于建模动态系统：监测湖泊水温和水质

本文介绍了一种新型的框架，将物理学的科学知识与递归神经网络相结合，来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法，并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质，通过使用科学知识指导构建和学习数据驱动模型，我们证明该方法可以实现更好的预测精度以及结果的科学一致性。

Oct, 2018