Nov, 2020

物理信息神经网络在复合材料 - 工具系统制造中热化学固化过程建模中的应用

PDF
TL;DR本研究提出一种基于物理知识约束的神经网络（PINN），用于模拟复合材料在固化炉中的热化学演变，并且该网络能有效地求解包括传热和树脂固化动力学等方程组。在 PINN 中，为了解决热传导和树脂固化行为的差异，设计了由两个不连通子网络组成。此外，还采用了一种对 PDE、边界、界面和初始条件自适应调整损失项权重的技术。最后，我们证明了 PINN 可用于实时模拟材料不同厚度和热边界条件下的多种场景，并且可以使用迁移学习来显著减少解决类似问题的训练时间。
发现论文，激发创造
  • 利用基于物理信息的神经网络学习非线性本构材料模型的解决方案：COMM-PINN

    应用了物理启发式神经网络来解决非线性、路径依赖性材料行为的本构关系，该模型除了满足所有热力学约束条件外，还能够在不需要初始数据的情况下即时提供有关当前材料状态的信息，并提供了降低正切算子所需导数阶数的策略。

    Apr, 2023

  • 通过物理知识指导的神经网络科学机器学习：现状和未来展望

    文章综述了物理学启发的神经网络（PINN）的文献，并介绍了其特点和优缺点。此外，研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域，以及它们的定制化方法，如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行，但它仍面临理论问题尚未解决。

    Jan, 2022

  • 物理 - 信息神经网络在热力机械耦合系统和异质领域中的混合形式

    本研究探讨了深度学习方法在多物理问题中的应用，特别是通过 PINN 解决热力学力学相互作用等问题，提出了顺序无监督训练和迁移学习的思想，以提高网络的准确性和计算效率。

    Feb, 2023

  • 应用迁移学习增强的物理知识神经网络用于断裂的相场建模

    本文提出一种基于物理知识的神经网络（PINN）算法，通过最小化系统的变分能量来求解脆性断裂问题，同时对神经网络输出进行修改以满足边界条件并采用迭代学习模式。通过在四个断裂力学问题上的验证，证明了该方法相对于常规的残差 PINN 算法具有更好的准确性和相对简单鲁棒的重要优势。

    Jul, 2019

  • 金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

    结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

    Jul, 2020

  • 物理知识指导神经网络的可能失效模式表征

    本文研究了物理知识对神经网络的影响，尤其是对物理意义的学习。研究发现，使用以前的方法，神经网络会容易受到微妙的问题的困扰。为了解决这个问题，我们提出了课程规范化和序列到序列学习两种新的方法。通过使用这两种方法，我们可以取得比以前更好的结果。

    Sep, 2021

  • 面向实际物理系统编码动力学的基于物理信息的神经网络

    本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

    Jan, 2024

  • 物理启发神经网络无创推断血栓材料特性

    本文采用物理信息神经网络 (PINNs) 和合成数据推断生物材料的特性，特别是我们成功地应用于推断血栓渗透性和粘弹性模量，验证了该模型在噪声合成数据中的鲁棒性。

    May, 2020

  • 运用物理知识和有限数据的基于物理信息的神经网络在动态过程操作中的应用

    化学工程中，使用物理信息的神经网络模型可以有效地进行过程建模，尤其对于缺乏实验数据和部分未知机理描述的情况下，其推断未测状态的准确性较高且泛化能力强，可作为一种有前景的研究方向进行深入探究。

    Jun, 2024

  • 固体力学领域的解决方案和发现的深度学习框架

    本文介绍了物理信息神经网络在固体力学中应用的方法，展示了通过使用多网络模型，结合动量平衡和本构关系，可以更准确地呈现一些场量变量。同时，通过测试合成数据并和解析解和数值解进行比较，验证了模型的有效性和精度，并指出了等几何分析在准确性和收敛性方面的优于有限元法的特点。我们还探索了该框架在机器学习中的应用，并发现物理信息对于提高模型的鲁棒性有很大作用。

    Feb, 2020