Jan, 2022

基于分块训练的深度学习方法用于温度场重建

PDF
TL;DR文章提出了一种基于切片训练的新型深度学习方法，旨在从有限观察中准确重构电子设备的温度场。对有限元模拟数据进行的实验表明，该方法的最大绝对误差小于 1K，并且通过对不同热源布局、不同功率密度和不同观测点位置的研究进行了验证。
physical field reconstructiontemperature fielddeep learningpatchwise trainingelectronic equipment
发现论文，激发创造
  • 使用深度卷积神经网络进行多精度代理建模以预测温度场

    本文提出了一种简洁的深度多保真模型 (DMFM) 和物理驱动的深度多保真模型 (PD-DMFM)，用于温度场预测，利用低保真度的数据来提高模型性能并减少对高保真度数据的依赖。通过对两个温度场预测问题的验证，证明了该方法可以显着降低模型对高保真度数据的依赖性。

    Jan, 2023

  • 金属增材制造中基于物理启发神经网络的实时二维温度场预测

    利用物理感知神经网络和 ConvLSTM 结构，我们提出了一种用于金属增材制造温度场预测的框架，可在实时预测和在线控制中应用，验证结果表明其在不同场景中具有灵活性和准确性。

    Jan, 2024

  • 从随机 “Minecraft” 系统中逼近三维电子系统的温度全场演变

    利用卷积神经网络设计了具有随机位置和物理属性的三维系统，测试了在 'Minecraft' 系统下进行神经网络训练，以实现对电子系统中热扩散传导的预测。

    Sep, 2022

  • 用深度学习重建历史气候场

    通过傅里叶卷积训练的深度学习方法，我们能够重建历史气候场景，包括大片和不规则的缺失数据区域，以及强烈的厄尔尼诺和拉尼娜事件，且效果优于统计克里金方法和其他机器学习方法。该模型可以推广到比其训练分辨率更高的级别，适用于各种气候场景，并允许填补未曾在模型训练中出现的遮罩区域。

    Nov, 2023

  • 在线预测薄壁金属增材制造的热场

    该论文研究了如何在金属增材制造过程中，当只有少量传感器可用时，如何在线预测未打印零件的热场。该研究提出了一种使用映射和重建的在线热场预测方法，该方法可集成到金属增材制造过程中进行在线性能控制。通过温度曲线的相似性，该方法利用人工神经网络从先前已打印层上某些点的测量温度来估计未打印层上点的温度曲线。利用同一层上几个点的测量 / 预测温度曲线，通过降阶模型（ROM）构建同一层上所有点的温度曲线，以建立整个层的温度场。通过极限学习机（ELM）进行 ROM 的训练，以提高计算效率。通过进行 15 个线电弧增材制造实验和九个具有固定长度和单向打印的薄壁的仿真测试，结果表明所提出的预测方法能够在低成本台式机上在 0.1 秒内构建未打印层的热场。同时，该方法在大多数情况下具有可接受的一般化能力，可从较低层到较高层在同一模拟中以及从一种模拟到另一种模拟的不同增材制造参数上适用。更重要的是，经过有限实验数据的微调后，所有预测温度曲线在新实验中的相对误差非常小，证明了所提出的在线金属增材制造热场预测方法在实际应用中的适用性和泛化能力。

    Oct, 2023

  • 基于优化深度学习方法的加速质子共振频率磁共振测温

    深度学习在磁共振热成像中的应用显著提高了临床超声聚焦热疗的精确度和效率。

    Jul, 2024

  • 物理信息操作学习与有限元法的参数学习偏微分方程的融合

    利用物理知识驱动的深度学习方法在异质固体中解决参数化偏微分方程，它的关键是建立复杂的热导率分布、温度分布和热流分量之间的联系，通过固定边界条件，在这项工作中，我们独立于有限元方法等经典求解器，并通过基于离散弱形式的损失函数定义方法给出出色的结果，该损失函数是一个代数方程，大大提高了训练效率。通过将我们的方法与标准有限元方法进行基准测试，我们展示了使用训练有素的神经网络在温度和通量剖面方面进行准确且更快的预测，我们还展示了在未知情况下，与纯数据驱动方法相比，所提出的方法具有更高的准确性。

    Jan, 2024

  • 深度学习在时空预测中的应用 -- 以太阳能为例

    本文研究了基于深度学习的时空预测问题，并探索使用物理知识来改进深度预测方法的两个主要研究方向：一是使用训练损失函数来改进模型的性能，包括确定性情况和概率情况；另一个是通过深度数据驱动网络来增强不完备的物理模型，以实现准确的预测。

    May, 2022

  • 激光粉床增材制造温度预测的长短时记忆神经网络

    本文提出了一种智能打印工具，通过神经网络对温度梯度分布进行预测和优化，实现 laser powder bed fusion 的打印控制和质量提高。

    Jan, 2023

  • 基于物理约束的循环神经网络的通用化温度预测模型 在风力涡轮机组件预测性维护中的应用

    基于物理约束的深度学习技术在风能预测性维护中发挥重要作用，特别适用于部分系统信息不完整的实际应用场景。

    Apr, 2024