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
我们提出了一种使用混合的量子物理信息神经网络的方法,模拟了三维 Y 形混合器中的层流流体,该方法结合了量子模型的表达力和 PINN 的灵活性,与纯经典神经网络相比,精度提高了 21%。
Apr, 2023
本文引入了一个全面的机器学习框架,利用物理感知型的 MAM 特征化、多功能机器学习模型和评估指标,预测熔池缺陷和几何形状,为熔池控制和工艺优化提供了基础。此外,还发现了基于数据驱动的显式模型,用于从工艺参数和材料性质估算熔池几何形状。
Jan, 2022
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
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
本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用,重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。
May, 2022
本篇论文提出了一种基于物理知识的神经网络(PINN)方法来监测柴油发动机的健康状况,并考虑将深度神经网络(DNN)与 PINN 模型相结合,以更好地适应柴油发动机的状态。
本文提出了一种基于物理引导神经网络、浸润边界方法和移动边界的方法来复现移动物体的非稳态流体力学过程,并研究了该方法的数据效率。
Jun, 2023
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。
Nov, 2020
本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量,相较于基于神经网络或最近邻算法的降阶模型,操作器学习方法能够在更少的数据点上实现更广的预测泛化。
Feb, 2022