Aug, 2023

基于区域方法的机器学习和物理约束神经网络在加热炉中的应用

PDF
TL;DR通过使用计算模型生成数据进行机器学习和深度学习模型训练，本文比较了大范围的机器学习和深度学习方法在不同炉环境下的温度预测性能，DL 方法在推理时间和模型性能方面具有综合平衡，在增强 DL 模型的外域概括能力方面，提出了一种基于物理知识的神经网络（PINN），该设置适用于任何标准的 ML 回归模型，以实现基础工业向工业 4.0 的过渡。
foundation industriesreheating furnacesmachine learningartificial intelligencenet-zero goals
发现论文，激发创造
  • 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 - 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

  • 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

    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

  • 物理约束下的多区域建筑热动力学深度学习

    本文提出了一种基于物理约束的控制导向的深度学习方法来建模建筑热动力学，并通过仅使用 10 天的训练数据，在 20 天内展示了高度推广的能力，实现了在实际办公楼上的显著改进。

    Nov, 2020

  • 使用深度强化学习进行零缺陷智能锻造

    本文提出了一种基于数字化孪生技术的深度强化学习框架来优化模拟锻造生产线上的加热过程，为钢铁锻造等低数字化程度的产业带来了自动化与优化的解决方案。

    Jan, 2022

  • 基于残差注意力物理网络的可再生能源电厂中变压器的高效时空寿命评估

    通过物理学信息神经网络配置的部分微分方程与数据驱动神经网络相结合的高效时空模型，改进了对变压器绕组温度和老化估计的预测准确性和获得时空分辨率，进而推断了时空变压器老化模型，帮助变压器健康管理决策，并提供了关于变压器绝缘体的局部热老化现象的见解。

    May, 2024

  • 氩气驱动熔融池动力的物理信息机器学习

    通过集成神经网络和物理规律，提供了一种物理信息机器学习（PIML）方法来预测金属添加制造中的熔池动力学，避免了求解高度非线性的 Navier-Stokes 方程，显著降低了计算成本。

    Jul, 2023

  • 使用 Hypernetworks 和 PINNs 进行热交换器的实时健康监测

    利用物理学信息神经网络（PINN）对换热器进行实时健康监测，以提高热电厂能效，达到减少推理时间的目的，同时保持物理学基础仿真准确性，使该方法对于数字孪生环境中的换热器预测性维护非常有吸引力。

    Dec, 2022

  • 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

  • 一对多：建筑暖通空调控制的迁移学习

    该研究提出了一种基于深度强化学习和迁移学习的建筑暖通空调系统控制方法，通过将神经网络控制器拆分为一个可以迁移的前端网络和一个针对每个特定建筑物的可高效训练的后端网络，显著减少训练时间、节约能源成本和改善温度控制精度。

    Aug, 2020