Sep, 2023

物理信息感知的感应电动机建模

PDF
TL;DR本快速通信在神经感应机（NeuIM）模型方面进行了研究，通过使用物理知识驱动的机器学习来实现基于人工智能的电磁暂态模拟。它的贡献有三个方面：（1）建立了 NeuIM 模型以在相位域中表示感应机；（2）提出了一种物理知识驱动的神经网络，能够在没有数据的情况下捕捉快速和慢速感应机动态；（3）提出了一种数据 - 物理集成的混合 NeuIM 方法，能够适应各种数据可用性水平。广泛的案例研究验证了 NeuIM 的有效性，特别是其相对于纯数据驱动方法的优势。
neural induction machinephysics-informed machine learningai-based electromagnetic transient simulationsneuimdata-physics-integrated hybrid neuim approach
发现论文，激发创造
  • 物理学知识驱动的机器学习：问题、方法和应用综述

    本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展，它以物理机制为前提，在模型结构、优化器、推断算法和特定领域的应用（如逆向工程设计和机器人控制）等方面将不同的物理先验形式编码成模型，随着跨领域的研究，增强模型精度，提高效率，并对相关学科领域解决长期存在的问题提供可贵帮助。

    Nov, 2022

  • 物理资讯神经网络与图形网络的可扩展算法

    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

  • 电机的混合数据物理驱动多目标优化方法

    本文介绍了一种基于数据和物理驱动的模型，利用深度神经网络作为元模型，通过预测中间 FE 测量值来表征 PMSM 的电磁行为，并通过各种物理模型后处理来计算所需的关键绩效指标，从而在计算上实现了 PMSM 的数值优化。

    Jun, 2023

  • 物理信息机器学习在动态系统建模和控制中的应用

    本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。

    Jun, 2023

  • 物理信息分段线性神经网络的过程优化

    提出了利用物理知识来升级神经网络模型以解决优化问题的方法，通过使用修正线性单元和分段线性逼近的双曲正切激活函数，针对三个不同的案例进行实验，结果表明这种升级模型比传统模型更接近于全局最优解，且更有效地优化了 CPU 时间。

    Feb, 2023

  • 基于物理信息的机器学习对非线性钢刚性框架结构地震响应预测

    该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

    Feb, 2024

  • 验证人工神经网络模型感应电动机的声学行为

    评价多任务人工神经网络在预测感应电机的心理声学参数方面的应用，通过使用电动机功率信号的电学量和极数等多种输入参数，同时评估感应电机的声学质量，采用等效声压、响度、粗糙度和锐度作为输出指标，并分析其简单可解释模型中产品单元神经网络的最佳结果。

    Jan, 2024

  • 使用强化学习设计感应电机

    提出了一种强化学习算法，用于设计定制感应电机。通过模拟电气机械设计游戏的不同实例，使用奖励或惩罚函数离线训练神经网络模型。结果表明，该方法自动化电气机械设计，无需应用人工工程知识。

    Jun, 2023

  • 机器学习在动态系统建模与分析中的应用

    使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间的辛结构。同时，利用神经网络的高维非线性能力，结合 Long Short Term Memory 网络进行判断嵌入定理的实现，构造系统的延迟嵌入，并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效，并且即使在较长时间内也能提供准确的预测结果。

    Jul, 2023

  • 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