Oct, 2023

利用物理信息的神经网络学习多相流下离心泵的特性参数和动力学

HTML
PDF
TL;DR基于物理守恒神经网络（PINNs）的机器学习模型用于估计液体系统参数，通过计算研究以模拟和实验数据为基础的水油比例不同情况下的系统动态和未知参数，从而减少昂贵的现场实验测试。
发现论文，激发创造
  • 物理信息神经网络在流体动力学代理建模中的改进

    通过引入基于物理的规则，将PINNs模型用于流体动力学的代理模型，证明了其在数据缺失，边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点，包括提高模型的预测性能，提高对数据噪声的稳健性，并减少对于先前未见场景的优化收敛所需的时间。

    May, 2021

  • 物理学启发的神经网络（PINN）在流体力学中的应用：综述

    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

  • 物理信息神经网络用于预测柴油机气体流动动力学和未知参数

    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。

    Apr, 2023

  • 基于物理启发神经网络的压气机叶栅流动研究

    该研究首次利用物理信息神经网络（PINNs）方法预测压缩器叶片的流场，通过在正向和反向问题中融入Navier-Stokes方程，在正向问题中，相比深度神经网络（DNNs），PINNs能更精确地预测流场，且在无部分边界条件的反向问题中，PINNs比传统的CFD方法表现出明显优势，能仅依靠部分速度向量和壁压力信息成功重构压缩器叶片的流场，证明了PINNs作为一种有潜力的替代方法能提供给涡轮机械设计师更高的准确性。

    Jul, 2023

  • 基于迁移学习的物理信息卷积神经网络模拟多孔介质中的流动与时变控制

    基于物理信息的卷积神经网络被提出用于模拟具有时间变化的井控的多相流体在多孔介质中的情况，该网络参数化了解决方案以建立控制到状态的回归关系。

    Oct, 2023

  • 使用跳跃连接的物理信息神经网络对气举油井进行建模和控制

    通过在PINC网络中引入跳跃连接以及改进ODE的某些项，我们在训练过程中实现了更准确的梯度，从而为油井系统的建模过程提供了有效的解决方案。我们提出的改进的PINC展现出卓越的性能，将油井应用中的验证预测误差平均降低了67％，并显著增强了网络层之间的梯度流动，使其幅度相对于原始PINC增加了四个数量级。此外，实验展示了通过改进的PINC模型，在存在噪声测量的情况下，使用模型预测控制(MPC)来调节油井的底孔压力的有效性。

    Mar, 2024

  • 基于知识的卷积神经网络模拟和预测两相达西流动

    通过将离散化的微分方程融入到PINN框架中，改进物理信息神经网络在处理不连续输入数据方面的准确性，并减少数值模拟的计算成本。

    Apr, 2024

  • 基于Kolmogorov-Arnold网络的柔性EHD泵预测建模

    我们提出了一种新颖的方法，使用Kolmogorov-Arnold网络预测柔性电流体力泵的压力和流量。通过受到Kolmogorov-Arnold表示定理的启示，KAN通过可学习的基于样条的激活函数代替固定的激活函数，使其比传统模型如多层感知器和随机森林更有效地逼近复杂的非线性函数。我们在柔性EHD泵参数的数据集上评估了KAN，并将其性能与RF和MLP模型进行了比较。KAN取得了较高的预测准确性，在压力和流量预测方面的均方误差分别为12.186和0.001。从KAN中提取的符号公式揭示了输入参数与泵性能之间的非线性关系。这些发现表明，KAN具有出色的准确性和可解释性，使其成为电流体力泵预测建模中有希望的替代方法。

    May, 2024

  • 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

  • 通过物理信息神经网络进行流体流动方程识别

    本研究针对物理信息神经网络（PINNs）在逆问题上的表现进行了评估，填补了该领域的研究空白。通过对二维巴格斯方程进行参数扫掠，提出了一种新颖的优化策略，结合一、二阶优化，提高了参数估计的精度。研究发现，PINNs在使用少量数据时，能够更有效地发挥物理信息正则化的优势，但在高度理想流动情况下仍然面临挑战，促进了PINN方法的进一步发展。

    Aug, 2024