Feb, 2024

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 固体力学领域的解决方案和发现的深度学习框架

    本文介绍了物理信息神经网络在固体力学中应用的方法，展示了通过使用多网络模型，结合动量平衡和本构关系，可以更准确地呈现一些场量变量。同时，通过测试合成数据并和解析解和数值解进行比较，验证了模型的有效性和精度，并指出了等几何分析在准确性和收敛性方面的优于有限元法的特点。我们还探索了该框架在机器学习中的应用，并发现物理信息对于提高模型的鲁棒性有很大作用。

    Feb, 2020

  • 基于物理学信息的无标签数据计算弹性动力学的深度学习

    本文提出了一种基于物理学信息神经网络（PINN）的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战，进一步解决了复杂的I/BCs在弱正则化PINN框架下无法很好满足的问题，在多个数值弹性例子中展示了该方法的可行性。

    Jun, 2020

  • 基于物理的机器学习用于运动载荷问题

    该论文提出了一种新的物理信息机器学习(PIML)模拟移动载荷前向和反向问题的方法，通过利用物理信息神经网络(PINNs)来解决动载荷问题，并使用高斯函数替代Dirac delta函数，用于预测梁的弯曲和载荷量，仿真结果表明PIML是解决该问题的有效方法。

    Apr, 2023

  • 走向以人口信息为基础的结构动力数据驱动模型定义方法

    通过基于物理的方法和元学习算法开发适应于数据稀缺性问题的模型，为解决机器学习算法的不足和工业界对其不信任问题提供了一种可行的方案。

    Jul, 2023

  • 地下能源系统中受物理启发的机器学习应用的批判性评论

    机器学习在计算机视觉、自然语言处理和语音识别等各个领域中被证明是一种强大的工具，然而，结合深度学习和物理学原理的物理约束机器学习技术的应用在地下能源系统产业，特别是在石油和天然气行业中展现了巨大的潜力，能提供更准确可靠的资源管理和运营效率的预测。

    Aug, 2023

  • 基于物理信息的循环神经网络用于非线性系统的地震响应评估

    该研究论文提出了一种使用物理信息循环神经网络对多自由度(MDOF)系统的动态响应进行评估的新方法，重点是评估非线性结构的地震响应，并将预测响应与有限元分析等先进方法进行比较，以评估物理信息循环神经网络模型的有效性。

    Aug, 2023

  • 物理增强神经网络的极度稀疏化方法用于机械学中可解释的模型发现

    利用神经网络的数据驱动本构模型，在加入物理和机制约束的同时，通过训练及$l^0$正则化的方法，实现了可解释性和可信赖性的简约化表征，适用于可压缩与不可压缩高弹性、屈服函数和强化模型的合成和实验数据。

    Oct, 2023

  • 机器学习在结构动态中的不确定性导航：前向与逆向问题中的概率与非概率方法的综合评审

    本研究解决了机器学习在结构动态预测中由于测量噪声和建模误差导致的可靠性问题，强调了不确定性意识的重要性。文章通过分类概率方法与非概率方法，对应对不确定性的各种技术进行了综合评审，特别强调了贝叶斯神经网络在性能与潜力上的优势。研究的最大贡献在于识别了研究缺口并建议未来研究方向，为学术界和实践者提供了全面的见解。

    Aug, 2024

  • 基于刚度损失函数的物理信息深度输出网络用于结构响应预测

    本研究解决了复杂结构建模所需的繁琐预处理和分析时间过长的问题。通过引入一种创新的基于物理信息的DeepONet方法，该方法利用结构平衡法则，能够在短时间内实时预测结构静态响应。研究表明，该方法在建筑和桥梁结构中的应用能够显著提高预测精度并减少训练时间，错误率低于5%。

    Sep, 2024

  • 通过物理启发神经网络进行动力系统响应估计和系统识别

    该研究解决了传统动力系统建模中的不准确性和传感器数据稀疏问题。通过采用物理启发神经网络（PINNs），研究首次将已知物理法则嵌入到神经网络的损失函数中，显著提高了对动态系统的状态和参数的估计。研究结果表明，PINNs在动态系统建模中展现出强大的潜力，特别是在面对不确定性和建模误差时。

    Oct, 2024